woda w glebie – pomiary naziemne i satelitarne w
Transkrypt
woda w glebie – pomiary naziemne i satelitarne w
KA PAN WODA W GLEBIE POMIARY NAZIEMNE I SATELITARNE W BADANIACH ZMIAN KLIMATU B. Usowicz, W. Marczewski, J. Lipiec, J.B. Usowicz, Z. Sokołowska, H. Dąbkowska-Naskręt, M. Hajnos, M.I. Łukowski Polska Akademia Nauk // Komitet Agrofizyki // Wydawnictwo Naukowe FRNA // KA PAN WODA W GLEBIE POMIARY NAZIEMNE I SATELITARNE W BADANIACH ZMIAN KLIMATU B. Usowicz, W. Marczewski, J. Lipiec, J.B. Usowicz, Z. Sokołowska, H. Dąbkowska-Naskręt, M. Hajnos, M.I. Łukowski Polska Akademia Nauk // Komitet Agrofizyki // Wydawnictwo Naukowe FRNA // Fundacja Rozwoju Nauk Agrofizycznych prowadzi Wydawnictwo Naukowe na rzecz Komitetu Agrofizyki PAN oraz Instytutu Agrofizyki im. Bohdana Dobrzańskiego PAN. Specjalizacją wydawnictwa jest Agrofizyka. Agrofizyka - dyscyplina naukowa dotycząca zastosowań fizyki i nauk ścisłych w obszarze badań rolniczych i przyrodniczych. Językiem podstawowym jest polski. Komitet Agrofizyki PAN Tytuł monografii WODA W GLEBIE – POMIARY NAZIEMNE I SATELITARNE W BADANIACH ZMIAN KLIMATU Autorzy B. Usowicz, W. Marczewski, J. Lipiec, J.B. Usowicz, Z. Sokołowska, H. Dąbkowska-Naskręt, M. Hajnos, M.I. Łukowski Autorzy pragną złożyć podziękowania Dyrekcji i Radzie Naukowej Poleskiego Parku Narodowego za umożliwienie realizacji badań na terenie Poleskiego Parku Opiniowali do druku Prof. dr hab. Bohdan Dobrzański jr Prof. dr hab. Henryk Sobczuk Praca naukowa finansowana ze środków: MNiSW w ramach projektów badawczych własnych, Nr N305 046 31/1707 i N305 107 32/3865, realizowanych w latach 2006-2009, w celu wykorzystania danych do realizacji kampanii międzynarodowego programu walidacyjnego, ESA SVRT Cal/Val AO-3275. ©Copyright by Fundacja Rozwoju Nauk Agrofizycznych Komitet Agrofizyki PAN, Lublin 2009 ISBN: 978-83-60489-14-7 Wyd. Nauk. FRNA, Komitet Agrofizyki PAN Wydanie I, nakład 130 egz., ark. wyd. 14.8 Projekt okładki: Bohdan Dobrzański, III Druk, naświetlanie: ul. Abramowicka 6, 20-442 Lublin WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... SPIS TREŚCI WSTĘP ..........................................................................................................................5 Cel pracy ....................................................................................................................8 METODYKA I OBIEKTY BADAŃ .............................................................................9 Metody geostatystyczne – wprowadzenie .................................................................9 Semiwariogram........................................................................................................12 Trend .......................................................................................................................16 Semiwariogram standaryzowany .............................................................................17 Krossemivariogram .................................................................................................18 Kriging.....................................................................................................................22 Kokriging.................................................................................................................25 Wymiar fraktalny.....................................................................................................27 Wyznaczanie właściwości cieplnych gleby .............................................................30 Pomiary własności cieplnych gleb...........................................................................35 Położenie terenu badań Niziny Południowopodlaskiej ...........................................42 Charakterystyka stosunków klimatycznych.............................................................44 Położenie terenu badań Polesia Zachodniego..........................................................50 Budowa geologiczna, litologia i rzeźba terenu ........................................................51 Stosunki wodne .......................................................................................................52 Charakterystyka stosunków klimatycznych.............................................................53 Rozpatrywane obiekty badań, parametry i metody ich określania ..........................55 Doświadczenie polowe ............................................................................................56 Pomiar gęstości i wilgotności gleby ........................................................................58 Pomiar składu granulometrycznego, zawartości węgla i pH gleby .........................58 Pomiar zawartości kwarcu w glebie ........................................................................59 Normy i standardy używane podczas pomiarów próbek glebowych ......................59 Dane satelitarne .......................................................................................................60 WYNIKI ......................................................................................................................64 Analiza statystyczna obserwacji naziemnych ..........................................................64 Kwarc ......................................................................................................................65 Analiza geostatystyczna obserwacji naziemnych ....................................................69 Analiza wymiaru fraktalnego....................................................................................71 Estymacja rozkładów badanych cech za pomocą metody kriging i kokriging ........98 Wykorzystanie miejscowych pomiarów naziemnych do ocen regionalnych i walidacji obserwacji satelitarnych ................................................................112 3 4 B. USOWICZ, W. MARCZEWSKI I IN… Możliwości wykorzystywania obserwacji SMOS dla celów badań środowiskowych .........................................................................................................................126 Uzyskane wyniki analizy zdjęć satelitarnych ........................................................128 Przykłady rozproszenia międzykanalowego w zdjęciach MERIS.........................137 Wpływ kalibracji i filtracji na rozproszenie wartości pikseli ................................138 Klasyfikacja ...........................................................................................................140 Stała dielektryczna gleby z pomiarów naziemnych i satelitarnych .......................152 PODSUMOWANIE ...................................................................................................158 PIŚMIENNICTWO ....................................................................................................159 WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 5 WSTĘP Badanie globalnych zmian klimatu, poznawanie mechanizmów prowadzących do tych zmian i szukanie przyczyn globalnego ocieplenia klimatu, w świetle obserwowanych negatywnych skutków, jakie niosą te zmiany, jest już uznanym kompleksem priorytetowych zadań społeczności naukowej. Najważniejszym elementem środowiska, determinującym klimat jest woda. W atmosferze krąży zaledwie 0.0001% wszystkich zasobów wody na Ziemi. Równoważne zasoby wody są utrzymywane w przypowierzchniowej warstwie gleby, na lądach tzn. na około ¼ powierzchni planety. Jaki jest udział tego zasobu wody z gleby, w cyrkulacji wody przez atmosferę, i czy odpowiada on pokryciu powierzchni planety lądami, tego nie wiadomo. A jest jedna z kilku kwestii kluczowych dla globalnych badań klimatu, która musi znaleźć odpowiedź ilościową. Mimo że reszta ¾ powierzchni planety, jest pokryta oceanami, i dominuje w tym bilansie wody, to udział wymiany wody z glebą jest bardzo istotny bo ta wymiana podlega szybkim zmianom. W grę wchodzą niewielkie ułamkowe części w miarach względnych, ale olbrzymie masy wody i wiązane z nią ilości energii, która napędza cały cykl wodny. Woda jest bardzo efektywnym nośnikiem energii, a gleba jednym z kilku najważniejszych regulatorów wymiany energii. Zjawiska transportu mas i energii zachodzą niejednorodnie, przy ich wielkiej różnorodności, i to stanowi o trudnościach wnioskowania o zmianach klimatu. Nauki o Ziemi zakumulowały już wiele wiedzy o elementach i złożoności tego cyklu obiegu wody, ale miary ilościowe globalne są wyzwaniem głównym, i dlatego uznaje się je za priorytowe. Można nie ryzykować dokonywania bilansu globalnego, znając swoje ograniczenia, ale trzeba podejmować takie istotne tematy szczegółowe, które znajdą w nim swoje zapotrzebowanie, a przynajmniej będą zgodne we współpracach z tymi programami, które do takiego bilansu prowadzą. Składanie globalnego bilansu wody i energii, z części to koncepcja prosta, lecz w szczegółach bardzo trudna do przeprowadzenia. Liczba procesów jakie wchodzą w grę, i ich współzależności czasowo-przestrzennych, wymaga koncepcyjnej zgodności celów działania środkami technicznymi i statystycznymi. Osiągane oceny uogólniające nie mogą gubić istotności związków między elementami złożonej rzeczywistości. Cele stosowanych metod muszą być głęboko zbieżne, najczęściej odnajdują się w fizyce, na gruncie miar energii i entropii. Bez takiej zbieżności trudno o zachowanie istotności związków z tak różnymi dziedzinami jak biologia czy ekonomia. O ile w miarę łatwo radzimy sobie z badaniami prowadzonymi w laboratoriach w warunkach stanu stacjonarnego i ograniczenie umiejscowionych 6 B. USOWICZ, W. MARCZEWSKI I IN… badaniach w warunkach stanu niestacjonarnego (naziemne stacje pomiarowe), o tyle trudniej jest nam prowadzić badania zdalne z przestrzeni kosmicznej, na nieporównanie większe skale. Kiedyś poszukiwano źródeł wielkich rzek. Dzisiaj Tybetańskie plateau jest rozważane jako skupisko zlewni. Na to trzeba było zmiany punktu widzenia procesów zbierania i odprowadzania wody. Innym przykładem jest stale dokonująca się ewolucja poglądów na to jak badać, i po co, opad w skalach kontynentalnej i globalnej. Badania kosmiczne już dawno wniosły nie tylko nowy punkt widzenia z orbity, ale i nowe podejście do szczegółowych badań takich zjawisk jak ewapotranspiracja, w związkach z fotosyntezą i zapotrzebowaniem na energię. Dzisiaj badania szczegółowe z trudem mogą obywać się bez dostępu do baz danych często nieosiągalnych miejscowo, jak np. w badaniach susz rolicznych. To są nowe jakości przychodzące do agrofizyki wraz z postępem technicznym i cywilizacyjnym. Meteorologia użytkowa na potrzeby lokalne nie traci swojego znaczenia, ale zyskuje nowe konteksty jakie przed dekadą czy dwiema, były trudne do przewidzenia. Priorytet ważności wilgotności gleb, badanej metodami tradycyjnymi, miejscowo, jest dzisiaj powszechnie niedoceniany. Trzeba dopiero chyba nowych odkryć na skalę globalną, aby przywracać świadomość istotności niektórych zmiennych środowiskowych. Pewnych zaniechań w lokalnych badaniach bezpośrednich, nie można podtrzymywać, kiedy okazuje się, że wyniki uzyskane na Ziemi są potrzebne walidacjom badań kosmicznych. Postęp techniczny stwarza złudzenia, że z obserwacji satelitarnych można „wiedzieć wszystko”. Możliwości obserwacji technikami zdalnymi są rzeczywiście wielkie, ale zmuszają również do wykorzystywania ich dokonań na drodze nie tylko bezpośredniej, np. posługując się zdjęciami satelitarnymi, lecz i na drodze pośredniej przez wykorzystywanie metod i technik pomiarów naziemnych, które mają już swoje dobrze ustanowione nisze rynkowe na wyposażenie. Indeks liściowy LAI, akumulację promieniowania na fotosyntezę fAPAR, mierzy ciągle niewielu, choć środowiskiem, roślinnością, lasem zajmuje się wiele środowisk badawczych. Nie można tego usprawiedliwiać brakiem instrumentów, technik, czy nawet biedą. Trzeba w tym widzieć brak zapotrzebowania wynikający odległości cywilizacyjnej do problemów jakie współczesne nauki o Ziemi i środowisku podejmują za priorytetowe. Nawet jeżeli jest świadomość tego dystansu, to na ogół brak jest ciągle tak istotnych i żywych kontaktów współpracy naukowych, które tworzą zapotrzebowanie na ewolucyjną zmianę w poglądów na to co należy mierzyć, i jak charkateryzować bardzo złożone środowisko naturalne na Ziemi. Jeżeli nie wiadomo co zawiera lista zmiennych ECV (Environmental Climate Variable) [46], to i zapotrzebowania na dane naziemne z miejscowych pomiarów wilgotności gleb SM (Soil Moisture) nie ma. Nawet jeżeli wystarcza do tego wyposażenie tradycyjne. Podobnie można sądzić o wykorzystywaniu metod i narzędzi statystycznych. Trzeba dopiero technik GIS, aby podstawowa wiedza kartograficzna okazywała się potrzebna na co dzień, i narzędzia statystyczne stosowane nabrały innej wagi w WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 7 badaniach, jakiej nie mogły znaleźć dotąd. Techniki GIS nie rozwiążą jednak problemów wynikających z różnorodności środowiska, dopóki taka potrzeba nie będzie włączana do celów badawczy, a nie jest jeśli cele nie są stawiane we właściwych skalach. Aby postawić cele w skali regionalnej, i sformułować zadania wykonalne, trzeba na to lepszego związku z badaniami kosmicznymi. Poznanie natury procesów zachodzących na granicy atmosfery i gleby, określenie, który z nich ma większy lub mniejszy wpływ na klimat może odbywać się poprzez badanie bilansu cieplnego powierzchni czynnej. Bilans cieplny powierzchni czynnej gleby wymaga określenia salda promieniowania, strumienia ciepła jawnego, utajonego, i strumienia ciepła w glebie. Wśród czynników, które wpływają na składowe bilansu ciepła są warunki klimatyczne, topografia środowiska, właściwości cieplne gleby, pora roku i dnia, typ pogody i jej zmian w danym dniu oraz rodzaj i właściwości powierzchni czynnej, na której zachodzi transformacja i wymiana energii. Poszczególne składowe bilansu cieplnego gleby mogą być mierzone lub oszacowywane ze znanych zależności matematycznych. Mimo, iż osiągnięto znaczny postęp w badaniach strumienia ciepła w glebie, nadal jest on w centrum zainteresowania wielu dziedzin nauki. Mierzony jest on przy użyciu strumieniomierzy lub jest oszacowywany z iloczynu przewodnictwa cieplnego i gradientu temperatury gleby, albo poprzez znane relacje z temperaturą powietrza lub saldem promieniowania. Strumieniomierze, jak i funkcyjne relacje do innych mierzonych wielkości są mało dokładne, a w przypadku strumieniomierza w znacznym stopniu modyfikują środowiska w miejscu jego zainstalowania. Metody obliczeniowe są rzadziej stosowane z uwagi na trudności w wyznaczaniu przewodnictwa cieplnego gleby i dokładnego pomiaru gradientu temperatury w jej powierzchniowej warstwie [5]. Cieplne właściwości gleby znacząco wpływają na podział energii na powierzchni czynnej. Decydują one o rozkładzie temperatury w profilu glebowym oraz o przepływie energii i wody w profilu glebowym. Dlatego też są one celem badań wielu dziedzin nauki, takich jak: agrofizyka, klimatologia, meteorologia, biologia oraz dziedzin technicznych związanych z energetyką. Dotychczasowe badania wykazały, że decydujący wpływ na cieplne właściwości ma zawartość wody w glebie, gęstość ośrodka, skład mineralogiczny gleby i zawartość materii organicznej [27, 105, 117, 150, 154]. Temperatura gleby, ciśnienie i wilgotność powietrza mają mniejszy wpływ na cieplne właściwości gleby [71]. Duża zmienność wielkości fizycznych w glebie i duża zmienność przestrzenna cech składników ośrodka powoduje, że bezpośrednie pomiary cieplnych właściwości są nadal trudne i czasochłonne. Dlatego też należy poszukiwać takich metod wyznaczania cieplnych właściwości, które wykorzystałyby te właściwości i wielkości fizyczne, które niewiele zmieniają się w czasie w danym obszarze, są dostępne z literatury czy z baz danych, stacji meteorologicznych, jak i tych, które są łatwo mierzalne. Cechą gleby, która niewiele zmienia się w czasie jest jej skład granulometryczny, 8 B. USOWICZ, W. MARCZEWSKI I IN… skład mineralogiczny, gęstość fazy stałej czy zawartość materii organicznej. Ta ostatnia wielkość w mniejszym stopniu jest niezmienna w czasie niż pozostałe składniki. Temperatura gleby i powietrza, wilgotność gleby, ciśnienie i wilgotność powietrza wykazują dużą zmienność, są one jednak łatwe do mierzenia za pomocą automatycznych systemów pomiarowych. Gęstość gleby istotnie wpływa na właściwości cieplne gleby, a jej pomiar jest dość czasochłonny. Zatem należy ją wyznaczać w sposób optymalny [15, 80, 92, 155, 162], tj. poprzez pobranie minimalnej liczby próbek z określonego pola lub też poprzez pomiary wielkości fizycznych, które są istotnie skorelowane z gęstością i są łatwe w pomiarach [83, 84]. W tym przypadku może to być opór penetracji gleby. Minimalną liczebność przy określonym błędzie szacowania gęstości można określać za pomocą metod geostatystycznych, tj. semiwariogramów, krossemiwariogramów, krigingu, kokrigingu i kroswalidacji [15, 75, 92, 110, 138, 157, 161, 162]. Metody te pozwolą również opisać powiązania pomiędzy zmiennymi trudno mierzalnymi i łatwo mierzalnymi, wyznaczyć ich parametry przestrzennej zależności i współzależności, jak i pozwolą na uzyskanie map przestrzennego rozkładu każdej badanej cechy czy wielkości fizycznej gleby w sposób optymalny przy żądanym błędzie estymacji [19, 52, 59, 60, 62, 98, 146-148, 155, 158, 163, 174]. Wyznaczone z modeli cieplne właściwości gleby wymagają jednak weryfikacji. Może być ona przeprowadzona w oparciu o porównanie danych otrzymanych z bezpośrednich pomiarów i danych wyliczonych z modeli. Cel pracy Głównym celem projektu badawczego było: – 1) dostarczenie danych o wilgotności powierzchniowej warstwy gleby z wybranych miejsc na Polesiu i Podlasiu dla walidacji obserwacji misji SMOS [125], w celu pomiaru wilgotności gleby w skali globalnej, – 2) poszukiwanie istotnych korelacji między poszczególnymi wielkościami fizycznymi, określanymi z pomiarów naziemnych oraz przygotowanie i standaryzacja przetworzonych danych do postaci przydatnych dalszym badaniom i porównaniom z danymi otrzymanymi z satelity, – 3) zbadanie przestrzennych zmienności wilgotności, przewodnictwa cieplnego, pojemności cieplnej i dyfuzyjności cieplnej w powierzchniowej warstwie gleby, na wybranych obszarach, zgodnie ze współczesną praktyką stosowania metod geostatystycznych opisujących tę zmienność. WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 9 METODYKA I OBIEKTY BADAŃ Metody geostatystyczne – wprowadzenie Metody statystyczne stosowane do opisu środowiska przyrodniczego, wykorzystują zwykle informację przestrzenną ograniczenie. Metody te, już na początku zakładają, że obserwacje są niezależne od siebie, co jest ograniczeniem istotnym, przy opisie i analizie zjawisk. W badaniach środowiska przyrodniczego mamy do czynienia z obserwacjami, które zawierają czynniki zależne, które mogą być przedmiotem zainteresowania, i fizycznie niezależne, które mogą być źródłem błędów, do wyeliminowania. Są jednak jeszcze i zależności lub niezależności statystyczne, które muszą być przedmiotem zainteresowania dla określania błędów, nawet jeśli źródła błędów pozostaną niezidentyfikowane. Wyniki badań środowiska, muszą uwzględniać ich dwa aspekty – łącznie, przestrzeny i czasowy. W aspekcie przestrzennym, trzeba stosować metody analizy pól losowych, na których opiera się między innymi aparat matematyczny geostatystyki [15, 75, 91, 92, 110, 157, 162]. Wiedza o własnościach ośrodków i procesach, z natury jest fragmentaryczna, bo ogranicza się do wybranych obszarów lub miejsc, z których pobrano próbki. Różnorodność środowiska jest ogromna. Nie wiemy, co się dzieje pomiędzy punktami pomiarowymi. Trzeba charakteryzować obszary w ich ogólności, i temu służy geostatystyka. Obejmuje ona relacje między rzeczywistością przyrodniczą, a jej charakterystyką wyrażaną modelami statystycznymi, w przyjętym zakresie istotności charakterystyki. Te relacje, można przedstawić ogólnie diagramem Penatiera [109] (Rys. 1). B. USOWICZ, W. MARCZEWSKI I IN… 10 Modelowanie semiwariancji ŚWIAT REALNY Obserwacje: - próbkowanie - informacja jakościowa Działania: - statystyki opisowe - wstępne analizy danych - wstępne wariogramy MODEL PROBABILISTYCZNY Sprawdzenie hipotezy stacjonarności Pojęcia podstawowe: - zmienna losowa - zmienna zregionalizowana - funkcja losowa Działania: - estymacja - symulacje Cele operacyjne Zastosowanie wyników analizy probabilistycznej do rzeczywistości Rys. 1. Koncepcja modelowania geostatystycznego wg. Penatiera [109]. Diagram przedstawia ogólen relacje pomiędzy obserwacjami a procesem modelowania semiwariogramu, przy założeniu stacjonarności procesów, i konfiguruje je względem wyników charakterystyki badanej rzeczywistości. Wykazuje i przypomina o istnieniu sprzężenia zwrotnego między źródłami danych do modelowania, i konieczności stosowania modeli procesów w analizie geostatystycznej, a modele pozwalają na przewidywanie zachowań, wtedy gdy brakuje danych. Geostatystykę trzeba uważać za metodologię, która pozwala na analizę przestrzenną i czasową korelacji danych. Jej podstawowym narzędziem jest wariogram, a dokładniej połowa wartości wariogramu nazywana semiwariogram. Geostatystyka posługuje się badaniem funkcji wariogramu reprezentatywnej zmiennej. Funkcja WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 11 wariogramu z określonymi parametrami (tj. wartością samorodka, progiem i zakresem zależności), przedstawia zachowanie badanej zmiennej przestrzennie regionalizowanej [15-20, 49, 50, 118, 127], czym umożliwia wnioskowanie o obszarach, które nie są reprezentowane przez jakiekolwiek dane pomiarowe [7, 26, 57, 59, 60, 62, 91, 138]. Metodyka prowadzenia pomiarów, a zwłaszcza wybór i rozkładu sieci punktów pomiarowych, ma znaczenie szczególne. Pozwala na utrzymanie istotności opisu badanego obiektu względem procesów, zarówno w aspekcie przestrzennymi jak i czasowym. Wybrane elementy środowiska przyrodniczego trzeba traktować jako układy powiązane między sobą, o związkach wyrażanych za pomocą funkcji matematycznych, przy respektowaniu obu dziedzin – czasu i przestrzeni. Te funkcje określają model wewnętrznie, i pozwalają na modyfikacje, korekcje, wynikające z rozpoznawalnej zmienności otoczenia fizycznego (wejścia, wyjścia). Model pracuje tymi funkcjami, a jego rezultaty, można wyrażać w kategoriach stacjonarnych procesów losowych, i traktować w kategoriach statystycznych, np. współzależności pól losowych. Poniżej podano szereg podstawowych pojęć i relacji statystycznych, wykorzystywanych przy opracowywaniu danych. Szereg ten prowadzi do wyboru drogi postępowania metodologicznego dla danych naziemnych, ale jest na tyle ogólny, że można tę drogę postępowania odnaleźć i w szczególnych sposobach przetwarzaniu danych satelitarnych narzędziami bardzo zaawansowanymi. Jeżeli te metody interpretowania danych satelitarnych, wydają się bardzo specyficzne, to są one jednak wspólnie zakotwiczone w tej samej statystyce, a specyfika danych satelitarnych wynika przede wszystkim z użyciu takich modeli podstawowych, które odpowiadają zaangażowaniu poszczególnych instrumentów (np. technika radarowa, polaryzacyjna, analiza spektralna, etc.). Ta specyfika jest ograniczona i podporządkowane statystyce, zwłaszcza w metodach najbardziej zaawansowanych. Niniejsza praca ogranicza się do ogólnego objaśniania metod krigingu, w postępowaniu z danymi naziemnymi, i wskazywania aspektów statystycznych metod zaawansowanych, dla przetwarzania danych satelitarnych (BEAM, NEST, PolSARpro), które idą dalej, aż po wykorzystywanie sieci neuronowyche w analizie multispektralnej, lub filtrów nieliniowych (adaptacyjnych), czy też określania entropii i anizotropii. Cele statystyczne przetwarzania danych naziemnych i satelitarnych, pozostają te same. Różne są metody formułowania zadań i ich rozwiązywania. Celem jest zawsze określenie charakterystyk statystycznych, przy minimalizacji lub eliminacji uwarunkowań technicznych. Jeżeli jesteśmy w stanie odnaleźć wspólny grunt – statystyczny, dla metod stosowanych na Ziemi, i metod przetwarzania danych satelitarnych, wtedy specyfika obserwacji Ziemi z kosmosu staje się łatwiejsza do opanowania, i ograniczona. Współczesne techniki obserwacji zdalnych, i metod ich przetwarzania, stwarzają pozorne przekonanie, że z kosmosu można obserwować lepiej i więcej niż na- 12 B. USOWICZ, W. MARCZEWSKI I IN… kładem pracy naziemnej. Okazuje się, że obserwacje z orbity muszą być wspierane z Ziemi, dla zapewnienia im odpowiedniej jakości. W tej pracy, autorzy zdobyli przekonanie, że podstawowa i fundamentalna różnica, polega na operowaniu danymi i innej liczebności. Na Ziemi jest ich stale za mało, na to aby sięgać po metody przetwarzania przyswojone technikom kosmicznym. Jest to bardzo istotna różnica, i jej skutki powinny skupiać uwagę na znaczeniu statystyki, i modeli fizycznych, aby badacze z różnych dziedzin znajdowali korzyści ze współpracy, uzupełniali się możliwościami obserwacyjnymi we wspólnych celach, i nawet wykorzystywali takie same narzędzia. Semiwariogram Podstawowym założeniem geostatystyki potwierdzonym w wielu obserwacjach środowiska przyrodniczego odnosi się do stwierdzenia, że obok punktu, do którego przypisana jest określona wartość badanej cechy, istnieją inne punkty (lub ich continuum) o wartościach zbliżonych lub podobnych, i przez to wartości te muszą być ze sobą skorelowane [163]. Podstawą obliczeniową jest funkcja wariogramu, a ściślej, połowa oczekiwanej różnicy wartości zmiennej Z(x) w punkcie x i wartości Z(x+h), w punkcie oddalonym od niego o dystans h. Semiwariogram przedstawia zachowanie (przestrzenne lub czasowe) danej zmiennej, zwanej zmienną „regionalizową”. Ta zmienna zawiera aspekt losowy, tzn. zawiera również komponenty lokalnie nieprawidłowe strukturalnie, które przesłaniają wielkoskalowe trendy zjawiska (trend [51]). Zmienna zregionalizowana, z jednej strony wykazuje korelacje związaną z przestrzennym rozkładem danych traktowanych globalnie, a z drugiej strony może być – lokalnie, zmienną losową, charakteryzującą się określonym rozkładem prawdopodobieństwa. Analiza wariogramu zmiennej regionalizowanej ma dawać miarę i identyfikację struktury jej zmienności. Trzeba wyróżniać trzy fazy analizy: – a) faza wstępnego badania zebranych danych i wykonania oceny podstawowych statystyk, – b) faza obliczenia wariogramu empirycznego zmiennej zregionalizowanej, oraz – c) faza dopasowania funkcji zmienności w modelu matematycznym do przebiegu wariogramu empirycznego. Wymaga to znajomości pierwszych dwóch momentów statystycznych funkcji losowych przypisanych do danego zjawiska: – momentu pierwszego (średniej) [15, 109, 110, 174], E [Z (x )] = m(x ) (1) – i drugiego (wariancji, kowariancji, semiwariogramu – semiwariancji) { } Var{Z ( x )} = E [Z (x ) − m (x )] . 2 (2) WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 13 Jeśli zmienne losowe Z(x1) Z(x2) mają wariancję, to również mają kowariancję, która jest funkcją położenia x1, x2: C ( x1 , x 2 ) = E {[Z ( x1 ) − m (x1 )]⋅ [Z ( x 2 ) − m( x 2 )]} = E {Z (x1 ) ⋅ Z ( x 2 )}− m( x1 ) ⋅ m( x 2 ) (3) Semiwariogram γ(x1,x2) jest definiowany jako połowa wariancji z różnicy zmiennych losowych {Z(x1)– Z(x2)} [109, 161, 162]: 1 2 γ ( x1 , x 2 ) = Var{Z ( x1 ) − Z (x 2 )} . (4) Oczekuje się, że badany proces jest ergodyczny, czyli wartość oczekiwana zmiennej regionalizowanej opisującej dany proces jest równa wartości średniej rozważanej zmiennej, w domenie prawie nieograniczonej. Wymaga się również, aby badany proces był stacjonarny, tzn. nie zmieniał swoich właściwości przy zmianie początku skali czasowej lub przestrzennej. W przypadku spełnienia warunku ergodyczności i stacjonarności, funkcję losową Z(x) określa się jako stacjonarną drugiego rzędu. Ponadto oczekuje się, że [109]: – wartość oczekiwana istnieje i nie zależy od położenia x E [Z ( x )] = m , ∀x (5) – dla każdej pary zmiennych losowych {Z(x),Z(x+h)} istnieje kowariancja, zależna tylko od wektora separacji h { } C (h ) = E Z ( x + h ) ⋅ Z ( x ) − m 2 , ∀x (6) – stacjonarność kowariancji implikuje stacjonarność wariancji i semiwariogramu { } Var{Z ( x )} = E [Z ( x ) − m] = C (0) 2 ∀ x. (7) Można wykazać, że istnieje powiązanie kowariancji z semiwariogramem [109]: [{ } − [E {Z ( x + h ) }− 2 E{Z (x + h ) ⋅ Z (x )} + E {Z ( x ) }] ] [{ } 2C (h ) = 2 E{Z ( x + h ⋅ Z ( x ))} − 2m 2 = E Z ( x + h ) − m 2 + E Z ( x ) − m 2 2 2 2 ] 2 2C (h ) = 2C (0 ) − 2γ (h ) C (h ) = C (0 ) − γ (h ) (8) B. USOWICZ, W. MARCZEWSKI I IN… 14 – dla wszystkich wartości wektora h różnica {Z(x+h) – Z(x)} ma skończoną wariancję i nie zależy od x 1 2 γ (h ) = Var{Z ( x + h ) − Z ( x )} = { } 1 2 E [Z ( x + h ) − Z ( x )] , 2 ∀x . (9) Kiedy wartość wektora h równa jest zero, to wartość semiwariancji jest również równa zero. Semiwariogram jest symetryczny względem h: γ (h ) = γ (− h ) . (10) Empiryczny semiwariogram γ(h) dla odległości h obliczany jest z równania [109, 161]: γ (h ) = 1 N (h ) [z (xi ) − z (xi + h )]2 ∑ 2 N (h ) i =1 (11) gdzie: N(h) oznacza liczbę par punktów oddalonych o h. Równanie (11) wyraża zróżnicowanie odchyleń wartości zmiennej badanej, w zależności od odległości między punktami pomiarowymi. Wyróżnia się trzy charakterystyczne parametry semiwariogramu: – samorodek (ang. nugget), – próg (ang. sill), i – zakres (ang. range). Jeśli semiwariogram jest funkcją wzrastającą nie od zera, lecz od pewnej wartości, to wartość tę nazywa się efektem samorodka. Wyraża ona zmienność badanej wielkości fizycznej przy skali mniejszej niż przedział próbkowania (może być też spowodowana niską dokładnością pomiaru). Osiągnięta wartość semiwariogramu, przy której nie następuje dalszy wzrost funkcji (w przybliżeniu jest ona równa wariancji próby), jest nazywana progiem, a odległość od zera do osiągnięcia 95% wartości semiwariogramu, nazywa się jego zakresem. Zakres wyraża największą odległość, przy której próbkowane wartości są ze sobą skorelowane. Semiwariogramy są wyznaczone danymi empirycznymi, i do nich można dopasowwywać modele matematyczne [45, 109]: – model liniowy semiwariogramu, np. możliwy do opisywania linią prostą. W modelu tym zakres przestrzennej zależności wartości próbek nie występuje jawnie. Zakres lub zasięg A0 określa ostatni krok postępowania z próbkowaniem (h). Model liniowy opisuje się równaniem [45]: γ (h ) = C 0 + ⎡⎢h⎛⎜ C A ⎞⎟⎤⎥ 0 ⎠⎦ ⎣ ⎝ (12) WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 15 – model sferyczny, np. możliwy do opisania zmodyfikowaną wersją funkcji kwadratowej. Zakres zależności wartości zmiennej od przestrzennych odległości próbek, jest równy zasięgowi A0, poza którym dane przestają być już skorelowane. Model sferyczny opisuje się równaniem: 3 ⎧ ⎡ ⎛ h ⎞ ⎤ h ⎪⎪C + C ⋅ ⎢1.5 − 0.5⎜⎜ ⎟⎟ ⎥ γ (h ) = ⎨ 0 ⎢ A0 ⎝ A0 ⎠ ⎥⎦ ⎣ ⎪ ⎪⎩C 0 + C h ≤ A0 , (13) h > A0 – model wykładniczy, podobny do modelu sferycznego, ale dający wartości zbliżające się do progu stopniowo. W modelu wykładniczym, wartości zbliżają się do progu wolniej, w modelu sferycznym. Zarówno wartości otrzymane z modelu, jak i próg, właściwie nie zbiegają się nigdy. Model wykładniczy opisuje się równaniem: h ⎡ ⎤ − A0 γ (h ) = C 0 + C ⋅ ⎢1 − e ⎥ ⎢⎣ ⎥⎦ h >0 (14) – model Gaussowski, albo model inaczej model hiperboliczny. Jest on podobny do modelu wykładniczego, stopniowym osiąganiem wzrostu wartości. Model hiperboliczny opisuje się równaniem: h ⎡ − 2 A γ (h ) = C0 + C ⋅ ⎢⎢1 − e 0 ⎢⎣ 2 ⎤ ⎥ ⎥ ⎥⎦ h >0 (15) gdzie: γ(h) – jest wartością semiwariancji dla kroku próbkowania h, h – jest krokiem próbkowania, C0 – jest wartością samorodka ≥ 0, C – jest wariancją strukturalną (ang. structural variance) ≥ C0, A0 – jest zakresem (ang. range). Model liniowy nie ma żadnego zasięgu efektywnego, i jest ustanowiony długością ostatniego kroku próbkowania (h). Model sferyczny ma efektywny zasięg A = A0. Model wykładniczy, ma efektywny zasięg A = 3A0, co odpowiada odległości, dla której wartość (C + C0) osiąga 95% wartości progowej. Model Gauss'owski, ma efektywny zasięg A = 30.5A0, i jest odległością, dla której wartość (C + C0) osiąga 95% wartości progowej. B. USOWICZ, W. MARCZEWSKI I IN… 16 Dopasowywanie modelu do danych empirycznych, polega na minimalizacji sumy odchyleń np. kwadratowych. Otrzymane z semiwariogramów modele są przeznaczone do przestrzenno-czasowej analizy autokorelacji, lub do tworzenia obrazów, przy estymowaniu zmiennej wartości fizycznej w przestrzeni, np. metodą krigingu [35, 45, 109]. Trend Zmienne potrzebne do opisu środowiska przyrodniczego, pochodzą z określonych obszarów, różniących się np. ukształtowaniem terenu, cechami gleby i pokrywy roślinnej. Dane wyrażające poszczególne zmienne, z reguły zawierają ślad zasadniczej, czyli źródłowej charakterystyki fizycznej otoczenia. Statystyczna analiza ich zmienności i zależności, wymaga strukturalnego przygotowania danych, i analizy. Zmienna regionalizowa opisuje pewien szczególnie wybrany aspekt charakterystyki środowiska, lecz zawiera składnik losowy – ε(x), z wszystkimi zmiennościami lokalnymi i komponentami błędów. Poszukuje się zasadniczego składnika strukturalnego – m(x), który ma odzwierciedlać wielkoskalowe zmienności zjawiska (trendy). Poszczególne składniki – błędu i trendu, trzeba poddać dekompozycji i zidentyfikować, wyseparować [51, 161]: z ( x ) = ε ( x ) + m( x ) (16) Tę potrzebę zaspakaja się obliczeniem czterech podstawowych momentów statystycznych semiwariogramu empirycznego zmiennej regionalizowanej, przy wykorzystaniu modelu semiwariogramu. Zakłada się, że proces jest stacjonarny, tzn. że charakterystyka trendu odnosi się do zmienności ergodycznej, a nie incydentalnej. Rezultat oczekiwany nie powinien zależeć od wyboru początku skali czasowej i wyboru skali przestrzennej. Same skale przestrzenne i czasowe, ich zakresy, gęstości i częstości próbkowania, zachowują znaczenie zasadnicze dla precyzji, ale ich inny wybór powinien dawać charakterystykę odmienną ograniczenie, tzn. z inną efektywnością i błędem. Warunek stacjonarności sprowadza się do określenia albo wyseparowania trendu – m(x) ze zbioru danych: ε ( x ) = z ( x ) − m( x ) . (17) Dla jednowymiarowego przebiegu wartości równania trendu są następujące: m( x ) = a 0 m(x ) = a 0 + a1 x m(x ) = a 0 + a1 x + a 2 x 2 (18) WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 17 Jeżeli mamy do czynienie z trendem powierzchniowym o współrzędnych x, y to równania trendu są następujące: m( x, y ) = a 0 m(x, y ) = ax + by + c (19) m(x, y ) = ax 2 + by 2 + cxy + dx + ey + f Po wydzieleniu trendu, powinien pozostać składnik losowy o zerowej wartości średniej i skończonej wariancji. Empiryczny semiwariogram − γ(h) dla odległości h oblicza się z równania: γ (h ) = 1 N (h ) [ε (xi ) − ε (xi + h )]2 ∑ 2 N (h ) i =1 (20) gdzie N(h) – oznacza liczbę par punktów odległych o h. Równanie (20) określa zróżnicowanie odchyleń wartości zmiennej ε(xi) od trendu, w zależności od odległości między punktami pomiarowymi. Semiwariogram standaryzowany Doświadczenie w wykorzystaniu metod i narzędzi geostatystycznych wskazuje, że podstawowa definicja semiwariancji nie zawsze daje klarowny obraz przestrzennego rozkładu badanej zmiennej. Wtedy trzeba próbować innych sposobów wyznaczania rozkładu przestrzennej zmienności semiwariancji. Jeżeli semiwariogram ma taki rozrzut próbek, że nie pozwala na dopasowanie żadnego z podstawowych modeli, to bywa, że może wystarczyć prosta normalizacja semiwariogramu γ s [109]: γs = γ (h ) . σ h =0 ⋅ σ h (21) Wtedy trzeba posługiwać się – standardowymi odchyleniami zmiennej losowej między punktem zaczepienia wektora h= 0 ( σ h =0 ), a próbką bieżąca w odległości h ( σ h ). Zależnie od natury próbkowanego procesu stanowiącego o trendzie, można też wykorzystywać inne sposoby normalizacji, a nawet wykładnicze (lub logarytmiczne) skalowanie odległości próbek w domenach czasu i przestrzeni. B. USOWICZ, W. MARCZEWSKI I IN… 18 Krossemivariogram Zmienne regionalizowane można przypisywać różnym własnościom fizycznym, np. ośrodka glebowego. Na ogół okazuje się, że są one skorelowane ze sobą. Założenie o stacjonarności drugiego rzędu, pozwala charakteryzować wartości zmiennych Z1 i Z2 za pomocą kowariancji krzyżowej (krosskowariancji) określanej jako [161, 174]: C12 (h ) = E{Z1 ( x ) ⋅ Z 2 ( x + h )}− m1m2 (22) C 21 (h ) = E{Z 2 (x ) ⋅ Z1 ( x + h )}− m1m2 (23) i oraz krossemiwariogramem definiowalnym jako: 1 2 γ 12 (h ) = γ 21 (h ) = E{[Z1 ( x + h ) − Z1 ( x )]⋅ [Z 2 ( x + h ) − Z 2 (x )]}, ∀x (24) gdzie m1 i m2 są wartościami oczekiwanymi E{Z1(x)} i E{Z2(x)}. Wtedy krossemiwariogram można zapisać następująco: 2γ 12 (h ) = 2γ 21 (h ) = 2C12 (0 ) − C12 (h ) − C 21 (h ) (25) Empiryczny krossemiwariogram − γ(h) dla odległości h obliczany jest z równania: γ 12 (h ) = 1 N (h ) ∑ [z1 (xi ) − z1 (xi + h)] ⋅ [z 2 (xi ) − z 2 (xi + h)] 2 N (h ) i =1 (26) gdzie N(h) oznacza liczbę par punktów o wartości [z1(xi), z1(xi+h)], [z2(xi), z2(xi+h)], odległych o h. Obliczanie krossemivariogramu nie wymaga równej liczebności danych dla z1 i z2. Podobnie jak w semiwariogramie, tak i w krossemiwariogramie, wyróżnia się trzy podstawowe parametry: – samorodek, – próg, i – zakres korelacji. Dla krosssemiwariogramu, również dopasowuje się modelowe funkcje matematyczne, i określa dopasowanie krossemiwariogramów empirycznych z obliczeniowymi. Otrzymane funkcje semi- i kross-semiwariogramów wykorzystuje się do przestrzenno-czasowej analizy autokorelacji, lub do wizualizowania zmiennej regiona- WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 19 lizowanej przez estymację, np. metodą krigingu lub kokrigingu w przestrzeni [35, 45,109]. Semiwariogramy wyodrębnianie trendów, określanie wariancji i kowariancji, korelacji i koherencji, to tylko metody statystycznego ustalania zmienności i relacji między zmiennymi. W przetwarzaniu danych naziemnych stosuje się je na zbiorach danych mało licznych, i pewnie dlatego trudno jest o wyniki o znaczeniu rozszerzonym na duże obszary. Przy przetwarzaniu danych satelitarnych, te zbiory są bardzo liczne, masowe. Jedno zdjęcie ENVISAT-ASAR [37] o powierzchni ok. 80×110 km wypełnia archiwum o objętości 150-250 MB. Archiwum obserwacji naziemnych z jednej kampanii, rzadko przekracza 1 MB. Skupienie uwagi na statystycznej ocenie danych mało licznych, prowadzi do zajmowania się nimi szczegółowo, nawet pojedynczymi próbkami. Wyniki trzeba weryfikować na poziomie detalicznym, co jest to możliwe w wycinkach, prostych semiwariogramach, czy parametrach rozkładu, bo zbiory są mało liczne. Takie postępowanie staje się jednak zawodne gdy trzeba weryfikować poprawność wydzielania trendów, klasterów, albo skuteczność metod filtracji, bo zbiory są mało liczne. Inaczej jest ze zbiorami wielkimi. W nich też można prowadzić oceny statystyczne szczegółowe, powtarzając je na różnych wycinkach, albo weryfikując w różnych zasięgach. Oceny stają się bardziej konsekwentne, bo jest na to dość materiału danych. Można też prowadzić je kompleksowo. Badanie semiwariogramów, ustępuje wtedy badaniom faktur i tekstur. Daje wnioski podobne ale oparte już na mocniejszych podstawach. Podobnie jest z ocenami różnych metod filtracji. Nieliczne próbki nie dają możliwości oceny skuteczności filtracji i ich efektów pasożytniczych, z powodu niedostatku próbek. W danych mało licznych brak jest wielu możliwych kontekstów próbek. Nie ujawniają się wtedy różne efekty przesuwania wartości oczekiwanych (bias, offset, aliasing). Postępowania kompleksowe w przetwarzaniu danych liczniejszych, okazują się skuteczniejsze. Przy współczesnej technice komputerowej, nawet operowanie ogromnymi zbiorami jest szybsze, bo ciężar nadzorowania przetwarzania, przenosi się na weryfikację procedur zasadniczych. Wysoko zaawansowane narzędzia programowe dla interpretacji danych satelitarnych, posługują się procedurami już potwierdzonymi w rutynowych testach walidacyjnych. Tych narzędzi nie da się jednak przenosić na zastosowania dla danych mało licznych. Cele przetwarzania są wprawdzie statystycznie podobne, a nawet te same, przy opracowywaniu danych naziemnych i satelitarnych ale zasoby różnią się liczebnością o wiele rzędów wielkości. Można z nich jednak wynosić korzyści, przynajmniej w postaci sformułowania statystycznych celów, i uporządkowania koncepcji przetwarzania statystycznego. Praktyczne korzyści z posługiwania się danymi masowymi, polegają również na wdrażaniu celowego posługiwania się strukturą danych, przez wykorzystywanie meta-danych i języków do ich formułowania. W przypadku danych naziemnych 20 B. USOWICZ, W. MARCZEWSKI I IN… stosuje się formaty i metody proste, bo metody zaawansowane sprowadzają się do przypadków trywialnych. Współczesne narzędzia geostatystyki i systemy ich wykorzystania (GIS), rozwinęły się w takich właśnie kierunkach, które udostępniają zaawansowane metody przetwarzania, w dziedzinach badań naziemnych mających niewiele wspólnego ze specyfiką technik i obserwacji zdalnych z kosmosu. Przykładem mogą być numeryczne modele elewacji DEM. Współcześnie są one podstawą współczesnej kartografii, niezależnie od tego skąd – z jakiej techniki pochodzą. Po prostu wypracowano standardy strukturalne zbiorów danych DEM, i już nie można z nich nie korzystać. Te standardy powstały pod wymagania obsługi masowych zbiorów danych, lecz mogą i powinny służyć takiemu strukturyzowaniu danych naziemnych. Praktycznie w każdej dziedzinie badań naziemnych, powinno dochodzić do konfrontowania wyników, z danymi obserwacji zdalnych. Do tego trzeba wspólnej platformy i tych samych narzędzi przetwarzania, nawet jeśli znaczenie zmiennych obserwowanych jest drastycznie różne, np. tak jak temperatura jasności BT (Brightness Temperature [K]), wg prawa ciała czarnego Plancka, i wilgotność gleby SM (Soil Moisture, w mierze objętościowej m3 m–3). BT jest miarą [14, 137] właściwą w radioastronomii, SM zaś miarą fizyczną pospolitą stosowaną powszechnie w agrofizyce. Agrofizyka nie wykorzystuje BT, ale współczesne techniki badań środowiskowych są na to przygotowane. Techniki obserwacji zdalnych z orbity, stosują powszechnie takie wskaźniki miar wegetacyjnych jak LAI, NDVI, fAPAR, LAIxCab [4, 38], ale te same miary w obserwacjach naziemnych bezpośrednich są stosowane dużo rzadziej. Większość takich miar ma podstawę w analizie spektralnej promieniowania, lecz w agrofizyce analizę spektralną stosuje się niezmiernie rzadko, chyba tylko tam gdzie wykorzystuje się dane z obserwacji satelitarnych. Praktyka zaspakajania potrzeb ważnych – lokalnie, nie zmusza jeszcze do sięgania po „specyficzne techniki kosmiczne”. Wdrażanie zastosowań danych satelitarnych ma swoje skutki nie tylko w aspekcie statystycznym, lecz i fizycznym. Współczesne sposoby charakteryzowania środowisk polegają na określaniu indeksów wegetacyjnych, wyrażających bezpośrednie relacje – fizyczne i statystyczne, w miarach absolutnych lub uniwersalnych. Wszelkie obserwacje fizyczne, są możliwe tylko poprzez zaangażowanie wymiany energii pomiędzy instrumentem obserwacyjnym a obiektem obserwowanym. Ale również wszystkie procesy – fizyczne zachodzą w warunkach ich napędzania energią wymienianą pomiędzy środowiskami. Wszystkie procesy chemiczne, i biologiczne w środowisku przyrodniczym zachodzą przy udziale energii i zaangażowaniu jej nośników, z których na Ziemi najważniejsza jest – woda. Specyfiką współczesnych badań środowisk przyrodniczych jest to, że następuje kompleksowa fuzja wiedzy dla wypracowywania metod badawczych w aspektach: WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 21 – fizycznym, – chemicznym, – biologicznym, i niemal każdym innym, z pełnego zakresu nauk fizyczno-matematycznych, i nauk o Ziemi. Narzędzia dla tych metod, komplikują się, ale i standaryzują w zakresie wyboru możliwych zmiennych obserwacyjnych. NDVI, LAI, fAPAR można mierzyć i z kosmosu, i z Ziemi. Środki techniczne będą bardzo różne na pokładzie satelity, i w ręku badacza w terenie. Sposoby przetwarzania danych – też, z wyjątkiem zaangażowania zasady analizy spektralnej. Same indeksy LAI, fAPAR, mimo że w miarach niemianowanych, i wyprowadzane z prostych definicyjnych założeń, jak np. geometryczna definicja LAI, są jednak rozwiązaniem równania transferu energii w środowisku, spełniającym powszechne prawo zachowania energii. Mają więc bardzo mocne podstawy fizyczne, na tyle na ile stosowane ich modele zostały zweryfikowane. Są również i inne zasady uniwersalne, zaczerpnięte z matematyki, które przenikają na wskroś praktyczne metody postępowania z danymi (niezależnie od ich liczebności) z różnych dziedzin nauki, jak np. zasady i sposoby normalizacji. Dane rzeczywiste z obserwacji, mogą charakteryzować się rozpiętością poza granicami dziedziny pomiaru, usprawiedliwionej zasadą wykorzystywanych instrumentów a powodowane rozmaitością warunków, błędów i zakłóceń pracy techniki. Np. wtedy gdy przychodzi analizować zmienne z zakresu niemal od + do – nieskończoności. Takim przykładem są np. zdjęcia obserwacji zdalnych w różnych warunkach oświetlenia, mimo że zakres zmienności wartości pikseli jest ograniczony, a nie nieskończony. Można je standaryzować tak jak w definicji podstawowej, gdzie odnosi się do siebie relacje między kanałami R („red”) i IR („infrared”) wg zasady stosunku różnicy do sumy NDVI=(R – IR)/(R + IR). Nawet nieskończony zakres zmienności kanałów R i IR, zostaje sprowadzany do zakresu znormalizowanego [– 1, +1]. Ta zasada normalizacji może być wykorzystywana przy porównywaniu innych zmiennych, nawet bez związku z kanałami spektralnymi, i jest często wykorzystywana w modelach zmienności. Ona też ma bardzo mocne uzasadnienie w ustalaniu relacji, nie tylko dwóch zmiennych, znane i daleko rozwinięte w algebrze, w ogólnym zagadnieniu wartości i wektorów własnych. Jest ona np. obecna w analizie polaryzacyjnej odbicia radarowego przy pomocy 4-ro elementowego wektora Stokesa, którego dwa pierwsze i najważniejsze wyrazy są sumami i różnicami komponentów hermitowskich. Analiza polaryzacyjna, w zakresie wykorzystania tych dwóch wyrazów odpowiada polaryzacyjnej analizie intensywności echa radarowego, i nie ma nic wspólnego ze „specyfiką spektralną” jaką ma definicja NDVI. Podobnych przykładów zasad i sposobów unifikujących, stosowanych w przetwarzaniu danych z obserwacji satelitarnych, jest wiele. Mają one niezwykle duże znaczenie dla innych dziedzin niż obserwacje satelitarne, o ile tylko zostaną docenione w swojej skuteczności. Można je czerpać bezpośrednio z wiedzy matematycznej, bez pośrednictwa znajomości technik obserwacji satelitarnych. Tak jednak składa się, że w tych technikach zastosowano je bardzo skutecznie, i z tych zastosowań można wynieść przekonanie, że zdalne badania Ziemi z satelitów mogą 22 B. USOWICZ, W. MARCZEWSKI I IN… bardzo wiele wnieść do badań bezpośrednich na Ziemi, nie tylko przez wyniki obserwacji ale i przez propagację zasad postępowania w przetwarzaniu danych, na poziomie podstawowym. Specyfika obserwacji zdalnych jest ograniczona do szczegółów technicznych, i do wykorzystywanych zmiennych podporządkowanych zasadom fizycznym działania instrumentów. Każdy pomiar realizuje się jednak fizycznie, i stąd musi wynikać wniosek, że środki charakteryzowania środowisk przyrodniczych, w rozumieniu zmiennych mierzonych (i regionalizowanych) mogą korzystnie przyjmować doświadczenie z dziedziny obserwacji zdalnych. Pospolite jest przekonanie, że współczesne techniki satelitarne dominują nad metodami badań naziemnych skutecznością. Mniej pospolite jest przekonanie, że dostępność instrumentów i danych satelitarnych jest jednak ograniczona. Np. trudno jest o uzyskiwanie udanych zdjęć satelitarnych swojego terenu – co tydzień przez rok. Przyczyna leży nie tylko w zmienności warunków zachmurzenia, lecz i w zasadach ruchu orbitalnego. Logistyczne ograniczenia dostępności zdjęć satelitarnych, i fundamentalna potrzeba walidowania obserwacji zdalnych badaniami naziemnymi, czynią badania naziemne potrzebnymi technikom satelitarnym. Wariancje, semiwariancje, korelacje, nie mówiąc już o koherencji są w obu dziedzinach jednakowo ważne lecz wyniki zależą od tego jakim wnioskom końcowym mają służyć. Na Ziemi trudno o wygenerowanie obrazu zmienności przestrzennej i czasowej, i pozostają oceny na skończonych, krótkich transektach lub w wycinkach obszarów nie łatwo poddających się rozszerzeniom. Bariery liczebności danych nie można pokonywać ekstensywnym nakładem pracy na Ziemi. Można jednak zmieniać cele interpretacji naziemnych tak, aby korespondowały one z celami obserwacji zdalnych i otwierały się możliwości sięgania po dane rozszerzające interpretacje naziemne na większe skale, w czasie i przestrzeni. Kriging Przestrzenne rozkłady cech środowiska przyrodniczego w badaniach naziemnych otrzymywane są z pomiarów punktowych, gdyż nie jesteśmy w stanie dokonać pomiarów we wszystkich punktach badanego obszaru. Otrzymanie jak najbardziej wiarygodnych przestrzennych rozkładów badanych cech wymaga użycia metod, które wykorzystują informację o przestrzennej zależności z jednej strony i minimalizują błąd szacowania w miejscach gdzie nie zostały pobrane próbki z drugiej strony. Szacowanie wartości w miejscach gdzie nie pobrano prób może być prowadzone za pomocą metody estymacji zwanej metodą krigingu. Metoda ta daje najlepsze nieobciążone oszacowanie wartości punktowych lub blokowych badanej zmiennej regionalizowanej Z(x). Otrzymujemy również za pomocą tej metody minimalną wariancję podczas procesu estymacji. Wartości wariancji krigingu zależą WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 23 od położenia próbek względem szacowanej lokalizacji, od wag przypisanych próbkom oraz od parametrów modelu semiwariogramu. Estymatorem krigingu jest równanie liniowe wyrażone wzorem [161]: N z • ( x o ) = ∑ λ i z ( xi ) (27) i =1 gdzie N jest liczbą pomiarów, z(xi) – zmierzona wartość w punkcie xi, z*(xo) – wartość estymowana w punkcie estymacji xo, λi – wagi. Jeśli z(xi) jest realizacją funkcji losowej Z(xi) to estymator funkcji losowej można zapisać jako: N Z • ( x o ) = ∑ λ i Z ( xi ) . (28) i =1 Wagi przydzielone próbkom są nazywane współczynnikami krigingu. Ich wartości zmieniają się odpowiednio do tego, jak zmienia się obraz opróbkowania i jak zachodzą przestrzenne zmiany wyrażone przez zmienną podlegającą szacowaniu. Przydzielone próbkom wagi są tak dobierane, że średniokwadratowy błąd jest minimalny. Błąd ten nazywany jest wariancją krigingu σk2 i może być obliczany dla każdego obrazu opróbkowania i konfiguracji obszaru estymacji. Zasadniczym problemem w określeniu funkcji losowej jest znalezienie wag λi. Wagi te są wyznaczane z układu równań po uwzględnieniu warunku nieobciążalności estymatora: { } E Z • ( xo ) − Z ( xo ) = 0 (29) i jego efektywności: σ k2 ( xo ) = Var{Z • (xo ) − Z ( xo )} = min . (30) Po podstawieniu estymatora średniej ważonej do wartości oczekiwanej otrzymujemy: { } E Z • ( xo ) − Z ( xo ) = ∑ λ i E{Z ( xi )} − E{Z ( xo )} = m∑ λ i − m =0 . i (31) i Jak widać z powyższego równania, wartość oczekiwana jest równa zero kiedy: N ∑λ i =1 i = 1. (32) 24 B. USOWICZ, W. MARCZEWSKI I IN… Natomiast podstawiając do wariancji estymator funkcji losowej można wykazać, że: σ k2 ( xo ) = ∑∑ λ i λ j C (xi , x j ) + C (0) − 2∑ λ i C ( xi , xo ) i j (33) i lub (poprzez semiwariancję): σ k2 (xo ) = −∑∑ λ i λ j γ (xi , x j ) + 2∑ λ i γ ( xi , xo ) . i j (34) i Minimalizacji wariancji można dokonać techniką Lagrangina, w których N równań różniczek cząstkowych jest równych zero: ⎡ ⎤ ∂ ⎢σ k2 ( xo ) − 2μ ∑ λ i ⎥ ⎣ i ∂λi ⎦ = 0, (35) gdzie μ oznacza mnożnik Lagrangina. Po zróżniczkowaniu i redukcji równania można dojść do rozwiązania: − 2∑ λ j γ (xi , x j ) + 2γ ( xi , xo ) − 2μ = 0 . (36) j Uwzględniając warunek na sumę wag krigingu otrzymamy układ równań: ⎧N ⎪∑ λ j γ (xi , x j ) + μ = γ ( xi , xo ) i = 1do N ⎪ j =1 ⎨N ⎪ λ =1 i ⎪⎩∑ i =1 (37) Rozwiązując powyższy układ równań wyznaczamy wagi krigingu – λi. Wagi te pozwalają wyznaczyć również estymowana funkcje losową Z* i jej wariancję ze wzoru: N σ k2 ( xo ) = μ + ∑ λ i γ ( xi , xo ) . i =1 (38) WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 25 Kokriging W miarę jednorodne obszary środowiska przyrodniczego mogą być opisywane za pomocą zmiennych odnoszących się do poszczególnych jego cech. Jednak często bywa, że środowisko przyrodnicze jest bardzo skomplikowane i nie poddaje się prostemu opisowi za pomocą zmiennych rozseparowanych, które odnoszą się do poszczególnych cech czy wielkości fizycznych tego środowiska. Jedną z metod, która pozwalają badać obiekty bardziej skomplikowane jest metoda kokrigingu. Kokriging stanowi specyficzną metodę analizy pól losowych [161, 173]. Polega na ustaleniu dla określonych parametrów glebowych Z1 i Z2 kowariancji i kowariancji wzajemnej oraz funkcji crossemiwariogramu. Główną zaletą opisywanej metody jest możliwość pośredniego odtworzenia przestrzennej zmienności cech glebowych, których pomiary są trudne i kosztowne, na drodze analizy pola innych parametrów glebowych, łatwiejszych do określenia za pomocą standardowych przyrządów pomiarowych lub też poprawiać estymację jednej z badanych zmiennych w oparciu o drugą zmienną. Szacowanie wartości w miejscach gdzie nie pobrano prób xo może być prowadzone za pomocą metody estymacji zwanej metodą kokrigingu. Matematyczną podstawę kokrigingu stanowi twierdzenie o liniowej zależności nieznanego estymatora Z2*(xo) wyrażonego wzorem [161, 173]: Z 2∗ ( xo ) = ∑ λ 1i Z1 ( x1i ) + ∑ λ 2i Z 2 (x2ij ), N1 N2 i =1 j =1 (39) gdzie λ1i i λ2j są wagami stowarzyszonymi z Z1 i Z2. N1 i N2 jest liczbą sąsiadów Z1 i Z2 włączonych do estymacji w punkcie xo. Wagi kokrigingu są wyznaczane z układu równań po uwzględnieniu warunku nieobciążalności estymatora: { } E Z 2* ( xo ) − Z 2 ( xo ) = 0 (40) i jego efektywności: σ k2 (xo ) = Var {Z 2* (xo ) − Z 2 ( xo )} = min . (41) Podstawiając estymator średniej ważonej do wartości oczekiwanej otrzymujemy: { } E Z 2* ( xo ) − Z 2 ( xo ) = ∑ λ 1i E{Z1 ( x1i )}+ ∑ λ 2i E {Z 2 (x2ij )}− E{Z 2 ( xo )} N1 N2 i =1 j =1 = m1 ∑ λ1i + m2 ∑ λ2 j − m2 =0 i j . (42) B. USOWICZ, W. MARCZEWSKI I IN… 26 Z powyższego równania widać, że wartość oczekiwana jest równa zero, kiedy: N1 ∑ λ 1i = 0 i i =1 N2 ∑λ j =1 2j =1 (43) Po podstawieniu do wariancji estymatora otrzymamy: σ ck2 ( xo ) = E {Z 2*2 ( xo )}+ E {Z 22 ( xo )}− 2 E {Z 2* ( xo )Z 2 ( xo )} (44) podstawiając do wariancji estymator funkcji losowej można wykazać, że [173]: σ ck2 ( xo ) = ∑∑ λ 1i λ 1k C11 ( x1i , x1k ) + ∑∑ λ 1i λ 2l C12 ( x1i , x2l ) i k i l + ∑∑ λ 2 j λ 1k C21 (x2 j , x1k ) + ∑∑ λ 2 j λ 2l C22 (x2 j , x2l ) j k j (45) l − 2∑ λ 1k C21 ( xo , x1k ) − 2∑ λ 2l C 22 ( xo , x2l ) + C22 (0 ) k l Minimalizacji wariancji można dokonać techniką Lagrangina, w których N1 i N2 równań różniczek cząstkowych jest równych zero: ⎤ ⎡ ∂ ⎢σ ck2 ( xo ) − 2μ 2 ∑ λ 2l ⎥ ⎣ l ∂ λ 2l ⎦ = 0, (46) i ⎤ ⎡ ∂ ⎢σ ck2 ( xo ) − 2μ1 ∑ λ 1k ⎥ ⎣ k ∂ λ 1k ⎦ = 0, (47) gdzie μ1 i μ1 są mnożnikami Lagrangina. Po zróżniczkowaniu i redukcji równania oraz uwzględniając warunek na sumę wag kokrigingu otrzymamy układ równań [173]: WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... N2 ⎧ N1 ⎪∑ λ 1i C11 ( x1i , x1k ) + ∑ λ 2 j C12 (x1k , x2 j ) − μ1 = C21 ( xo , x1k ) j =1 ⎪ i =1 N2 ⎪ N1 ⎪∑ λ 1i C 21 ( x2l , x1i ) + ∑ λ 2 j C22 (x2 j , x2l ) − μ 2 = C22 ( xo , x2l ) ⎪ i =1 j =1 ⎨ N1 ⎪ λ =0 1i ⎪∑ i =1 ⎪N ⎪ 2 ⎪∑ λ 2 j = 1 ⎩ j =1 27 k = 1, N1 l = 1, N 2 (48) Rozwiązując układ powyższy równań wyznaczamy wagi kokrigingu – λi. Wagi te pozwalają wyznaczyć również estymowana funkcje losową Z2* i jej wariancję ze wzoru [173]: σ ck2 (xo ) = C 22 (0 ) + μ − ∑ λ 1i C 21 (xo , x1i ) − ∑ λ 2 j C 22 (x2 j , xo ) . N1 N2 i =1 j =1 (49) Wymiar fraktalny Występujące w różnych skalach w środowisku przyrodniczym obiekty (zmienne) wykazują bardzo duże podobieństwo jeden do drugiego [1, 2, 17, 91]. Przestrzenne rozkłady otrzymywane podczas pomiarów ujawniają się w postaci nieregularnych płaszczyzn, które często są do siebie podobne w różnych skalach. Te nieregularności (chaos) można traktować w dwojaki sposób: raz jako odchylenie od stanu idealnego – klasyczne podejście statystyczne, drugi raz jako nieuporządkowany przebieg, powiązany wewnętrznie nierozerwalnymi cechami. Badając taki nieuporządkowany rozkład można otrzymać pożyteczne informacje nie tylko o samym rozkładzie, ale i badanym obiekcie, z którego ten dane pochodziły. Niezależnie od skali pomiarowej tego typu rozkłady, przebiegi mogą być analizowane poprzez semiwariogramy. Stwierdzenie to wynika bezpośrednio z założeń geostatystyki. Innym pożytecznym narzędziem wykorzystywanym w analizie nieregularności może być teoria fraktali, która to z definicji zajmuje się właśnie takimi obiektami. Dotychczasowe badania wskazują, że nie ma bezpośrednich metod wyznaczania czy też szacowania fraktalności rzeczywistych obiektów. Poszukuje się więc takich 28 B. USOWICZ, W. MARCZEWSKI I IN… właściwości obiektów, które mogą zawierać w swej strukturze cechy fraktali naturalnych lub też te, które mogą być wiązane z definicją fraktali [9, 10, 16]. W ostatnich latach analizę fraktalną wykorzystywano nie tylko do opisu geometrii materiałów, ale także do badania zmienności przestrzennej właściwości ośrodka porowatego, między innymi: składu granulometrycznego, elektrycznej konduktywności, oporu penetrometrycznego, gęstości, zawartości różnych soli w glebie czy wpływu frakcji koloidalnej na erozję gleby [1, 2, 8, 18]. Wymiar fraktalny wyznaczano poprzez współczynnik nachylenia semiwariogramu wykreślonego w logarytmicznym układzie współrzędnych. Wymiar fraktalny D określano na bazie semiwariogramu ze wzoru [16, 17, 45]: H D = 2− , (50) 2 gdzie H jest nachyleniem prostej semiwariogramu, wykreślanego w logarytmicznym układzie współrzędnych. Metody krigingu i kokrigingu, omówiono powyżej jako przykład narzędzia często wykorzystywanego w przetwarzaniu danych naziemnych. Jest długa tradycja historyczna ich wykorzystywania np. w kartografii. Jednocześnie, są to metody stale rozwijane, z powodu potrzeby radzenia sobie z danymi o ograniczonej liczebności, zwłaszcza w obserwacjach bezpośrednich. W dziedzinie obserwacji zdalnych, stosuje się metody bardziej kompleksowe, prowadzące do klasyfikacji klasterów, w tym również z uwzględnianiem wymiaru fraktalnego. Szczególną problematyką w analizie zdjęć satelitarnych, jest wykorzystanie charakterystyki tekstury jako cechy kompleksowo ujmującej ziarnistą budowę zwartych obszarów reprezentowanych danymi. Tekstura oznacza pewien wzór wypełnienia, zachowujący zasadę cykliczności lub powtarzania pewnych jego elementów z zależnościami pomiędzy próbkami. Tekstura określa rozwijanie wzoru nie tylko w płaszczyźnie obrazu 2-wymiarowego, ale i w innych wymiarach, pomiędzy więcej niż dwiema zmiennymi obserwowanymi. Jest to typ zasady powtarzania wzoru w kilku wymiarach lub aspektach. Wymiar fraktalny może dobrze służyć determinowaniu tekstury matematycznie. Potoczne rozumienie tekstury jest jednak na ogół nie precyzyjne. Tekstura wynika również z występowania samorodków w semiwariogramie. Jest szereg narzędzi rozwiniętych dla przetwarzania zdjęć satelitarnych, które służą do wydobywania lub redukcji tekstury. Należą do nich filtry adaptatywne, i zaawansowane metody klasyfikacji klasterujących. Na ogół efektem postępowania bywa obraz 2-wymiarowy, lub mapa. Obraz może być jednak rezultatem zależności między zmiennymi obserwowanymi, niekoniecznie w dziedzinie zmiennych przestrzennych określających obraz na płaszczyźnie. Celem analizy mogą być nie tylko obrazy potrzebne dla rozróżnień i charakterystyk obiektów, ale miary ilościowe, i obszarowe – charakteryzujące np. różnorodność pokrywy roślinnej, albo WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 29 całkowitą zawartość obserwowanej wody w obszarze, bez potrzeby rozpoznawania obiektów. Obiekty mogą być rozpoznawane z innego oglądu (innych zdjęć) albo z innej wiedzy bezpośredniej. Natomiast statystyczna ocena zawartości komponentów może być istotna bez potrzeby identyfikacji detali. Przy takim podejściu, często okazuje się, że ocena bywa niepewna w miarach absolutnych i nie ma dobrych sposobów na usunięcie tej niepewności, ani w zakresie technik satelitarnych ani naziemnych. Ograniczone zdolności obserwacji zdalnych, ujawniają się inaczej niż brak wysoko rozdzielczych szczegółów. Wiele wskazuje na to, że obserwacje wilgotności gleb (SM) przez SMOS, nawet jeśli precyzyjne radiometrycznie, dadzą niepewną ocenę zawartości wody, w mierze objętości wody lub jej masy, na całym pikselu w obszarze widzenia. SMOS reaguje na promieniowanie warstwy gleby nienasyconej wodą, ale o grubości ograniczonej do głębokości przenikania fali – 5, może 10 cm, a może nawet kilku mm zależnie od wartości wody. Środowisko przyrodnicze, rodzaje gleb, i ich pokrycie są bardzo różnorodne. Głębokość optyczna, odpowiadająca głębokości wnikania fali, będzie ewentualnie znana w miejscach pomiaru naziemnego (na ile taki pomiar jest celowy i możliwy!). Częściej, głębokość optyczna pozostanie oszacowaniem pomocniczym, znanym tylko z założonych (i walidowanych) wartości głębokości optycznych różnych klas gleb i pokrycia, jakich użyto w modelu dla przetwarzania temperatury jasności BT na wilgotność SM. Z pewnością będą miejsca o dużej wilgotności, za całą głębokość wnikania, która pozostanie niewielka z powodu wilgotności powierzchniowej, podczas gdy warstwy głębsze będą nasycone wodą mniej, a tego w tych miejscach nie okreslano, tak jak nie określano budowy i składu gleby. Nie można zmierzyć i scharakteryzować wszystkich własności we wszystkich miejscach na obszarze obserwowanym. Pozostaje integrujący efekt działania modeli emisyjności, użytych do konwersji BT na SM. Takie modele zebrano dla programu Cal/Val SMOS w kompleksowym modelu CMEM (Community Microwave Emission Model) [24]. Te właśnie modele mają być uzgadniane, walidowane, dla oprogramowania przetwarzającego dane SMOS z BT na SM. Wynik musi być obciążony błędem zależnym od niejednorodności środowiska. Nie będzie ostrej determinacji, na jaką głębokość gleby w obszarze jednego piksela, należy szacować ilość wody na jednostkę objętości gleby. Oszacowanie, jaką masę wody reprezentuje wartość piksela SMOS, pozostanie niepewnym. Taka sytuacja obserwacyjna, że miary absolutne są niepewne, występuje typowo w wielu dziedzinach. Redukcja tej niepewności, musi brać w rachubę różnorodność własności głębokości optycznej, związną z różnorodnością pokrycia i różnorodnością własności fizycznych gleb. Można prowadzić oszacowanie za jedną i tę samą głębokość optyczną np. 5 cm, albo 10 cm, w całym obszarze, otrzymując za każdym razem inną wartość ilości wody w mierze masy. Można wagować głębokość optyczną według klas własności, klasterów, etc., ale po to prowadzi się pomiar zdalny aby uwolnić się od potrzeby rozróżniania elementów niejednorodności. Koncepcja 30 B. USOWICZ, W. MARCZEWSKI I IN… wymiaru fraktalnego i określania tekstury obszaru, może okazać się pomocna w minimalizowaniu tej niepewności szacunku. Jest jednak i taka okoliczność, że własności pokrycia terenu i różnorodność terenu obserwowanego będą zawierać elementy stałe, przynajmniej od zdjęcia do zdjęcia. Tzn., że różnorodność będzie się zmieniała wolno od przelotu do przelotu satelity, przynajmniej w części wolno zmiennego składnika błędu. W takim razie, może okazać się że pewniejsze są nie tyle miary absolutne masy wody, co miary przyrostowe między oszacowaniami – od przelotu do przelotu. Pewniejsze okażą się oceny, oznaczające jaka masa wody przybyła lub ubyła sumarycznie z pola widzenia między przelotami. Taki jest cel obserwacji SMOS, który ma dostarczyć dane o tempie wymiany wody między lądami a atmosferą. Ta wymiana jest determinowana i napływem/odpływem wody, przy jego napędzaniu motorycznym z ruchu mas atmosferycznych, i z wymiany energii związanej z własnościami termicznymi gleby, w cyklicznie zmieniających się warunkach nasłonecznienia. Trzeba podkreślić, że ta cykliczność będzie próbkowana przez SMOS raz na trzy dni, w przelocie wg orbity zstępującej, przy przejściu przez równik o godzinie około 6:00, czasu lokalnego. Orbity od przelotu do przelotu, w miejscu rewizytowanym, mają pokrywać danymi całą Ziemię w czasie trzech dni. Cykl 3-dniowy może być śledzony w środowisku na miejscu tylko ze stacji obserwacyjnych na Ziemi. Ta informacja ma podkreślać wagę obu aspektów danych, przestrzennego i temporalnego. Wyznaczanie właściwości cieplnych gleby Podział energii na powierzchni czynnej w dużej części determinowany jest przez właściwości cieplne gleby: pojemność cieplną i przewodnictwo cieplne gleby [72, 107]. Decydują one o strumieniu przepływającego ciepła w profilu glebowym [154]. Jak pokazano w wielu pracach, że istotny wpływ na cieplne właściwości ma skład mineralogiczny gleby, zawartość wody w glebie, zawartość materii organicznej i gęstość ośrodka [3, 27, 58, 70, 79, 102, 103, 123, 150]. Temperatura gleby, wilgotność powietrza glebowego i ciśnienie mają mniejszy wpływ na cieplne właściwości gleby [58]. W glebie występuje duża zmienność wielkości fizycznych i duża zmienność przestrzenna cech składników ośrodka. Powoduje to, że bezpośrednie pomiary cieplnych właściwości w takim ośrodku są nadal trudne, czasochłonne i kosztowne [104]. Wyznaczania cieplnych właściwości metodami, które wykorzystałby te właściwości i wielkości fizyczne, które niewiele zmieniają się w czasie w danym obszarze, są dostępne z literatury, map czy z baz danych, stacji meteorologicznych, jak i tych, które są łatwo mierzalne wydaje się być uzasadnione [12,28-30, 64, 99, 132, 134, 139, 140, 159]. Cechą gleby, która niewiele zmienia się w czasie jest jej skład granulometryczny, skład mineralogiczny, gęstość fazy stałej czy zawartość materii organicznej. Ta ostatnia wielkość w mniejszym WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 31 stopniu jest niezmienna w czasie niż pozostałe składniki. Temperatura gleby i powietrza, wilgotności gleby, ciśnienie i wilgotność powietrza wykazują dużą zmienność, są one jednak łatwe do mierzenia za pomocą automatycznych systemów pomiarowych [107]. Gęstość gleby, która istotnie wpływa na właściwości cieplne gleby, jest dość uciążliwa do wyznaczania. Zatem, musi być ona wyznaczana w sposób optymalny, tj. poprzez pobranie minimalnej liczby próbek z określonego pola. Minimalną liczebność przy określonym błędzie szacowania gęstości można określać za pomocą metod geostatystycznych [161]. Proces przenoszenia energii cieplnej w ośrodku stałym, płynnym i gazowym jest procesem podlegającym prawom prawdopodobieństwa, który wynika bezpośrednio z prawa Fouriera. Proces ten jest bardzo skomplikowany. Energia wprowadzona z jednego końca próbki nie przepływa wprost po linii prostej do drugiego końca, lecz cząstki drgając wokół stanu równowagi ulegają licznym zderzeniom między sobą przekazując energię sąsiadom. Ta skomplikowana forma przepływu powoduje to, że w wyrażeniu na strumień ciepła występuje gradient temperatury. Prawo przewodzenia ciepła – prawo Fourier – w ośrodku porowatym w warunkach stanu ustalonego mówi nam, że gęstość strumienia cieplnego q (W m–2) dla jednorodnego i izotropowego ośrodka, jest proporcjonalna do gradientu temperatury ∂T/∂z (K m–1) mierzonego wzdłuż kierunku przepływu ciepła: q=− λ ∂T . ∂z (51) Współczynnik proporcjonalności λ (W m–1 K–1) nosi nazwę współczynnika przewodnictwa cieplnego i charakteryzuje on dany ośrodek pod względem zdolności do przewodzenia ciepła. Model statystyczno-fizyczny przewodnictwa cieplnego gleby, który będzie użyty w tej pracy do szacowania przewodnictwa, zbudowano na bazie pojęć oporu cieplnego (prawo Ohma i prawo Fourier), dwóch praw Kirchhoffa i rozkładu wielomianowego. Skonstruowano go tak, że jednostkową objętość gleby (Rys.2a) składającą się z cząstek stałych, wody i powietrza przedstawiono jako układ zbudowany z elementarnych figur geometrycznych (przyjęto kule z określonymi właściwościami fizycznymi), które tworzą warstwy nakładające się na siebie (Rys. 2b). Przyjęto, że połączenia kul w warstwie i między warstwami będą reprezentowane przez połączenia równoległe oporników cieplnych, jakie przedstawiają kule w warstwie i połączenia szeregowe między warstwami (Rys. 2c) [150]. B. USOWICZ, W. MARCZEWSKI I IN… 32 a) A c) b) i=u .... i=u-1 .... λ l .... .... .... .... .... i=2 i=1 j=1 .... j=n-1 j=n Rys. 2. Schemat konstrukcji modelu przewodnictwa cieplnego gleby, a) jednostkowa objętość gleby, b) układ składający się z kul, które tworzą warstwy nakładające się na siebie, c) połączenia równoległe w warstwie i szeregowe między warstwami [150]. Porównanie wypadkowej oporności układu oporników połączonych równolegle i szeregowo, która uwzględnia wszystkie możliwe konfiguracje połączeń cząstek ze średnią opornością cieplną odnoszącą się do jednostkowej objętości gleby, pozwala oszacować przewodnictwo cieplne gleby. Wartości współczynnika przewodnictwa cieplnego gleby (przewodności) – λ (W m–1 K–1) obliczano również stosując model statystyczno-fizyczny opisany równaniami [150, 152]: λ= L u∑ j =1 4π P ( x1 j ,..., x kj ) (52) x1 j λ 1 (T )r1 + ... + x kj λ k (T )rk gdzie: u – liczba połączeń równoległych cząstek gleby traktowanych jako oporniki cieplne, L jest liczbą wszystkich możliwych kombinacji ułożenia cząstek, x1, x2 ,..., xk – liczba cząstek poszczególnych składników ośrodka o przewodnictwie cieplnym λ1, λ2 ,..., λk(T – temperatura) i promieniach cząsteczek r1, r2 ,..., rk, przy k czym: ∑ xij = u , j=1,2,...,L, P(xij) – prawdopodobieństwo zaistnienia danej konfii =1 guracji cząstek. Spełniony musi być też warunek: ∑ P(X = x j )= 1 . L j =1 P ( x1 j ,..., x kj ) = u! x1! j ...x !kj x x f1 1 j ... f k kj (53) WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 33 P(xij) – podaje prawdopodobieństwo tego, że w u niezależnych próbach uzyskamy dokładnie xij wyników typu j, jeśli prawdopodobieństwo wyniku i w pojedynczej próbie wynosi fi , i = 1, 2, ..., k, ! – silnia. W tym przypadku f1, f2, ..., fk (m3 m–3), są to zawartości poszczególnych minerałów, materii organicznej, wody, powietrza w jednostce objętości i są one traktowane jako prawdopodobieństwa uzyskania wyniku typu i w pojedynczej próbie. Dotychczasowe badania wykazały, że do obliczeń przewodnictwa cieplnego gleby można używać przewodnictwa cieplne głównych jej składników [150, 151]. Wyróżniono pięć głównych składników gleby: kwarc, inne minerały, materia organiczna, woda i powietrze. Wartości przewodnictwa cieplnego i ich zależności od temperatury zestawiono w tabeli 1. Tabela 1. Wartości i wyrażenia używane przy obliczaniu przewodnictwa cieplnego gleby, (T – temperatura w oC) Źródło a Parametry b Wyrażenie, wartość b –1 –1 9,103 – 0,028 T λq, W m K 2 2,93 λmi, W m–1 K–1 2 0,251 λo, W m–1 K–1 1 λw, W m–1 K–1 0,552 + 2,34⋅10–3 T – 1,1⋅10–5 T2 –1 –1 1 0,0237 + 0,000064 T λa, W m K a 1. [71]; 2. [27], b przewodnictwo cieplne: kwarcu, λq, innych minerałów, λmi, materii organicznej, λo, wody lub roztworu, λw, powietrza, λa. Parametry modelu zostały określone wcześniej na bazie empirycznych danych [150, 151]. Stopnie swobody u charakteryzujące liczbę połączeń równoległych oporników cieplnych w funkcji nasycenia gleby wodą θv/φ przedstawiono na (Rys. 3), gdzie θv(m3 m–3) − wilgotność gleby, φ(m3 m–3) − porowatość. Ekwiwalentny promień kul rk(m) dla wszystkich składników gleby określano ze wzoru [150]: rk = 0,036 f o + 0,044 (54) gdzie: fo(m3 m–3) – oznacza zawartość materii organicznej w jednostce objętości. Promień ten wzrastał wraz ze wzrostem zawartości materii organicznej w glebie, maksymalnie do wartości 0,08. B. USOWICZ, W. MARCZEWSKI I IN… 34 14 12 10 u 8 6 4 2 0 0 0.2 0.4 0.6 0.8 Nasycenie wodą - Water saturation (θv /φ ) 1 Rys. 3. Liczba równoległych połączeń oporników cieplnych (u) w funkcji nasycenia gleby (θv/φ)). Skokowe przejście wartości u w funkcji nasycenia gleby wodą, θv/φ powoduje też skokowy wzrost obliczanych wartości przewodnictwa cieplnego gleby, przez co wzrasta błąd oszacowania przewodnictwa. Chcąc uniknąć takiego przejścia i zmniejszyć ten błąd zaproponowano procedurę, która pozwala wyznaczać przewodnictwo cieplne w danym zakresie dowolnego przedziału nasycenia gleby poprzez liniową interpolację przewodnictwa w tym przedziale. Procedura polegała na tym, że wyznaczano przewodnictwo cieplne ośrodka z ogólnego wzoru na przewodnictwo cieplne (52) dla dwóch kolejnych wartości u i u+1 (Rys. 3) i odpowiadających im wartości wilgotności ośrodka, θv(u), θv(u+1), a następnie z równania liniowego podanego poniżej wyznaczano wartość przewodnictwa cieplnego dla szukanej wartości wilgotności ośrodka, θv: λ =λ (u ) + θ v − θ v (u ) (λ (u + 1) − λ (u )) . θ v (u + 1) − θ v (u ) (55) Zgodność modelowanych i zmierzonych danych określano za pomocą średniego błędu kwadratowego (σb) i maksymalnego błędu względnego (ηb): n σb = ∑ ( f mi − f ci )2 i =1 k , (56) gdzie fmi – wartość zmierzona, fci – wartość obliczona, k = n – 1 jeśli n < 30 i k = n jeśli n > 30, n – liczba danych. Maksymalny błąd względny wyliczano z równania: WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... ⎧⎪ f mi − f ci ⎫⎪ ⋅ 100%⎬ . f mi ⎪⎩ ⎪⎭ η b = max ⎨ i =1, 2,L, n 35 (57) Wyznaczono również równania regresji liniowej przewodnictwa cieplnego gleby oraz współczynniki determinacji R2. Wyznaczone z modelu przewodnictwo cieplne gleby zweryfikowano w oparciu o bezpośrednie pomiary. Porównano wyniki przewodnictwa cieplnego gleby obliczone z modelu i otrzymane z pomiarów dla piasku Fairbanks, iłu Healy, pyłu z Felina, torfu Fairbanks i gliny [151]. Zgodność wyników obliczonych ze zmierzonymi była bardzo dobra. Współczynniki kierunkowe równania regresji liniowej były bliskie jedności, natomiast czynniki stałe w równaniu były bliskie zeru. Współczynniki determinacji R2 były wysokie i wynosiły 0,948-0,994. Średnie błędy kwadratowe σ (W m–1 K–1) i maksymalne błędy względne η (%), zawierały się w przedziałach od 0,057 do 0,123 (W m–1 K–1) i od 12 do 38,3 %. Pojemność cieplną na jednostkę objętości – Cv (MJ m–3 K–1) obliczano używając empirycznej formuły podanej przez de Vries [27]: Cv = ( 2, 0 xs + 2,51xo + 4,19 xw ) ⋅106 (58) gdzie: xs , xo , xw (m3 m–3) – udział części mineralnej, organicznej i wody w jednostce objętości gleby. Dyfuzyjność cieplną α obliczano z ilorazu przewodnictwa cieplnego do pojemności cieplnej na jednostkę objętości: α= λ Cv . (59) Pomiary własności cieplnych gleb Pomiary własności cieplnych gleb, przeprowadzano w projekcie: – a) metodą tradycyjną – za pomocą płytek do pomiaru strumienia cieplnego w glebie, i – b) za pomocą – sond eksperymentalnych według opracowania CBK PAN dla DLR, Berlin, do eksperymentu kosmicznego MUPUS [88, 89, 129], w kometarnej misji ESA Roseta. Płytki strumieniomierzy, np. HFP01, znane są od dawna i dostępne komercyjnie z firmy Hukseflux, Campbell, i innych. Umożliwiają pomiar strumienia ciepła wpływającego do gleby, lub oddawanego przez glebę. Pomiar polega na kontrolowaniu napięcia stosu termopar, zawartego w płytce. Ten pomiar ma swoje wady polegające głównie na ograniczonej precyzji, zwłaszcza przy niskich strumieniach mocy. Znane są też takie warianty podobnych przyrządów, które zawierają mały grzejnik, dla kalibracji, ale umożliwiają też pomiar przewodności i dyfuzyjności. 36 B. USOWICZ, W. MARCZEWSKI I IN… Pomiar tych własności wymaga kontrolowanego dostarczenia mocy cieplnej do ośrodka. Płytki strumieniomierzy, wymagają jednak dobrego dopasowania ich własności cieplnych do własności ośrodka glebowego, i zwykle trzeba dysponować kilkoma wariantami płytek, dopasowanymi dyfuzyjnie do rodzaju gleb. Jednak metodą podstawową do pomiaru dyfuzyjności i przewodności cieplnych jest metoda liniowego źródła ciepła, zwana również metodą gorącego drutu. Metoda wywodzi się z klasycznego dzieła Carslaw i Jeagera [21], i ma kilka wariantów, specjalizowanych dla różnych zastosowań. Jednym z nich jest sonda TP01 dla badań glebowych, firmy Hukseflux. W pracy stosowano sondę według rozwiązania dla eksperymentu MUPUS [88], i programu aplikacyjnego EXTASE, wykonanego również dla DLR, Berlin. Pierwsze zastosowania tej sondy do pomiaru strumieni cieplnych w glebie, wykonano w IA PAN, w latach 2000-2002 r. [88], i najpierw wykazano jej zdolność do pomiaru małych natężeń strumieni ciepła w glebie, na Ziemi. Ta sonda jest jednak dedykowana głównie pomiarom własności przewodnictwa i dyfuzyjności cieplnych. Jej zaletą w zastosowaniach planetarnych ma być zdolność do mierzenia niskich dyfuzyjności i przewodności cieplnych. Sondy TP01, Hukseflux mają ograniczenie zastosowań dla przewodności cieplnych poniżej 0,1 (W m–1 K–1), a takie wartości dla gleb zdarzają się rzadko w warunkach glebowych na Ziemi. Gleby na Ziemi mają przewodności powyżej 0,1 (W m–1 K– 1 ), nawet do 4 (W m–1 K–1). Współpraca IA PAN z CBK PAN w zakresie pomiaru przewodności tą sondą została podjęta, z jednej strony dlatego, aby opanować precyzję pomiaru, a z drugiej dlatego, aby dostarczyć danych eksperymentalnych do weryfikacji modelu statystyczno-fizycznego własności gleb, B. Usowicza. WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 37 20 15 Temperatura (°C) 30 4 10 )T [EC] IA_02_1_soil_T.dat /Heating Intervals L Rth 3.5 3 25 5 3000 3200 3400 3600 3800 4000 4200 2.5 2 1.5 1 20 delay 3.5 sec applied 0.5 0 LN (time) [sec] -0.5 1 2 3 4 5 6 7 8 15 10 5 1000 2000 3000 4000 5000 6000 7000 8000 Czas (s) Rys. 4. Zapis dobowego cyklu w glebie na 16 poziomach do 32 cm głębokości, z pomiarem sondowania własności cieplnych w cyklicznych interwałach grzania. Na wklejce od góry, powiększony zakres ok. 1200 s. Na wklejce z prawej, zestawiono 16 pojedynczych interwałów grzania na wszystkich poziomach, po sprowadzeniu ich do wspólnej umownej temperatury 0°C, tj. odpowiadającej temperaturze na danym poziomie, w chwili najbliższej włączeniu grzania, tzn. dla pierwszej próbki. Asymptota (L) oznacza docelowe liniowe zbocze wzrostu temperatury. Asymptota Rth wskazuje na obecność drugiego niezamierzonego zbocza niby liniowego, powodowane skończoną rezystancją cieplną od sondy do ośrodka (Rth), na drodze propagacji ciepła do ośrodka. Metoda liniowego źródła ciepła jest klarowna teoretycznie, ale w praktyce trudna do opanowania, bo warunek utrzymania cienkiego i długiego źródła (gorący drut) można spełniać skończenie i niedoskonale. Po pierwsze, zawsze jest jakaś rezystancja cieplna (Rth) na drodze dyfuzji ciepła od źródła przez sondę do ośrodka. Po drugie, zawsze jest jakaś skończona pojemność cieplna własna źródła grzejnego, i własne przewodnictwo cieplne sondy, które odprowadza ciepło poza ośrodek, ku granicom układu cieplnego (warunki brzegowe). To są ograniczenia pierwsze – na drodze ciepła, i zasadnicze. Drut musi bardzo cienki, mieć minimalną masę, i najlepiej wielki stosunek długości do średnicy. Sonda wg rozwiązania w eksperymencie MUPUS/EXTASE, jest pod tym względem gruba i krótka. Jest to rurka kompozytową o średnicy 10 mm, i długości 320 mm. Różni producenci podobnych sond, do zastosowań naziemnych, radzą sobie z ograniczeniami metody, bez 38 B. USOWICZ, W. MARCZEWSKI I IN… minimalizacji masy i pojemności cieplnej, ale za pomocą procedur kalibracyjnych i nie ujawniają sposobów wykorzystania wyników kalibracji. Za to wymagają dopasowania przewodności cieplnej do własności gleb. Współpraca CBK PAN, z IA PAN, nad wykorzystaniem rozwiązania kometarnego w warunkach na Ziemi, ma pomóc rozwiązać tę kwestię, zarówno z pożytkiem dla precyzji eksperymentu kometarnego MUPUS, jak i dla miernictwa tej przewodności cieplnej gleby w potrzebach naziemnych. Problem z pomiarem, polega on na tym, że zakłada się wykrywanie i określanie tempa wzrostu temperatury grzejnika sondy, podczas grzania, według identyfikacji zbocza liniowego (L). To nachylenie zbocza zależy od skuteczności odbierania ciepła przez ośrodek, a więc od jego własności. Liniowe zbocze ma zapewnić, że proces dyfuzji już się wystarczająco rozwinął, wg. logarytmicznej miary czasu. Wystarczy poczekać, 3-5 min. Tak jest w materiałach o wystarczająco dużej przewodności. Jednak w materiałach o przewodności niskiej, wzrost temperatury nasyca się lecz zbocza liniowego albo nie ma, albo daje wyniki bardzo fałszywe. Stabilizacja wzrostu może wynikać z istotności warunków brzegowych. Wtedy, pojawia się pytanie dlaczego pomiar nie był możliwy? Zamiast stałego zbocza, po długim czasie grzania, nastaje pozornie bezładne płynięcie temperatury. A jest ono tylko świadectwem zmian temperatury otoczenia, np. w cyklu dziennym. Dla perfekcyjnego układu cieplnego, wg Carlsaw i Jeagera, powinien być tylko nieograniczony i prawie liniowy wzrost temperatury, w logarytmicznej mierze czasu. Zarówno dla ośrodków dyfuzyjnie ciężkich, jak i lekkich, występują inne części wzrostu temperatury, na początku, zaraz po włączeniu grzania. Dla ośrodków ciężkich, taki początek pokazano jako Rth, na Rys. 4. Dla ośrodków lekkich dyfuzyjnie, jest to nieliniowy wzrost temperatury, sugerujący opóźnienie procesu oddawania ciepła. Tym razem nie przez opór cieplny, a przez konieczność naładowania pojemności cieplnej sondy (Cth). To opóźnienie można kompensować, bo wnosi ono odpowiedni błąd przy wszystkich zakresach przewodności. Nie występuje tylko wtedy, gdy przewodność materiału sondy i ośrodka są dopasowane, tzn. bliskie sobie. Powinna mieć zastosowanie analogia termiczna, do elektrycznych linii lub układów drabinkowych RC, z wszystkimi konsekwencjami sterowania źródłami wymuszeń (prądowe, napięciowe, dopasowane), warunkami ciągłości, immitancjami charakterystycznymi, i dopasowaniem immitancji charakterystycznych. Te analogie są stosowane w inżynierii cieplnej, lecz dla takiego pomiaru są płytkie i niekompletne, i w tej dziedzinie pomiaru własności cieplnych problem ciągle czeka na rozwiązanie. Koncepcja rozwijana w tej pracy, została przedstawiona przez W. Marczewskiego i innych [89]. Polega ona na tym, aby do wszystkich danych o chwilowej temperaturze sondy, wprowadzać stałe opóźnienie czasowe, pozostające w związku z czasem potrzebnym na ładowanie pojemności własnej sondy. To opóźnienie jest wprowadzane do danych, po wykonaniu pomiaru, w jego interpretacji. Trzeba zna- WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 39 leźć, dobrać takie opóźnienia, aby liniowo rosnące zbocze zaczynało się moż-liwie najwcześniej, po włączeniu grzania. Ale nawet wtedy liniowe zbocze jest skończone, i powstaje dylemat, która jego część jest już niezadowalająca dla pomiaru, bo stopniowo staje się coraz bardziej reprezentacją warunków brzegowych, zamiast reprezentacją ładowania ciepłem ośrodka co określają jego własności, a nie warunki brzegowe. Sens propozycji z artykułu W. Marczewski et al, 2009 [89], jest taki, aby interpretację własności ośrodka podporządkować nie tyle poszukiwanej liniowości zbocza, co porównywaniu zachowania sondy w czasie, w trzech materiałach, dwóch znanych własności cieplnych i różniących się wzajemnie przewodnością i dyfuzyjnością, z zachowaniem w materiale mierzonym i nieznanym, przy czym czas wyrażany za pośrednictwem liczby Fouriera, wiążącej czas z dyfuzją ciepła. Kolejne fazy transportu są podobne, ale podobieństwo stwierdza się na podstawie wartości liczby Fouriera. Można uznać, że proces rozwijania się procesu cieplnego ma swoje miary czasu, określające na ile jest on mniej lub bardziej zaawansowany w rozwoju. Liczba Fouriera ma tu znaczenie fundamentalne. Materiały referencyjne, znane co do własności, mogą być zmierzone dla kalibracji raz. Natomiast samo porównanie rozwijającego się procesu grzania, powinno odwoływać się do zrównywania wartości liczb Fouriera, skalowanych odpowiednio do ich dyfuzyjności. Takie postępowanie jest zbieżne z definiowaniem liniowego zbocza wzrostu temperatury, dla pewnego zakresu wystarczająco dużych przewodności ośrodka mierzonego. Ocena oparta na zrównywaniu się wartości odpowiednio interpretowanych liczb Fouriera, wydaje się oceną odwołującą się do najpierwotniejszych fundamentów rozwijania się procesów cieplnych w warunkach nie koniecznie doskonałej geometrii. Znane są nieoczekiwane wyniki pomiarów własności cieplnych, kiedy wynik nie może się ustabilizować i stale płynie, mimo zdawałoby się klarownej sytuacji pomiarowej. B. USOWICZ, W. MARCZEWSKI I IN… 40 4 )T [EC] IA_02_1_soil_T.dat /Heating Intervals 3.5 3 2.5 2 1.5 1 J = 3.55 0.5 0 -0.5 -4 J = 8.05 J = 0.05 sec -2 0 2 4 LN (time) [sec] 6 8 Rys. 5. Trzy grupy 16-tu tych samych interwałów grzania (jak na Rys. 4, wklejka z prawej), ale po zastosowaniu trzech różnych wartości opóźnienia, wprowadzanego do danych po pomiarze. Gruba linia styczna do wszystkich odpowiedzi, pokazuje jakiego charakteru odpowiedzi należy oczekiwać od perfekcyjnego systemu pomiarowego, wg metody źródła liniowego, i klasycznych zależności dla nieograniczenie długiej konfiguracji cylindrycznego rozchodzenia się ciepła.. Okazuje się jednak, że pierwszy pomiar po włączeniu grzania, bardzo odbiega od następnych, jeśli respektować logarytmiczną skalę czasu (Rys. 5). Pomiar pierwszy znajduje swoje miejsce w porządku innych dopiero po wprowadzeniu około 3,5 s opóźnienia do wszystkich innych, a efekt tej korekcji odbija się na zmianie nachylenia zbocza quasi-liniowego wzrostu i po kilku minutach czasu bieżącego. Powstaje błąd, lub jego korekcja. Można uważać, że tak małe poprawki opóźnienia są efektem konieczności naładowania własnej pojemności cieplnej sondy, zanim zacznie przyrastać jej temperatura. Skutek nie jest pozbawiony znaczenia dla błędu pomiarowego. Ten błąd narasta niepomiernie, gdy dyfuzyjność cieplna ośrodka jest mała lub bardzo mała. Wtedy wszystkie próbki temperatury bieżącej narastają nieliniowo, nie osiągając spodziewanego zbocza liniowego w ogóle. Kiedy wydaje się, że wreszcie ten poziom osiągnęły, to okazuje się że ten poziom ulega ciągłym wahaniom bo zmienia się temperatura otoczenia w cyklu dobowym, i sonda powtarza te zmiany. Długie grzanie jest bezcelowe. W takiej sytuacji pozostaje wykonać pomiar bardzo szybko, pobierać próbki częściej (niż 5 s) nawet o rzędy wielkości częściej, i wprowadzać opóźnienia ko- WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 41 rekcyjne prostujące zbocze początkowe do prawie liniowego. Ta część charakterystyki reprezentuje wtedy pomiar własności związanej z dyfuzyjnością ośrodka. Aby zmierzyć własność ośrodka, trzeba jednak znaleźć przyczynę, dla której zakres zbocza liniowego (L) (Rys 4, wklejka z prawej), nie zaczyna się liniowo od próbek najwcześniejszych. Jeśli jej nie zidentykować, to można uzyskać inny odcinek zbocza liniowego (Rth) i brać go za reprezentanta własności ośrodka, z wynikiem fałszywym. Taki odcinek liniowy można otrzymać korekcją opóźnienia, które jednak nie skutkuje dla opóźnień ujemnych. Opóźnienia ujemne nie mogą spowodować przekroczenia wartości czasu logarytmicznego w zakres ujemny, bo brakuje początkowych próbek do korygowania. Trzeba mieć ich więcej, w początkowym zakresie funkcji wzrostu temperatury podczas grzania. Początek funkcji może się wyprostować, a czas pomiaru skrócić. Jest przekonanie, że na tej drodze można jednak znaleźć metodę pomiaru własności cieplnych, szybką i krótkotrwałą, tak jak w działaniu zmysłu dotyku, który pozwala człowiekowi rozróżniać niemal natychmiastowo, czy ręka dotyka materiału o małej czy dużej pojemności cieplnej, bez oczekiwania na stabilizację wg rozpoznania abstrakcyjnie liniowego wzrostu temperatury. Czas pomiaru powinien ważyć tylko na precyzji określania przewodności i dyfuzyjności, z ograniczeniem do czasu, aż pomiar trwa już za długo, i w grę wchodzą warunki brzegowe zewnętrzne coraz odleglejszych części systemu cieplnego. Dla takiej metody można nawet kompromisowo poświęcać precyzję. Takiej metody jeszcze nie wypracowano, a ta praca jest inspirowana przekonaniem o jej możliwości. Temat tego pomiaru włączono do projektu SWEX dlatego, że dla ostatecznych celów walidacji i wykorzystania obserwacji SMOS, potrzebny jest bilans energetyczny obszarowy na Ziemi. Tego bilansu nie można wykonać w jednym miejscu, a taką sondę można wykorzystać tylko miejscowo. Z drugiej strony, oparcie takiego bilansu wyłącznie na wielkoobszarowych ocenach satelitarnych, zmiennych wegetacyjnych, powoduje dużą niepewność miar absolutnych. SMOS jest zaś powołany dla takich celów jak ocena wymiany wody z atmosferą, co jest uwarunkowane energetycznie. Pytania takie jak to, – jaka jest intensywność ewapotranspiracji w obszarze, czyli pytanie jak tworzą się chmury nad różnymi regionami, może być zaspokojone tylko bilansem energetycznym, i stwierdzeniem co dzieje się z energią pochłanianą. Tu decyduje wprawdzie precyzja bilansu, ale niekoniecznie ta, która określa np. dokładność miar wegetacyjnych. O poziomie błędu może decydować istotność statystycznej metody wagowania klas wegetacyjnych, i ich uogólnianie w ocenach zbiorczych. Obserwacje zdalne są spójne, lecz zawsze wymagają walidacji, nawet miejscowych. Dla potrzeb bilansu energetycznego, z poziomu satelitów, wykorzystuje się dane spektralne w podczerwieni (np. z instrumentu ENVISAT-AATSR) [36], i odpowiedniego procesora SEBS w programie BEAM [4]. Takie oceny trzeba potem konfrontować z ocenami in-situ, i w tym celu podjęto pracę nad bezpośrednim pomiarem własności cieplnych gleb, i stru- 42 B. USOWICZ, W. MARCZEWSKI I IN… mieni ciepła w glebie. Sonda może być niewygodna do użycia w wielu miejscach. Wymaga pomiarów stosunkowo długich, i warunków przekazywania ciepła z glebą dobrze ustabilizowanych. Najlepiej stosować ją dla co najmniej jednego cyklu dobowego, co nie jest możliwe przy zmianach miejsca testowego. Pomiary własności cieplnych wykonuje się zwykle długo, w wielu cyklach. Rys. 4 pokazuje prawie pełen cykl dobowy z wieloma pomiarami przewodności, w naturalnym ośrodku glebowym, na miejscu testowym w Kulczynie. Pomiar temperatury jest powtarzany co 5 s, na 16 poziomach od powierzchni do 30 cm poniżej, a cyklicznie włącza się moc grzania około 100-400 mW, i śledzi wzrost temperatury. Położenie terenu badań Niziny Południowopodlaskiej Pierwszy teren badań o powierzchni około 140 km2 położony jest w gminie Trzebieszów w środkowej części Równiny Łukowskiej [108, 156]. Równina Łukowska obejmuje około 2570 km2 powierzchni [76], rozpościerającej się we wschodniej i południowo-wschodniej części Niziny Południowopodlaskiej. Równinę otaczają od zachodu Wysoczyzna Żelechowska, od południa Pradolina Wieprza, od strony północno-zachodniej Wysoczyzna Siedlecka, w części północnowschodniej Podlaski Przełom Bugu, a od strony wschodniej Zaklęsłość Łomazka, zaliczana już do innego makroregionu – Polesia Zachodniego. Gmina Trzebieszów wchodzi w skład powiatu łukowskiego województwa lubelskiego. Na Rys. 6 pokazano szeroko skomplikowany układ sieci hydrologicznej w regionie, uwarunkowany morfologią. Wyróżniono miejsca testowe: Krowie Bagno, i Bagno Bubnów, w okolicach Kulczyna. Na Rys. 7 pokazano ogólny plan gminy Trzebieszów, z pokryciem leśnym i pokryciem użytkami rolnymi w gminie. Teren Równiny Łukowskiej jak i gminy Trzebieszów jest względnie płaski, o deniwelacjach na ogół nieprzekraczających 20 m, z podmokłymi dolinami rzek Krzny Południowej i Północnej. W znacznym procencie równinę stanowią rozmyte pokrywy sandrowe. Przeważają tu gleby wytworzone z piasków luźnych, słabogliniastych, naglinowych i gliniastych [142]. Gmina Trzebieszów ma wybitnie rolniczy charakter. Użytki rolne obejmują 80,5% powierzchni gminy, na grunty orne przypada 62,3%, a na użytki zielone 18,2% powierzchni [169]. Lasy zajmują około 13,5% powierzchni. Kompleksy leśne znajdują się w części południowo-wschodniej i zachodniej gminy. WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 43 Rys. 6. Morfologia regionu na podstawie modelu elewacji DEM (Digital Elevation Model) z Centre for Tropical Agriculture (CIAT), http://srtm.csi.cgiar.org. Model SRTM (Shuttle Radar Topography Measurement) [130] jest globalną kolekcją obrazów radarowych w paśmie C, wykonywanych z pokładów Space Shuttle przez prawie dekadę, i analizowanych wysokościowo dla geoidy (WGS84DD). Wersję SRTM 4.1 (3 arcsec, 90 m ground range) aktualizowano w sierpniu 2008. Legenda na barwnym pasku u dołu, oznacza odpowiedniość barw wysokościom elewacji w terenie w (m). Żółte krzyżyki wskazują stacje meteorologiczne własne i miejsca testowe programu SWEX. Mapa elewacji nie wyróżnia wód otwartych i rzek, ani też nie wyróżnia lasów od terenów otwartych, a wyłącznie elewację, skutkiem czego widoczne są koryta starorzeczy zamiast wód płynących. Trzy jeziora uwidoczniono piktogramami aby wprowadzić oczywiste (jak wybrane miasta) punkty orientacyjne dla wzmocnienia czytelności mapy. Powierzchnia odpowiada około 20 pikselom obserwacji SMOS, z pokosu śladem 500 lub 1000 km. 44 B. USOWICZ, W. MARCZEWSKI I IN… Rys. 7. Mapa przeglądowa gminy Trzebieszów (http://maps.geoportal.gov.pl/webclient/ ) Charakterystyka stosunków klimatycznych Nizina Południowopodlaska, i mezoregiony sąsiadujące stanowią makroregion o specyficznej odrębności krajobrazowej, wyróżniającej się fizjograficznie od regionów sąsiadujących: Nizina Północnopodlaska, Polesie Lubelskie, Wyżyna Lubelska, i Nizina Południowomazowiecka (Rys. 8). Dużych odrębności klimatycznych, właściwie nie wyróżnia się. Klasyfikacja terenu Niziny Południowopodlaskiej, na podstawie stosunków termicznych i opadowych, nakazuje włączyć ją do o wiele większych obszarowo jednostek otaczających. Według Romera [119], o podziałach Polski na regiony klimatyczne, teren ten należy do rozległej Krainy Chełmsko-Podlaskiej. Według WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 45 Wiszniewskiego i Chełchowskiego [168], leży on w Regionie MazowieckoPodlaskim, a wg Okołowicza [106] w krainie drugiego Regionu MazowieckoPodlaskiego. W podziale Gumińskiego [53], na dzielnice rolniczo-klimatyczne, Nizina Południowopodlaska znalazła się wraz z Niziną Północnopodlaską i Polesiem Lubelskim, w Dzielnicy IX Wschodniej. W regionalizacjach opracowanych na podstawie częstości występowania określonych typów pogody [171] lub struktury bilansu cieplnewgo [112], wykazywano brak zróżnicowania klimatycznego obszaru Niziny Południowo- i Północnopodlaskiej oraz Polesia Lubelskiego. Natomiast zachodnia granica Niziny Południowopodlaskiej, jest w przybliżeniu równoznaczna z granicą regionów (lub podregionów) klimatycznych wydzielonych przez Paszyńskiego i Krawczyk [112] oraz Okołowicza [106], a na odcinku Wysoczyzny Siedleckiej – również Wosia [171]. Należy dodać, że w jednej tylko regionalizacji Polski – na regiony termiczne [121, 122] – wyodrębniony został obszar odpowiadający w przybliżeniu Nizinie Południowopodlaskiej jako oddzielny Region Siedlecki. Obszar obejmujący Nizinę Mazowiecko-Podlaską oraz Wyżynę Lubelską, na tle innych regionów Polski, wyróżnia się zwiększonym kontynentalizmem klimatu [11, 73, 74]. Wcześniejsze badania wykazały, że cała Polska pozostaje pod przeważającym wpływem cyrkulacji zachodniej. Masy powietrza napływające są najczęściej powietrzem polarnomorskim. Jest ich około 65% dni w roku [13,65]. Jednocześnie notowano tu największą liczbę dni z typem sytuacji synoptycznej antycyklonalnej (wyżowej) przy zaleganiu masy powietrza kontynentalnego [77, 78]. O zwiększonym kontynentalizmie klimatu tego obszaru świadczy przede wszystkim duże wartości amplitudy rocznej temperatury powietrza (kontynentalizm termiczny), a także znaczna przewaga opadów letnich nad zimowymi (kontynentalizm pluwialny) [65, 81, 119]. 46 B. USOWICZ, W. MARCZEWSKI I IN… Rys. 8. Szerokie tło, w postaci mapy elewacji DEM (SRTM [130]), morfologicznego usytuowania regionu całego Podlasia. Obszar Niziny Południowopodlaskiej oraz sąsiednie regiony, zwłaszcza Wyżyna Lubelska i Polesie pod względem warunków solarnych – drugiego obok cyrkulacji atmosferycznej podstawowego czynnika kształtującego klimat – należą do najbardziej uprzywilejowanych w Polsce. Notowane są tu jedne z najwyższych w Polsce sum rocznych usłonecznienia rzeczywistego, średnio ponad 1600 godzin [23, 82, 97], jak i promieniowania słonecznego całkowitego rzędu 3700-3800 MJ·m–2 [93, 111, 113]. Obszar ten jeszcze wyraźniej wyróżnia się przy rozpatrywaniu sum WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 47 całkowitego promieniowania słonecznego w okresie wegetacyjnym [114], gdzie w średnich wieloletnich wynoszą one ponad 3100 MJ·m–2. Charakteryzowane w oparciu o wieloletnie dane dotyczące średniej rocznej oraz średnich miesięcznych i sezonowych wartości temperatury powietrza warunki termiczne na Nizinie Południowopodlaskiej są mało zróżnicowane i zbliżone do występujących w sąsiednich regionach [66, 67, 160, 175]. Różnice średnich rocznych wartości temperatury między stacjami położonymi na Nizinie Południowopodlaskiej wynoszą zaledwie 0,4°C, a w poszczególnych miesiącach i porach roku – najwyżej 0,6°C. Średnia roczna temperatura powietrza w regionie wynosi około 7,3°C, przy czym nieco niższe wartości notowano w jego części północnej, a wyższe w części południowej i południowo-zachodniej. Oceny warunków termicznych dokonano na podstawie danych przebiegu roczny temperatury powietrza pochodzących z położonej niemal w centrum regionu i najbardziej dla niego reprezentatywnej stacji w Siedlcach (tabela. 2). Wobec znacznych wahań temperatury powietrza z roku na rok, warto zwrócić również uwagę na zakres występowania ich wartości zanotowany w trakcie 50-letniego (1949-1998) ciągu obserwacji. Według tych danych, miesiącem najcieplejszym był lipiec (17,7°C), a najchłodniejszym styczeń (–3,6°C). Należy podkreślić, że najchłodniejszym miesiącem w poszczególnych latach był nie tylko styczeń (44% przypadków), ale i luty (34%), grudzień (14%) oraz marzec i listopad (po 4%), a najcieplejszym – obok lipca (62% przypadków) – również czerwiec (16%) i sierpień (22%). Amplituda roczna temperatury powietrza w Siedlcach obliczona ze średnich miesięcznych stycznia i lipca wynosiła 21,3°C, ale z różnic średniej temperatury miesiąca najcieplejszego i najchłodniejszego w poszczególnych latach 23,4°C. Rozkład opadów atmosferycznych w ciągu roku w Siedlcach (tabela 2), wskazują na występowanie najwyższych opadów w miesiącach czerwcu i lipcu (ponad 70 mm), najniższych (poniżej 30 mm) w miesiącach styczeń, luty i marzec. Występuje tu znaczna przewaga opadów letnich (212 mm) nad zimowymi (83 mm). Suma opadów w okresie wegetacyjnym (IV-IX) – 350,9 mm – stanowiła 65,4% sumy rocznej, ale w ciągu rozpatrywanych 50 lat wahała się od 224 do 530 mm. Zróżnicowanie przestrzenne sum miesięcznych i rocznych opadów na obszarze Niziny Południowopodlaskiej, a zwłaszcza w jej części wschodniej, jest małe [67], rzędu 70 mm w sumach opadów rocznych, a do 20 mm w sumach opadów miesięcznych (w średnich wieloletnich) (tabela 3). Zestawione dane odnoszące się bezpośrednio do rejonu przeprowadzonych badań, tj. miejscowości Trzebieszów i jego okolic wykazują one bardzo niewielkie zróżnicowanie, za wyjątkiem opadów w Międzyrzecu Podlaskim (najwyższych spośród rozpatrywanych miejscowości), które mogą być wynikiem wpływów lokalnych (położenia stacji). B. USOWICZ, W. MARCZEWSKI I IN… 48 Tabela 2. Średnie wieloletnie, a także najniższe i najwyższe średnie miesięczne i roczne wartości temperatury powietrza oraz sumy miesięczne i roczne opadów atmosferycznych i usłonecznienia rzeczywistego w Siedlcach [156] Parametr, okres Parameter, period Temperatura Temperature (°C) 1949-1998 Opady Precipitation (mm) 1949-1998 Usłonecznienie Sunshine duration (godz. – hours) 1984-1998 Wartość Value średnia average najniższa lowest najwyższa highest średnia average najniższa lowest najwyższa highest średnia average najniższa lowest najwyższa highest I II III IV V VI VII VIII IX X XI XII –3,6 –2,8 0,9 7,3 13,1 16,3 17,7 17,1 12,7 7,7 2,6 –1,2 Rok Year 7,3 –14,2 –13,4 –4,9 3,9 9,2 13,9 14,5 14,9 10,2 4,8 –3,4 –8,7 5,5 2,5 4,4 5,9 10,3 15,9 19,9 20,7 20,8 16,2 11,0 6,0 2,7 8,9 24,8 23,5 26,0 35,5 53,1 73,9 71,3 66,5 50,5 37,4 38,7 35,1 536,5 2 1 5 6 14 30 18 3 12 1 8 5 364 59 53 59 91 114 194 179 195 141 180 88 90 721 51,5 75,0 52,6 35,9 1731,7 17 52 63 121 173 155 188 199 72 64 18 16 1542 87 130 169 222 299 309 396 300 186 179 84 67 1869 117,6 167,4 248,3 233,2 258,6 241,3 135,7 114,7 WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 49 Tabela 3. Średnie miesięczne i roczne sumy opadów atmosferycznych (w mm) w latach 1961-80 w Trzebieszowie oraz najbliżej położonych posterunkach opadowych i stacji meteorologicznej w Siedlcach [156] I II III IV V VI VII VIII IX X XI XII Rok Year φ 51o 59’ λ 22o 33’ 32,7 29,0 27,8 42,0 59,6 67,3 71,3 67,8 42,3 45,7 44,0 36,0 565,4 φ 51o 55’ λ 22o 22’ φ 52o 04’ λ 22o 31’ φ 51o 59’ λ 22o 47’ φ 51o 54’ λ 22o 41’ φ 52o 11’ λ 22o 16’ 24,9 23,0 24,9 43,9 55,9 64,3 81,1 73,2 48,3 48,6 41,6 32,6 562,1 38,0 35,1 28,5 42,3 58,9 66,6 74,3 72,8 48,1 46,8 45,6 41,3 597,7 39,7 36,0 31,8 46,1 61,4 69,8 76,6 73,3 50,7 45,9 47,4 44,5 622,8 35,2 33,6 28,6 41,1 56,0 65,3 68,9 58,4 45,9 45,5 45,6 41,5 565,3 27,0 25,0 24,4 38,2 56,4 71,1 67,5 68,4 47,6 44,5 43,3 32,7 546,1 Miejscowość Locality Współrzędne Coordinates Trzebieszów Łuków Wólka Kam. Międzyrzec Kąkolewnica Siedlce B. USOWICZ, W. MARCZEWSKI I IN… 50 Położenie terenu badań Polesia Zachodniego 1 Drugi teren badań położony jest w środkowowschodniej części województwa lubelskiego, w powiecie włodawskim. Obejmuje fragmenty gmin rolniczych: Brus Stary, Hańsk i Urszulin, pozostających w zasięgu Poleskiego Parku Narodowego i granic jego bezpośredniej osłony (Rys. 6 i 9). Rys. 9. Mapa przeglądowa gminy Urszulin (http://maps.geoportal.gov.pl/webclient/ ) Fizjograficznie, według podziału fizyczno-geograficznego Kondrackiego [76], obszar badań leży w centralnej części Polesia Zachodniego, w obrębie mezoregionu Równiny Łęczyńsko-Włodawskiej, znanej częściej pod nazwą Pojezierze Łęczyńsko-Włodawske [165, 166]. Położony jest na pograniczu Europy Zachodniej i Wschodniej oraz niżu środkowoeuropejskiego i pasa wyżyn Europy Środ1 Paragraf opracował dr Józef Paszczyk. WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 51 kowej. Jest jedynym w Polsce obszarem większego zgrupowania 67 jezior, pozostającego poza zasięgiem lądolodu ostatniego zlodowacenia [96]. Budowa geologiczna, litologia i rzeźba terenu Badany obszar Pojezierza Łęczyńsko-Włodawskiego położony jest w peryferyjnej strefie prekambryjskiej platformy wschodnioeuropejskiej, zbudowanej ze skał wieku archaicznego. W całości znajduje się w obrębie Zapadliska Włodawskiego – struktury tektonicznej, na którą składają sie skały głębokiego, krystalicznego i wulkanicznego podłoża, przykrytego miąższą serią osadów młodszych: paleozoicznych, mezozoicznych oraz kenozoicznych [54, 55, 176]. Najstarszymi utworami pojawiającymi się lokalnie na powierzchni lub w pobliżu powierzchni terenu są górnokredowe skały mastrychtu, wykształcone w postaci margli i kredy piszącej. Ukształtowanie stropu serii wspomnianych skał węglanowych charakteryzuje silne urozmaicenie. Obok licznych wzniesień kredowych, występują tu wyraźne obniżenia krasowe i głębokie doliny erozyjne. Mają one założenia strukturalne, ich kierunki są na ogół zgodne z przebiegiem uskoków tektonicznych zaobserwowanych w głębszym podłożu mezozoicznym [55]. Obok form erozyjnych w podłożu kredowym istnieją także obniżenia o charakterze rozległych kotlin krasowych. Wszystkie wymienione formy podłoża kredowego wypełniają osady plejstoceńskie i holoceńskie. Na wyniesieniach utwory plejstoceńskie reprezentowane są przede wszystkim przez gliny zwałowe bądź piaski i żwiry zlodowacenia Odry. W obniżeniach natomiast, w strefie spągu, mają one postać glin ilastych i żwirów deluwialnych, na których zalegają piaski ze żwirami oraz gliny zwałowe zlodowacenia Sanu. W stropie serii skał plejstoceńskich występują utwory fluwioglacjalne i glacjalne piaski i żwiry oraz gliny zwałowe zlodowacenia Odry. Lokalnie są one nadbudowane mułkami rzecznymi i jeziorno-rozlewiskowymi górnego plejstocenu. W obrębie większych obniżeń dolinnych i kotlin warstwę osadów mineralnych pokrywają utwory organogeniczne – głównie torfy i gytje, których proces sedymentacji rozpoczął się u schyłku ostatniego zlodowacenia Wisły. Do największych obszarów torfowiskowych w terenie badań należą Krowie Bagno oraz Bagno Bubnów i Staw. Są to torfowiska niskie, w części także rzadko spotykane w Polsce torfowiska węglanowe [6, 22, 54, 141]. Stanowią one najbardziej płaską i monotonną część Pojezierza Łęczyńsko-Włodawskiego. Warto zaznaczyć, że typową cechą współczesnej rzeźby opisywanego terenu jest zdecydowana przewaga powierzchni równinnych, o niewielkim zróżnicowaniu wysokości bezwzględnych i względnych. Według Wilgata, [165, 166] tworzą one cztery typy genetyczne: dwie akumulacyjne i dwie denudacyjne. Spośród nich najszerzej rozprzestrzenione są równiny akumulacyjne: wyższa – plejstoceńska i niższa – holoceńska. Pierwsza z nich wznosi się niewiele ponad 170 m 52 B. USOWICZ, W. MARCZEWSKI I IN… n.p.m. i obniża się nieznacznie w kierunku wschodnim, ku dolinie Bugu. Druga natomiast pokrywa się z zasięgiem najniżej położonych dolin rzecznych, torfowisk i zbiorników wodnych. Obie równiny, mimo niewielkich różnic wysokości, charakteryzuje wyraźny kontrast krajobrazowy, związany z rodzajem gleb oraz typem użytkowania i pokrycia terenu [141[. W obrębie równin holoceńskich w przewadze występują gleby hydrogeniczne, zajęte głównie przez zakrzaczenia i podmokłości. W strefie wyższego poziomu akumulacyjnego, gdzie spotykane są gleby semihydrogeniczne i fitogeniczne, duże powierzchnie zajmują łąki i pastwiska oraz lasy. Zwarte tereny upraw rolnych i obszarów zabudowanych koncentrują się przede wszystkim w obrębie równin denudacyjnych, dla których typowe są gleby autogeniczne. Ich dwudzielność genetyczna wiąże się z rodzajem utworów powierzchniowych, na jakich się wykształciły – na plejstoceńskich osadach moreny dennej oraz w strefie wyniesień kredowych i płytkiego zalegania utworów węglanowych. Stosunki wodne Charakter stosunków wodnych badanego obszaru zależy przede wszystkim od budowy geologicznej i rzeźby powierzchni topograficznej oraz warunków klimatycznych obiegu wody. Szczególną cechę hydrograficzną opisywanego terenu stanowi płytkie występowanie i słabe zróżnicowanie gradientów powierzchni zwierciadła wód podziemnych [54, 94, 95, 141, 167]. Warstwę wodonośną pierwszego poziomu użytkowego stanowią najczęściej żwiry i piaski, przedzielone niekiedy słabiej przepuszczalnymi utworami pyłkowo-mułkowymi. Głębokości występowania wody nawiązują do rzeźby terenu. Obszary najniżej położone – pozostające w strefie holoceńskiej równiny akumulacyjnej – z reguły są stale nasycone wodą, pochodzącą z opadów i spływu z wyżej wyniesionych obszarów. W rejonach występowania torfów i namułów torfiastych zwierciadło wód poziemnych rzadko sięga głębiej niż 1,0 m p.p.t. Większą miąższością strefy aeracji (1,5-3,0 m) charakteryzują się tereny wyższej równiny akumulacyjnej, a maksymalne głębokości zwierciadła wód podziemnych (4,0-8,0 m) pokrywają się z zasięgiem równin denudacyjnych. Wody podziemne pozostają w ścisłym związku hydraulicznym z wodami powierzchniowymi. Są jednak bardzo słabo drenowane. Gęstą sieć wód powierzchniowych tworzą rowy melioracyjne, uregulowane cieki oraz jeziora i sztuczne zbiorniki wodne. Cały analizowany obszar odwadniany jest przez system wodny Włodawki i jej większych lewych dopływów: Krzewianki (w obrębie Krowiego Bagna znanej jako Więzienny Rów) i Krzemianki. Większość lokalnych działów wodnych zlewni ma charakter strefowy. Skomplikowany układ sztucznie przekopanych cieków, powiązanych dodatkowo z systemem melioracyjnym Kanału Wieprz-Krzna, w znacznym stopniu zmienił, bowiem sposób naturalnego rozrządu wody. Do zlewni górnej Włodawki w wy- WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 53 niku prac regulacyjnych przyłączone zostały, niemające wcześniej odpływu, bagna Bubnów i Staw. Większość drenujących cieków badanego obszaru, z wyjątkiem rzeki głównej – Włodawki, prowadzi niewielkie ilości wody. Odpływy jednostkowe sięgają tu 2,0-3,0 dm3 s–1 km–2 i są niższe od średnich, ustalonych dla całego obszaru Pojezierza Łęczyńsko-Włodawskiego (4,0-4,5 dm3 s–1 km–2) [76, 94]. Przeciętne wielkości wskaźnika odpływu zawierają się w granicach 60-90 mm, przy czym prawie dwukrotnie więcej wody odpływa w półroczu zimowym niż letnim. Największe objętości odpływu notowane są wiosną – 41% i zimą 25%. Mniejsze odpływy zdarzają się latem (18%) i jesienią (16%) [95, 96, 141]. Charakterystyka stosunków klimatycznych Według podziału klimatycznego Polski Gumińskiego [53] teren opracowania, zaliczyć należy do strefy klimatu równin podlaskich (IX), a według regionalizacji klimatycznej Lubelszczyzny W. A. Zinkiewiczów [175] do LubartowskoParczewskiej dziedziny klimatycznej. Warunki pogodowe tej części Polski pozostają, w ponad 80% przypadków, pod wpływem mas powietrza polarnego pochodzenia morskiego (PPm) i kontynentalnego (PPk) [54, 68, 69]. Według Warakomskiego [54] wśród sytuacji barycznych niewielką przewagę mają układy wyżowe (51% przypadków). Maksimum ich występowania przypada na sierpień, a minimum na listopad. Niże baryczne – odwrotnie – pojawiają się najczęściej w listopadzie, a najrzadziej w sierpniu i październiku. We wszystkich miesiącach roku częstość wystąpień frontów atmosferycznych chłodnych ( średnio 20% ilości dni), przeważa nad częstością pojawiania się frontów ciepłych (10%) oraz zokludowanych i stacjonarnych (7%). Największą ilość frontów wszystkich rodzajów notuje się w grudniu, listopadzie i kwietniu, a najmniejszą w okresie miesięcy letnich [54]. Badany obszar Pojezierza Łęczyńsko-Włodawskiego pod względem warunków solarnych – drugiego obok cyrkulacji atmosferycznej ważnego czynnika decydującego o cechach klimatu – należy do najbardziej uprzywilejowanych regionów w Polsce [54, 69, 175]. Charakteryzuje się, bowiem wielkością rocznego usłonecznienia rzeczywistego sięgającego 1650 godzin, a rocznego promieniowania słonecznego całkowitego 3700-3800 MJ m–2, przy czym w sumie tej na okres wegetacyjny przypada aż 3100 MJ m–2 [54, 69, 175]. O charakterze stosunków termicznych w badanych obszarze informują wyniki obserwacji reprezentatywnej dla badanego obszaru stacji we Włodawie (Tabela 4) w okresie 1951-1990 [69]. Tabela 4. Średnie wieloletnie (T_średnie) i skrajne (T_min i T_max (w °C)) wielkości średnich miesięcznych wielkości temperatur powietrza we Włodawie w latach 1951-1990. 54 B. USOWICZ, W. MARCZEWSKI I IN… I II III IV T_min –13,8 –12,5 –5,9 4,9 T_średnie –4,1 –3,3 0,8 7,4 T_max 3,2 5,7 7,9 10,8 V 9,9 13,2 16,7 VI 13,8 16,5 20,4 VII 15,4 17,9 21,6 VIII 15,3 17,2 20,4 IX 10,9 12,7 15,9 X XI XII 5,0 –2,1 –8,2 7,9 2,6 –1,4 11,7 6,0 3,6 Średnia wieloletnia temperatura roczna na tej stacji wynosiła 7,3°C. Najchłodniejszym miesiącem roku okazał się styczeń (–4,1°C), a najcieplejszym lipiec (17,9°C). Amplituda roczna temperatur miesięcznych była znaczna, przekraczała bowiem 21°C. W warunkach polskich jest ona efektem narastającego w kierunku wschodnim wpływu klimatu kontynentalnego. Średnia wieloletnia temperatura w półroczu zimowym wynosiła około 0,3°C, a w okresie ciepłym 14,2°C. Typowe długości trwania poszczególnych termicznych pór roku w opisywanym rejonie [53] przedstawiają się następująco: wiosna 52, lato 96, jesień 64 i zima 78 dni, a pór przejściowych: przedwiośnia i przedzimia wynoszą od 35 do 40 dni. Okres wegetacyjny trwa tu przeciętnie 210-220 dni, a liczba dni z przymrozkami przekracza 45 [53]. Przeciętne warunki opadowe w obszarze opracowania obrazują dane dla stacji Włodawa przedstawione w tabeli 5. Średnie suma roczna opadu wyliczona dla okresu 1951-1990 wynosiła 542 mm [54, 69], a w skrajnych przypadkach roku suchego (1982) i wilgotnego (1970) sięgała 424 i 778 mm. Zakres zmienności sum rocznych w stosunku do średniej wieloletniej mieścił się w szerokim przedziale od 78% do 153%. Opady półrocza letniego roku hydrologicznego (V-X), mające decydujące znaczenie dla wegetacji i produkcji roślinnej, wykazują wyraźną przewagę nad opadami półrocza zimowego (XI-IV). Wyliczone sumy opadów półrocza letniego dla roku przeciętnego wynosiły 349 mm (64,4%) a zimowego 193 mm (35,6% sumy rocznej). Sumy opadowe jesieni (IX-XI) były wyższe od opadów okresu wiosny (III-V). W cyklu rocznym maksymalne miesięczne sumy opadów zanotowano w lipcu i czerwcu (70-85 mm), a minimalne w styczniu i lutym (20-30 mm). W ciągu roku w ogólnej sumie opadów na badanym terenie przeważają opady deszczu – udział opadów stałych na przekracza na ogół 17%, a pokrywa śnieżna utrzymuje się średnio przez 70-75 dni [53]. Syntetyczną miarą zmienności sezonowej warunków hydroklimatycznych, charakteryzujących badany obszar, jest zestawienie przeciętnego klimatycznego bilansu wodnego (tabela 5), obliczonego dla poszczególnych miesięcy w formie różnicy wieloletnich średnich miesięcznych sum opadu i parowania rzeczywistego, oszacowanego metodą Thornthwaite’a i Mathera [170]. Z przedstawionych w tabeli 5 danych wynika, że z hydrologicznego punktu widzenia istotne znaczenie mają nadwyżki wodne zgromadzone w okresie jesienno-zimowym. Ujemne wartości P – E, oznaczające niedobory wodne, przepadające na sezon IV – IX, są natomiast niekorzystne dla rolnictwa i gospodarki wodnej. WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 55 Tabela 5. Zestawienie średnich wieloletnich miesięcznych wielkości bilansu klimatycznego według danych dla stacji Włodawa w okresie 1951 – 1990 I II III IV V VI VII VIII IX X XI XII I - XII P 28 27 27 35 55 67 81 61 47 38 39 37 542 E 0 1 10 44 87 98 89 70 48 27 8 1 483 P-E 28 26 17 –9 –32 –31 –8 –9 –1 11 31 36 59 P – oznacza miesięczne sumy opadu, E jest wielkością parowania rzeczywistego oszacowaną metodą Thornthwaite’a i Mathera [170] Rozpatrywane obiekty badań, parametry i metody ich określania Pomiary i badania prowadzone były na dwóch obiektach o powierzchni około 140 km2 każdy: pierwszy obiekt obejmowałby gleby mineralne (generalnie – słabo uwilgotnione) znajdujące się w gminie Trzebieszów (N 51°59'24" E 22°33'37") region – Podlasie Południowe, drugi obiekt znajdujący się w gminie Urszulin (N 51°23'43" E 23°11'54"), region – Polesie Zachodnie, obejmowałby gleby organiczno-mineralne o znacznym uwilgotnieniu. Pomiary wilgotności, oporu penetracji, temperatury i przewodności elektrycznej gleby w powierzchniowej warstwie gleby (w warstwie 0-10 cm) wykonywano za pomocą miernika wilgotności, zasolenia i temperatury (TDR). Liczba pomiarów i gęstość sieci pomiarowej, na każdym obiekcie, dobrano w zależności od zmienności przestrzennej badanej cechy, trudności wykonania pomiaru i potrzeb geostatystyki. Dane użyte do analiz pochodziły z pomiarów składu granulometrycznego, pH, materii organicznej w powierzchniowej (1-10 cm) warstwie gleby na polach uprawnych w gminie Trzebieszów, Urszulin i z Felinie koło Lublina. Próbki gleby pobierano do płóciennych woreczków. Na wybranych obiektach określano gęstość i wilgotności gleby w warstwie powierzchniowej. Analiz próbek glebowych dokonano metodami powszechnie stosowanymi w gleboznawstwie. Współrzędne przestrzenne punktów pobierania próbek gleby określano za pomocą globalnego systemu pozycjonowania (Global Positioning System – GPS) oraz nanoszono na mapy pochodne ewidencji gruntów. Rozmieszczenie tych punktów na terenie gminy było nieregularne, natomiast w obrębie pól – w siatce regularnej (Rys. 10, 11). Przy wyznaczaniu współrzędnych punktów pomiarowych na terenie gminy (z dokładnością od 1 do 5 m) korzystano z miernika Trimble's GPS GeoExplorer 3. Na rozpatrywanych polach regularną siatkę punktów wyznaczano przy użyciu taśmy mierniczej, natomiast współrzędne wybranych punktów reperowych – za pomocą GPS. B. USOWICZ, W. MARCZEWSKI I IN… (°) 56 (°) Rys. 10. Rozkład punktów pomiarowych na obszarze gminy Trzebieszów i Urszulin. Doświadczenie polowe Pomiary prowadzono na polach koło Instytutu Agrofizyki w Lublinie (Felin 51°13'29" N, 22°38'42" E). Glebę na Felinie zaliczono do typu gleb płowych wytworzoną z utworu lessopodobnego niecałkowitą na utworze kredowym. Na WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 57 badanych polach zaobserwowano następujący profil glebowy: od 0 do około 25 cm poziom próchniczny o barwie brunatno–szarej, wyraźnie odcinający się od warstwy następnej o barwie rdzawej, poniżej 30 cm nieco jaśniejszej z żółtymi plamami o dużej zawartości piasku. Od głębokości około 45-50 cm pojawiają się okruchy zwietrzałej skały wapiennej stanowiącej poniżej 90 cm znaczący składnik materiałowy. Ziemniaki Kapusta Buraki cukrowe Pszenica ozima Kukurydza Kukurydza Pole 1 Kukurydza Pszenica jara Pole 2 Rys. 11. Rozkład punktów pomiarowych na polach uprawnych. Dla każdego obiektu badań określono podstawowe parametry statystyczne, tj. wartość średnią, standardowe odchylenie, współczynnik zmienności (CV), wartość maksymalną i minimalną oraz wartości charakteryzujące rozkład danej cechy tj. skośność i kurtozę. Przestrzenną charakterystykę rozpatrywanych danych przeprowadzono metodami geostatystycznymi. Statystyki, histogramy, transformowanie danych funkcjami ln i pierwiastkiem kwadratowym, semiwariogramy, krossemiwariogramy, wymiar fraktalny, estymację badanych cech gleby metodą kri- 58 B. USOWICZ, W. MARCZEWSKI I IN… kingu i kokrigingu i ich mapowanie otrzymywano za pomocą programów komputerowych GS+9 i Statistica 8 [45, 131]. Pomiar gęstości i wilgotności gleby Wilgotność gleby na badanych obiektach mierzono za pomocą miernika opartego na metodzie reflektometrii domonowo-czasowej (Time Domain Reflectometry – TDR) produkcji Easy Test Ltd., Lublin, Polska [86]. Równocześnie, w tych samych punktach pobierano próbki gleby do cylinderków o objętości 100 cm3 i wysokości 5 cm, celem określenia gęstości i wilgotności gleby metodą grawimetryczną. Dane wilgotności gleby otrzymane z metody grawimetrycznej posłużyły do weryfikacji danych uzyskanych z miernika TDR [148]. Próbki glebowe na wilgotność i gęstość z obszaru gminy Trzebieszów i Urszulin pobierano z warstwy ornej na wiosnę i w lecie (bezpośrednio po żniwach). Pomiar składu granulometrycznego, zawartości węgla i pH gleby Skład granulometryczny oznaczany jest zarówno metodą sitową jak i sedymentacyjną. W badaniach zastosowano metodę sedymentacyjną Bouyoucos’a w modyfikacji Casagrande’a i Prószyńskiego. Uwzględniając analizę sitową, podział na frakcje granulometryczne o konkretnych wielkościach ziaren skład granulometryczny przedstawiono w oparciu o zalecane normy. Zawartość węgla organicznego w glebach oznaczano metodą miareczkową znaną jako metoda Tiurina [143]. Polega ona na utlenieniu węgla organicznego (C) do CO2 w środowisku silnie kwaśnym przy użyciu K2Cr2O7 (w obecności katalizatora Ag2SO4). Dla próbek glebowych o zawartości 7% węgla organicznego i więcej, metoda ta daje wyniki orientacyjne zawartości węgla organicznego. Procentową zawartość węgla organicznego w próbce oblicza się wg wzoru: C= (a − b)n ⋅ 0,0006 ⋅ 100 [%] c (60) gdzie: a – ilość soli Mohra zużyta na miareczkowanie 10 cm3 roztworu K2Cr2O7 o stężeniu 0,07 M, b – ilość soli Mohra zużyta do miareczkowania nadmiaru K2Cr2O7 pozostałego po utlenieniu węgla w naważce gleby, n – poprawka na miano soli Mohra, c – naważka gleby pobranej do analizy oraz przy założeniu, że 1 cm3 soli Mohra o stężeniu 0,2 M jest równoważny 0,0006 g węgla organicznego. Odczynu gleby (pomiar pH gleby) mierzono metodą elektrometryczna poprzez pomiar różnicy potencjałów w ogniwie składającym się z elektrody porównawczej (tj. elektrody o stałym potencjale) oraz elektrody pomiarowej, zanurzonych w zawiesinie glebowej (najlepiej w roztworze nad osadem po sedymentacji za- WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 59 wiesiny) powstałej po wymieszaniu gleby i roztworu w stosunku 1:2,5 [100, 120, 172]. Pomiar odczynu (pH) gleb obejmują: stosunek gleby do roztworu jak 1:2,5; dokładne wymieszanie składników suspensji, pozostawienia mieszaniny przez okres 24 godz. celem ustalenia się równowagi w układzie oraz pomiar pH w roztworze nad osadem. Pomiary wykonywano w trzech powtórzeniach przy użyciu pH-metru firmy Radiometr Copenhagen oraz elektrody zespolonej firmy Orion Research. Pomiar zawartości kwarcu w glebie Zawartość kwarcu w glebie określano w/g zmodyfikowanej metody Jacksona i in. [61, 85] polegającej na wydzieleniu kwarc z próbek glebowych. Do separacji kwarcu wykorzystano kwas sześciofluorokrzemowy (H2SiF6). Naważkę powietrznie suchej gleby o masie 5,000 g traktowano 6 M HCl celem usunięcia węglanu wapnia i materii organicznej,. Glebe z roztworem kwasu solnego ogrzano na płycie grzejnej przez 2 godziny w temperaturze 100 °C. Rozpuszczone składniki zdekantowano, a pozostałość przemyto wodą destylowana i ponownie zdekantowano. Przemywanie wodą destylowaną wykonano trzykrotnie. Po wysuszeniu pozostałości, próbkę zalano 15 ml stężonego H2SiF6 i inkubowano w temperaturze pokojowej przez 3 dni, mieszając kilkakrotnie w ciągu dnia. Zawartość zlewki ostrożnie zdekantowano, a pozostałość przemyto wodą destylowaną. Trawienie kwasem sześciofluorokrzemowym powtórzono 4 krotnie. Po przemyciu wodą destylowaną zawartość zlewki przeniesiono ilościowo do tygla i prażono w temp. 500 °C przez 2 godziny. Po ostudzeniu w eksykatorze próbkę zważono. Tak wyizolowany kwarc roztarto w moździeżu agatowym i przygotowano preparat proszkowy do oznaczeń składu mineralogicznego metodą dyfraktometryczną. Przygotowane preparaty proszkowe poddano analizie dyfraktometrycznej na dyfraktometrze HZG-4 TUR z lampą CuKα, filtrem Ni, przy parametrach roboczych 20 KV i 15 mA (prąd lampy). Impulsy zbierano w zakresie kątowym 10-50 50 2 °θ. Dyfraktogramy opracowano z wykorzystaniem programu komputerowego ORIGIN. O obecności wyłącznie kwarcu w badanych próbkach świadczy występowanie dubletu silnych linii dyfrakcyjnych (0,334 nm i 0,426 nm) odpowiadającym (101) oraz (100). Słaba linia 0,246 nm odpowiada refleksowi (110) kwarcu. Normy i standardy używane podczas pomiarów próbek glebowych ISO 12 277 – Oznaczanie składu granulometrycznego w mineralnym materiale glebowym. Metoda sitowa i sedymentacyjna. PN-R-04032: 1998 – Gleby i utwory glebowe – Pobieranie próbek i oznaczenie składu granulometrycznego. 60 B. USOWICZ, W. MARCZEWSKI I IN… PN-R-04033: 1998 – Gleby i utwory mineralne – Podział na frakcje i grupy granulometryczne. ISO 14 235 – Oznaczanie zawartości węgla organicznego przez utlenianie dwuchromianem w środowisku kwasu siarkowego. PN-ISO 10390, 1997. Jakość gleby. Oznaczanie pH. PN-R-04027, 1997. Analiza chemiczno-rolnicza gleby. Oznaczanie kwasowości hydrolitycznej w glebach mineralnych. PN-EN 1307, 2002. Środki poprawiające glebę i podłoża uprawowe. Oznaczanie pH. PN ISO 13536:2002 Oznaczanie potencjalnej pojemności wymiennej kationowej i kationów wymiennych z zastosowaniem zbuforowanego roztworu chlorku baru o pH = 8,1. PN ISO 11260:1999 Oznaczanie efektywnej pojemności wymiennej kationowej i stopnia wysycenia zasadami z zastosowaniem roztworu chlorku baru. PN-ISO 11461: 2003 Oznaczanie wilgotności objętościowej gleby z zastosowaniem pierścienia. Metoda wagowa. PN-EN 13041: 2002 Oznaczanie właściwości fizycznych. Gęstość objętościowa suchej próbki, pojemność powietrzna, pojemność wodna, kurczliwość i porowatość ogólna. Dane satelitarne Badania w projekcie, są częścią szerszego polskiego programu SWEX (Soil Water and Energy Exchange) jako zadania dla typu krajobrazu bagiennego w Polsce. Obszar wybrano na Polesiu. Program SWEX jest polskim wkładem w inny szerszy program globalny SVRT (Cal/Val SMOS Validation and Retrieval Team) prowadzony przez Misję ESA SMOS (Soil Moisture and Ocean Salinity) [41]. Misja SMOS ma za cel globalne monitorowanie wilgotności gleb na lądach, i zasolenia oceanów, w celach ustalania globalnych warunków wymiany wody z atmosferą, w związku z badaniami globalnych zmian klimatu. Wymiana wody z atmosferą ustala warunki zmian klimatu, i zasadniczo zależy od stanu warunków hydrologicznych na powierzchni Ziemi, oraz zdolności wymiany energii między Ziemią a atmosferą i promieniowaniem słonecznym. Wymiana energii wiąże się ściśle z termicznymi własnościami gleb, i pokrycia roślinnego, z zawartością wody w nienasyconych warstwach gleb, i zdolnością pokrywy roślinnej do ewapo-transpiracji (ET). Zadania walidacji obserwacji satelitarnych SMOS, wymagają aby na Ziemi prowadzić badania środowiska pozostające w związku z wodą, i bilansem energetycznym. Badania naziemne mają służyć walidowaniu obserwacji satelitarnych. Głównym ograniczeniem możliwości charakteryzowania środowiska na skale regionalne, przy pomocy badań naziemnych, jest trudność w uchwyceniu związ- WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 61 ków między zależnościami tych zmiennych środowiskowych ECV (Environmental Climate Variable) [46], które stanowią najmocniej o związkach z klimatem na duże skale regionalne. Do takich zmiennych ECV, zalicza się wilgotność gleb. Dlatego powołano misję SMOS do działania. Misja wystartowała 2 listopada 2009 r., ma działać przez 3-5 lat, i ma dostarczać obserwacji powierzchni Ziemi z cyklicznością 3-4 dni, dla tego samego miejsca na Ziemi. Żadne metody naziemne nie są w stanie dostarczyć tak konsekwentnie długich szeregów, przy rytmicznym odświeżaniu danych, i przy jednoczesności obserwacji na tak wielkich obszarach. Na Ziemi można zapewnić nawet bardzo dokładne i częstsze monitorowanie wybranych zmiennych ECV, ale tylko w wybranych i stosunkowo nielicznych miejscach. Monitorowanie obszarów wielkich wymaga środków zdalnych, z poziomu lotniczego i satelitarnego. Badania naziemne uogólnia się na obszary wielkie bardzo trudno, z powodu nie tylko kosztów, ale i różnorodności warunków wykonywania pomiarów, różnorodności źródeł błędów (fizycznych i technicznych), oraz z powodu różnorodności pokrycia obszarów środowiskiem biologicznym. Te trudności można pokonywać dopiero środkami obserwacji zdalnych, z orbity. Obserwacje satelitarne dają bardzo szerokie pole widzenia spójnego, ale kosztem wzrostu niepewności wyniku w miarach absolutnych. Wynik może być spójny na skalę kontynentu, ale przy braku pewności jak jest zawyżony lub zaniżony, a nawet zredukowany w precyzji, w porównaniu do tego jaki można uzyskać na Ziemi, dla ustalonego miejsca stacji obserwacyjnej. Po to jest program Cal/Val SVRT, dla SMOS, i inne projekty walidacyjne dla innych misji, aby wyniki weryfikować – na Ziemi, wprowadzać niezbędne korekcje w modelowych procesorach przetwarzania danych, przez misję SMOS, i później dostarczać ogółowi użytkowników dane pewniejsze. Wyniki walidowania obserwacji SMOS na Polesiu, i w kilkunastu innych programach międzynarodowych realizowanych globalnie, mają wspólnie, i rozdzielnie – uwiarygodniać obserwacje SMOS. Takie postępowanie walidacyjne jest rutynową praktyką wszystkich misji obserwacji Ziemi. Im większy jest obszar ocen prowadzonych lokalnie na Ziemi, tym większa może być wartość obserwacji z satelity. Ten interes zbiega się zgodnie z potrzebami ocen środowiskowych na Ziemi. Dlatego została podjęta tematyka niniejszego programu. Trzeba prowadzić istotne obserwacje naziemne, na Polesiu (okolice Kulczyna), odnosić je do obserwacji w terenie kontrastującym hydrologicznie i środowiskowo na Podlasiu (okolice Trzebieszowa), potem określać charakterystyki – czasowe i przestrzenne, według zdjęć satelitarnych naszego regionu z różnych dostępnych misji satelitarnych (ENVISAT ASAR, MERIS, AATSR, MODIS, LandSat, ALOS, RADARSAT), a na koniec porównywać wyniki z misją SMOS. 62 B. USOWICZ, W. MARCZEWSKI I IN… Zakres tematów niezbędnych dla takiego poszerzania skal, w kolejnych stopniach weryfikacji jest ogromny, ale i dobrze ugruntowany praktyką wykorzystywania obserwacji satelitarnych do ocen środowiskowych. W niniejszej pracy wykorzystano posiadane już doświadczenie i kompetencje w zakresie badań własności termicznych gleb, w związku z wodą, i metody statystyczne stosowane do wyznaczania rozkładów przestrzennych. Dane satelitarne potrzebne w projekcie, umożliwiają poszerzanie skal przestrzennych, ale początkowe wyznaczanie rozkładów własności trzeba prowadzić z danych naziemnych. Metody statystyczne wykorzystywane na Ziemi mają swoje przedłużenia w metodach statystycznych wykorzystywanych do interpretacji danych satelitarnych. Obserwacje naziemne różnią się tym od obserwacji satelitarnych, że dostarczają mało danych. Stale odczuwa się niedobór danych, na to by były statystycznie reprezentatywne. Inaczej jest z danymi satelitarnymi. Te dostarczają ogromne ilości danych, ale bywają dostępne rzadko. To są ważne różnice dotyczące reprezentatywności, do pokonywania na gruncie geostatystyki, i stąd wynikła orientacja niniejszego programu na metody statystyczne. Dane satelitarne z Polesia Zachodniego dla tej pracy, pozyskano w ramach programu ESA na udostępnianie obserwacji satelitarnych Cat-1 [40], dla celów naukowych związanych z walidacją obserwacji SMOS w projekcie SWEX [136]. Pozyskano około 50 zdjęć w ciągu 3 lat, do projektu SWEX, ale tylko kilkanaście dla Polesia. Są to zdjęcia ENVISAT-ASAR (radarowe), o rozdzielczości około 30 m, ENVISAT-MERIS (optyczne) wielkoskalowe o rozdzielczości 300 m, na skalę połowy Polski, ENVISAT-AATSR (w podczerwieni) wielkoskalowe o rozdzielczości około 1000 m, na zakres globalny – od bieguna do równika, lub od bieguna do bieguna. Trzeba wybierać własny wycinek, np. ze zdjęcia AATSR, i korzystać z wyspecjalizowanych procedur SEBS (Surface Energy Balance Simulator) w programie BEAM [4, 42], lub inne procedury w programie NEST [101] dla zdjęć ASAR. Są to narzędzia publicznie dostępne, darmowe, uprzystępnione dla użytkowników z wszelkich dziedzin obserwacji Ziemi, i do tego bogato udokumentowane na poziomie pozwalającym wprowadzać własne procedury. Współcześnie, nie wykorzystywanie obserwacji satelitarnych można usprawiedliwić tylko brakiem potrzeby, a nie brakiem środków lub źródeł wiedzy. Praktyka posługiwania się zdjęciami w projekcie, wykazała, że dostępność zdjęć jest względnie łatwa bo bez opłat, ale i trudna bo trudno uzyskać akceptację zamówienia indywidualnego na zdjęcie własnego terenu, w wybranych datach z częstością powtarzania np. 3 zdjęć w roku. Jest duże zapotrzebowanie od innych użytkowników, i zamówienia są realizowane z niewielkim powodzeniem. Tym niemniej w archiwach można znaleźć wiele zdjęć z różnych misji, z Polski, choć nie zawsze z pożądanego okresu. Praktycznie można liczyć na jedno zdjęcie ASAR w roku, w trybie niepłatnym Cat-1. Tak jest ze zdjęciami dedykowanymi WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 63 konkretnemu użytkownikowi dla konkretnej lokalizacji i czasu. Inaczej jest ze zdjęciami wykonywanymi przez misje rutynowo, i cyklicznie. Na przykład zdjęcia wielkoskalowe instrumentów ENVISAT MERIS i ASAR, są dostępne cyklicznie prawie wszystkim użytkownikom, w przedziałach czasowych wg ustalonego porządku skanowania. Okresy powtarzania zdjęć, z tych samych obszarów są kilku, kilkunasto, lub około 35-dniowe. Użytkowanie zdjęć w tym projekcie, przekonuje że najlepszą reprezentatywność dla swojego terenu można osiągać w trybach zdjęć wielkoskalowych, a i to z ograniczeniami do rozkładu jazdy satelity i koniecznego porządku ruchu orbitalnego, który trzeba poznać (np. wykorzystując publiczne programy EOLISA, ESOV, i tym podobne [42]). Dzieje się tak dlatego, że najwyższy priorytet badawczy, dla społeczności naukowych mają obserwacje Ziemi wielkoskalowe, co wynika z globalnych priorytetów naukowych. Współczesna nauka w dziedzinie obserwacji Ziemi jest kierowana na naukowe cele mesoskalowe. Takie też są współczesne cele badawcze najważniejszych misji środowiskowych. Ograniczone powodzenie w posługiwaniu się zdjęciami satelitarnymi w tym programie, prowadzi do wniosku merytorycznego, że jednak obserwacje satelitarne są rzadkie. Częste uzyskiwanie zdjęć jest osiągalne w innych trybach współpracy z agencjami kosmicznymi, a to jest albo kosztowne, albo wymaga akceptacji i włączenia własnego programu w programy międzynarodowe. Misja SMOS gwarantuje monitorowanie rytmiczne co 3-4 dni, prze 3-5 lat, i w tym jest jej wielka potencjalna wartość obserwacji. Każde miejsce na Ziemi, na małych i średnich szerokościach geograficznych, będzie monitorowane nie rzadziej niż 3-4 dni, każdego dnia o tej samej godzinie (około 6:00 rano czasu lokalnego), w tym samym miejscu. Czasowa zmienność wilgotności gleb, będzie próbkowana co 3-4 dni, a więc stosunkowo często (w porównaniu z innymi zdjęciami satelitarnymi), ale i rzadko bo tylko co 3 lub 4 cykl znajdzie swoją reprezentację. Stwarza to kolejne wymagania dla wyznaczania czasowej zmienności rozkładów przestrzennych wilgotności na Ziemi. Każde zdjęcie SMOS będzie integrowało efekty 3-4 cykli dziennych, kiedy zmienność warunków atmosferycznych, temperatury, opadów będzie wymuszana wieloma wydarzeniami meteorologicznymi, co trzeba będzie respektować opracowując dane naziemne statystycznie, i czerpać tę wiedzę z innych źródeł. Zresztą i SMOS jest misją, która czerpie potrzebne dane nie tylko ze swojego instrumentu, ale i z innych źródeł zewnętrznych. 64 B. USOWICZ, W. MARCZEWSKI I IN… WYNIKI Analiza statystyczna obserwacji naziemnych Statystyki zawartości frakcji granulometrycznych, odczynu gleby (pH), zawartości materii organicznej i kwarcu w warstwie 0-10 cm z obszaru gminy Trzebieszów i Urszulin zestawiono w tabelach 6 i 7. Dla pól uprawnych zestawiono dane odnoszące się do zawartości frakcji granulometrycznych, odczynu gleby (pH), zawartości materii organicznej i gęstości fazy stałej dla warstwy przypowierzchniowej (0-15 cm) i podornej (30-40 cm) i warstwie 80-90 cm (tab. 8). Wartości średnie, które są szczególnie istotną miarą tendencji centralnej rozkładu danej zmiennej i pozwalają one wstępnie odpowiedzieć na pytanie na ile badany rozkład jest zgodny z rozkładem normalnym. Ta informacja jest konieczna do dalszej analizy geostatystycznej. W przypadku, gdy badany rozkład odbiega od rozkładu normalnego dane są poddawane transformacji, po to żeby przybliżyć go do rozkładu normalnego. Przeprowadzona analiza zebranych danych z obszaru gminy Trzebieszów dotycząca składu granulometrycznego gleby (tab. 6) wykazała, że średnio w warstwie 010 cm najwięcej było piasku (71,9%), następnie pyłu (26,4%), najmniej zaś iłu (1,68%). Minimalne zawartości tych frakcji (w zbiorze 464 danych) wynosiły odpowiednio 45, 4 i 0%, a maksymalne 95, 54 i 8%. Odczyn gleb w gminie Trzebieszów, generalnie był kwaśny lub obojętny. Średnia wartość pH w warstwie 0-10 cm mierzona w KCl wynosiła 4,25, a w H2O 4,82. Minimalne wartości pH próbek gleby wynosiły 3,47 (KCl) i 3,88 (H2O), a maksymalne odpowiednio 6,98 i 7,29 (tab. 6). Zawartość materii organicznej w glebie na terenie gminy Trzebieszów była niewielka i wynosiła 0,84% w warstwie powierzchniowej 0-10 cm, Najmniejsza i największa zawartość materii organicznej, jaką zanotowano w pojedynczym punkcie pomiarowym w warstwie powierzchniowej to 0,002 i 3,75%. Średnia wartość pojemności kationowymiennej wynosiła około 10 cmol·kg–1, choć w poszczególnych próbkach zmieniała się znacznie (w przedziale od 3,69 do 27,6 cmol·kg–1). Analizy danych z gminy Urszulin odnoszące się do składu granulometrycznego gleby (tab. 7) wykazała również, że średnio w warstwie 0-10 cm najwięcej było piasku (82,9%), więcej było go o 11% niż w gminie Trzebieszów. Pyłu było znacznie mniej (15,5%), podobnie jak w gmninie Trzebieszów najmniej było iłu (1,6%). Minimalne zawartości tych frakcji (w zbiorze 86 danych) wynosiły odpowiednio 58, 3 i 0%, a maksymalne 96, 31 i 15%. WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 65 Odczyn gleb w gminie Urszulin, generalnie był obojętny. Średnia wartość pH w warstwie 0-10 cm mierzona w KCl wynosiła 6,2, a w H2O 6,6. Minimalne wartości pH próbek gleby wynosiły 3,7 (KCl) i 4,7 (H2O), a maksymalne odpowiednio 7,7 i 7,8 (tab. 7). Zawartość materii organicznej w glebie na terenie gminy Urszulin była znacząco większa niż w gminie Trzebieszów i wynosiła 3,2% w warstwie powierzchniowej 0-10 cm (tab. 7). Najmniejsza i największa zawartość materii organicznej, jaką zanotowano w pojedynczym punkcie pomiarowym w warstwie powierzchniowej to 0,4 i 48,8%. Zmienność charakteryzowana przez współczynnik zmienności (CV) wykazuje, że największą zmienność dla zawartości materii organicznej (187,2%) i frakcji iłu (104,9%) zanotowano w gminie Urszulin. W gmninie Trzebieszówe wartości CV badanych cech (47,2, 67,5) były znacznie mniejsze niż w gminie Urszulin. Najmniejszą zmienność odnotowano dla frakcji piasku w obu gminach. Skośność, która charakteryzuje stopień asymetrii rozkładu wokół jego średniej, w przypadku rozpatrywanych zmiennych była w większości dodatnia, część z raczej umiarkowaną asymetrią i część ze znaczną asymetrią, głównie ił, pH gleby i materia organiczna. Różnice między wartościami średnimi a medianami dla poszczególnych zmiennych jak i wartości asymetrii i kurtozy (tabela 6 i 7) wskazują, że większość badanych zmiennych z dość dobrą dokładnością można opisywać rozkładem normalnym. Tam gdzie te różnice były znaczne podczas analizy geostatystycznej dane zostały poddane transformacji (funkcje matematyczne – ln, pierwiastek kwadratowy) po to żeby osiągnąć dobrą zgodność z rozkładem normalnym. Zawartość iłu i materii organicznej na obu obiektach, przewodnictwo cieplne i dyfuzyjność cieplna na drugim polu były poddane transformacji logarytmem normalnym. Kwarc Gleba jest mieszaniną minerałów pierwotnych i wtórnych o różnej średnicy ziaren. Przeważającym składnikiem spośród minerałów pierwotnych jest kwarc oraz skalenie. Zawartość kwarcu – składnika relatywnie odpornego na działanie czynników fizycznych i chemicznych (procesów wietrzenia) jest często wykorzystywana do oszacowania wieku oraz genezy gleb [61, 126]. Kwarc jest również minerałem pierwotnym, który decyduje o przewodnictwie cieplnym i wilgotności gleby [39, 116]. Kwarc w badanych glebach jest składnikiem frakcji piasku, frakcji pyłu oraz występuje we frakcji ilu grubego (kwarc drobnoziarnisty). Hardy i in. [56] stwierdzili obecność kwarcu we frakcji > 2 µm. 66 B. USOWICZ, W. MARCZEWSKI I IN… W badanych próbkach jest to głównie kwarc odmiany β tzw. kwarc niskotemperaturowy, o czym świadczą słabe refleksy wyższego rzędu na dyfraktogramach wszystkich analizowanych próbek (d = 0,228 µm, d = 0,213 µm). Pewna rozbieżność między wynikami zawartości kwarcu uzyskanymi metodą chemicznej izolacji wg Jacksona [61], którą zastosowano w niniejszej pracy oraz zawartością frakcji piasku oznaczonego metodę sedymentacyjną może wynikać z obecności kwarcu drobnokrystalicznego we frakcjach drobnych gleb. Średnia zawartość kwarcu w gminie Trzebieszów wynosiła 69,5% i była ona zbliżona do zawartości frakcji piasku 71,9. W tym przypadku można wnosić, że we frakcji piasku występuje głównie kwarc, który z kolei ma istotny wpływ na stałą dielektryczną gleby. Ta stała dielektryczna jest konieczna do walidacji wilgotności gleby zmierzonej, raz poprzez satelitę, drugi raz poprzez miernik TDR oparty na pomiarze czasu propagacji fali elektromagnetycznej w glebie. W przypadku gminy Urszulin średnia zawartości kwarcu (65,7%) była znacząco mniejsza niż frakcji piasku (82,9%). Z tego porównania można wnosić, że oprócz kwarcu na obszarze tej gminy we frakcji piasku są inne składniki mineralogiczne, które należy uwzględnić przy oznaczaniu stałej dielektrycznej gleby. Porównując standardowe odchylenia w obu gminach wyraźnie wyróżnia się gmina Urszulin (15,6) z odchyleniem ponad 5-krotnie większym niż w gminie, Trzebieszów (2,97). Minimalne i maksymalne wartości kwarcu potwierdzają większe zróżnicowanie kwarcu w gminie Urszulin (18,7-84,8%) niż w gminie Trzebieszów (65,5-75,5%). Główne składniki mineralogiczne gleby, tj. kwarc i inne minerały określono z rozkładu granulometrycznego przyjmując, że frakcja 1-0,02 mm zawiera głównie kwarc, we frakcji poniżej 0,02 mm występują inne minerały [27, 164]. W tabeli 8 przedstawiono skład granulometryczny i niektóre właściwości fizykochemiczne gleby z Felina k/Lublina. WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 67 Tabela 6. Statystyka zawartości frakcji granulometrycznych, odczynu (pH), zawartości materii organicznej (OM), pojemności kationowymienej (CEC) i zawartości kwarcu w warstwie 0-10 cm z obszaru gminy Trzebieszów (Podlasie Południowe) [156] Gmina – Commune Parametr – Parameter Liczba punktów Number of points Średnia – Mean Odchylenie standardowe Standard deviation Współczynnik zmienności Coefficient of variation Asymetria – Skewness Kurtoza – Kurtosis Minimum – Minimum 25th %tile Mediana – Median 75th %tile Maksimum – Maximum % zawartość frakcji % content of fractions 1-0,05 0,05-0,002 <0,002 (mm) (mm) (mm) pH [KCl] pH [H2O] OM CEC (cmol·kg–1) (–) (–) (%) Warstwa – layer 0-10 cm % zawartość kwarcu % content of quartz 464 464 464 464 464 464 464 25 71,9 26,4 1,68 4,25 4,82 0,84 10,89 69,5 9,3 9,0 1,13 0,72 0,71 0,40 3,54 2,97 12,9 34,0 67,5 16,94 14,84 47,17 32,48 4,28 0,067 –0,471 –0,085 –0,419 1,565 3,690 1,719 2,506 1,312 1,350 1,461 8,145 0,890 1,440 0,431 –0,802 45,0 65,0 72,8 78,0 95,0 4,0 20,0 26,0 33,0 54,0 0,0 1,0 1,0 2,0 8,0 3,47 3,81 4,00 4,48 6,91 3,88 4,33 4,63 5,08 7,24 0,002 0,64 0,83 1,01 3,75 3,69 8,54 10,39 12,74 27,60 65,5 67,2 69,0 72,1 75,5 B. USOWICZ, W. MARCZEWSKI I IN… 68 Tabela 7. Statystyka zawartości frakcji granulometrycznych, odczynu (pH), zawartości materii organicznej (OM) i zawartości kwarcu w warstwie 0-10 cm z obszaru gminy Urszulin (Polesie) Parametr – Parameter Liczba punktów Number of points Średnia – Mean Odchylenie standardowe Standard deviation Współczynnik zmienności Coefficient of variation Asymetria – Skewness Kurtoza – Kurtosis Minimum – Minimum 25th %tile Mediana – Median 75th %tile Maksimum – Maximum Gmina – Commune % zawartość frakcji % content of fractions pH [KCl] pH [H2O] 1-0,05 0,05-0,002 <0,002 (mm) (mm) (mm) (–) (–) Warstwa – layer 0-10 cm % zawartość kwarcu % content of quartz OM (%) 86 86 86 87 87 87 22 82,9 15,5 1,6 6,2 6,6 3,2 65,7 7,6 6,7 1,7 1,2 0,9 6,0 15,6 9,1 43,5 104,9 20,2 12,8 187,2 23,7 –0,667 0,271 0,381 –0,635 5,834 44,534 –0,521 –1,274 –0,487 –1,107 5,636 39,806 –1,358 2,741 58,0 77,0 84,0 89,0 96,0 3,0 10,0 15,0 21,0 31,0 0,0 1,0 1,0 2,0 15,0 3,7 4,9 6,5 7,3 7,7 4,7 5,9 6,8 7,4 7,8 0,4 0,8 1,3 3,6 48,8 18,7 58,1 67,1 78,3 84,8 WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 69 Tabela 8. Skład granulometryczny oraz niektóre właściwości fizykochemiczne gleby z Felin k/Lublina. % zawartość frakcji Wastwa (cm) 1-0,1 0,1 0,05 0,02 0,006 -0,05 -0,02 -0,006 -0,002 < 0,002 pH (KCl) OM (%) Gęstość fazy stałej (Mgm– 3 ) 0-15 20 6 42 23 3 6 5,8 1,48 2,61 30-40 16 10 42 13 6 13 5,4 – 2,63 80-90 66 10 9 4 3 8 5,6 – 2,58 Analiza geostatystyczna obserwacji naziemnych Wszystkie zebrane dane pomiarowe z obszaru gminy przeanalizowano pod kątem wykrycia trendu w rozkładzie przestrzennym badanych cech gleby. W przypadku stwierdzenia trendu było on uwzględniany w dalszej analizie geostatystycznej. W przypadku obiektów w gminie Trzebieszów i Urszulin jak i Felinie można przyjąć, że rozpatrywane cechy spełniają warunek stacjonarności procesu lub kwasi-stacjonarności wymagany przy analizie geostatystycznej [51]. Rozkłady wartości badanych cech gleby były zbliżone do rozkładu normalnego (Rys. 12a-37a). Zmienność przestrzenną każdej z rozpatrywanej zmiennej (cechy gleby) w gminie Trzebieszów Urszulin jak i na Felinie badano przy użyciu semiwariogramów i krossemiwariogramów. Określano wartości samorodków, progi i zakresy autokorelacji przestrzennej oraz dopasowywano modele semiwariogramów i krossemiwariogramów do empirycznych wartości wraz z określeniem parametrów dopasowania modeli. Starano się tak dobrać krok próbkowania, sposób liczenia semiwariancji i krossemiwariancji, tak by jakość dopasowania modeli teoretycznych semiwariogramów i krossemiwariogramów do empirycznych danych była jak najlepsza w każdym przypadku. Otrzymane wysokie wartości współczynników determinacji (R2 > 0,8) oraz niewielkie wartości sumy kwadratów reszt (RSS<10–5) w zdecydowanej większości przypadków wskazują, że można z dość dobrą zgodnością dopasować modele teoretyczne do empirycznych semiwariogramów. Prowadzono analizę semiwariancji powierzchniowej celem wykrycia anizotropii w rozkładzie badanych cech (zmiennych). Jeśli stwierdzono, że w rozkładzie występuje anizotropia wyznaczano kierunek tej anizotropii, który uwzględniano podczas dalszej analizy geostatystycznej (Rys 12b-15b, 18b-21b, 24b-28b, 30b, 33b-37b). 70 B. USOWICZ, W. MARCZEWSKI I IN… Stwierdzono przestrzenną zależność badanych cech na wszystkich badanych obiektach (Rys. 12-37). Kształt zależności przestrzennej w zdecydowanej większości był sferyczny. Zależnością wykładniczą charakteryzowała się nieznaczna część badanych zmiennych. Parametry samiwariogramów wskazują, że przy wielu badanych zmiennych występuje efekt samorodka (Rys 12-37). Świadczy to o tym, że zmienność badanych cech jest mniejsza niż przyjęta w pomiarach polowych minimalna odległość pobieranych próbek glebowych. W przypadku, gdy wartości samorodka nie wiele się różni od wysycenia (progu), a zakres przestrzennej zależności jest niewielki w takim przypadku można przyjąć, że występuje czysty efekt samorodka, a do reprezentatywnego opisu badanej zmiennej wystarczą dwie wartości – średnia i wariancja. Można też w następnych pomiarach zmniejszyć krok próbkowania celem dokładniejszego wyznaczenia charakteru zmian wariancji strukturalnej, czy też potwierdzenia, że dana zmienną nie wykazuje przestrzennej zależności na badanym obiekcie. Jak pokazano na wszystkich rysunkach (Rys. 12-37) wartości wysycenia semiwariancji są porównywalne z wartościami wariancji wyznaczonej w sposób klasyczny, oznacza to, że nie występują istotne składowe deterministyczne (trendy) w badanych rozkładach. W gminie Trzebieszów i Urszulin wartości wysycenia semiwariogramów były pochodną zawartości poszczególnych frakcji. Największe ich wartości obserwowano dla frakcji piasku i pyłu w Trzebieszowie i kwarcu w gminie Urszulin. Inne zmienne charakteryzowały się znacząco mniejszymi wartościami. Analizując zakresy przestrzennej zależności składu granulometrycznego, gęstości i wilgotności gleby w gminie Trzebieszów i Urszulin można stwierdzić, że mieściły się one w zakresie od 0,01 do 0,06° (Rys. 12-37c, i na niektórych rysunkach a i e). W gmine Trzebieszów piasek, pył i wilgotność gleby osiągały górną wartość, ił, materia organiczna, kwarc i gęstość dolną. W przypadku gminy Urszulin największe wartości przestrzennej zmienności obserwowano dla kwarcu, gęstości i wilgotności gleby, pozostałe zmienne miały dolne wartości. Dla obszaru testowego w gminie Urszulin, wyznaczano krossemiwariogramy pomiędzy frakcjami granulometrycznymi pokazane na Rys. 18e-20e. Otrzymane empiryczne krossemiwariogramy i dobrane do nich modele posłużyły w dalszej analizie metodą kokrigingu uzyskać mapy rozkładu badanych cech o wiele dokładniejsze niż gdyby to było wykonane za pomocą metody krigingu. Pomiędzy zawartością piasku i pyłu wystąpiły między tymi zmiennymi zależność ujemna krossemiwariancji, natomiast między zawartością iłu i pyłu dodatnia zależność. Zakres przestrzennej zależności wynosił około 0,01°. Zmienność przestrzenną gęstości, wilgotności i właściwości cieplnych w glebie na polach Felina badano również przy użyciu semiwariogramów. Określano wartości samorodków, progi i zakresy autokorelacji przestrzennej oraz dopasowywano modele semiwariogramów do empirycznych wartości jak i określono parametry dopasowania modeli (Rys. 24-37). Stwierdzono autokorelację przestrzenną dla WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 71 wszystkich badanych cech. Kształt zależności autokorelacji przestrzennej dla większości badanych zmiennych był sferyczny. W dwóch przypadkach wilgotności gleby i dyfuzyjności w drugim dniu pomiarów był wykładniczy (eksponencjalny). Największe wartości zakresu autokorelacji zanotowano dla wilgotności gleby, przewodnictwa, pojemności i dyfuzyjności na polu pierwszym w pierwszym dniu, i polu drugim (około 180 m). Najmniejsze zaś dla gęstości na obu polach i w drugim dniu dla pozostałych rozpatrywanych zmiennych. (~8-40 m). W drugim rozpatrywanym dniu, pole pierwsze, zaobserwowano znacznie większą wilgotność gleby niż w pierwszym dniu i na drugim polu. Wyniki te wskazują, że cieplne właściwości i ich zmienność jak i zakresy są silnie determinowane przez dwie zmienne wilgotności i gęstość gleby. Przy niższym uwilgotnieniu gleby cieplne właściwości przyjmują zakres wilgotności gleby, zaś przy większym uwilgotnieniu gleby przyjmują one zakres zmienności gęstości gleby. Ta informacja wskazuje, która zmienną aktualnie istotnie determinuje zmienność przestrzenną, chociaż na wartości bezwzględne cieplnych właściwości mają wpływ obie zmienne oraz dominujący mineralogiczny czy organiczny składnik gleby. Analiza wymiaru fraktalnego Obliczone w oparciu o log-log semiwariogramy wymiary fraktalne oraz parametry dopasowania prostej do empirycznych danych semiwariancji w logarytmicznym układzie współrzędnych przedstawiono na Rys 12d-16d, 18d-22d, 24d37d lub c). Parametry dopasowania tj. standardowy błąd dopasowania, współczynnik determinacji, r2, przy n dobranej liczebność danych, wskazują na dobre dopasowanie linii prostej do empirycznych danych oraz że otrzymane wyniki współczynników nachylenia prostych bardzo dobrze wskazują kierunek zmian semiwariancji na badanych obiektach, tym samym pozwalają w zadawalający sposób wyznaczyć wymiary fraktalne. Wymiary fraktalne obliczone dla poszczególnych zmiennych odzwierciedlają zmienność poszczególnych cech gleby. Im większa była zmienność na danym obszarze gminy czy polu tym wymiar fraktalny by większy. W przypadku cieplnych właściwości wynika, że gęstości i wilgotność gleby również determinuje wymiar fraktalny. Przyjmowały one wartości tej zmiennej, która aktualnie ma decydujący wpływ na zmienność przestrzenną właściwości cieplnych gleby. B. USOWICZ, W. MARCZEWSKI I IN… 72 NonTransformed a) b) Frequency 50 40 30 20 10 0 45 55 65 75 85 95 Sand (%) Sand: Isotropic Variogram c) Semivariance 120 90 60 30 0 0.00 0.03 0.06 0.09 Separation Distance (h) Spherical model (Co = 34.60000; Co + C = 99.20000; Ao = 0.05; r2 = 0.933; RSS = 213.) Sand: Isotropic Analysis log(Semivariance) d) 2.03 1.52 1.02 0.51 0.00 -2.25 -1.86 -1.46 -1.07 log(Separation Distance [h]) D0 = 1.857 (SE = 0.289; r2 = 0.855; n = 9) Rys. 12. Geostatystyczna charakterystyka zawartości piasku (Sand) w gminie Trzebieszów: (a) – histogram, (b) – semiwariogram powierzchniowy, (c) – izotropowy semiwariogram z modelem i parametrami (C0 – wartość samorodek, C0 +C – wariancja strukturalna, A0 – zakres przestrzennej zależności, r2 – współczynnik determinacji, RSS – resztowa suma kwadratów), (d) – wykres loglog semiwariancji od odległości z parametrami (D0 – wymiar fraktalny, SE – błąd standardowy, r2 – współczynnik determinacji, n – liczebność kroków próbkowania, h – krok próbkowania w (°) gminy i (m) Felin) WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... NonTransformed a) 73 b) Frequency 40 30 20 10 0 0 15 30 45 60 Silt (%) Silt: Isotropic Variogram c) Semivariance 120 90 60 30 0 0.00 0.03 0.06 0.09 Separation Distance (h) Spherical model (Co = 34.60000; Co + C = 96.30000; Ao = 0.05; r2 = 0.934; RSS = 189.) Silt: Isotropic Analysis log(Semivariance) d) 2.02 1.52 1.01 0.51 0.00 -2.25 -1.86 -1.46 -1.07 log(Separation Distance [h]) D0 = 1.860 (SE = 0.282; r2 = 0.861; n = 9) Rys. 13. Geostatystyczna charakterystyka zawartości pyłu (Silt) w gminie Trzebieszów: (a) – histogram, (b) – semiwariogram powierzchniowy, (c) – izotropowy semiwariogram z modelem i parametrami, (d) – wykres log-log semiwariancji od odległości z parametrami (opis parametrów patrz Rys. 12) B. USOWICZ, W. MARCZEWSKI I IN… 74 Frequency a) Transformed b) 120 90 60 30 0 0.0 0.4 0.8 1.2 1.6 2.0 ln( [Clay] + 1) Clay: Isotropic Variogram c) Semivariance 0.20 0.15 0.10 0.05 0.00 0.00 0.03 0.06 0.09 Separation Distance (h) Spherical model (Co = 0.0121; Co + C = 0.1452; Ao = 0.01; r2 = 0.619; RSS = 3.262E-04) Clay: Isotropic Analysis log(Semivariance) d) -0.802 -0.831 -0.861 -0.890 -0.919 -2.25 -1.86 -1.46 -1.07 log(Separation Distance [h]) D0 = 1.966 (SE = 0.560; r2 = 0.638; n = 9) Rys. 14. Geostatystyczna charakterystyka zawartości iłu (Clay) w gminie Trzebieszów: (a) – histogram, (b) – semiwariogram powierzchniowy, (c) – izotropowy semiwariogram z modelem i parametrami, (d) – wykres log-log semiwariancji od odległości z parametrami (opis parametrów patrz Rys. 12) WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... Transformed a) 75 b) Frequency 50 40 30 20 10 0 0.0 0.4 0.8 1.2 1.6 ln( [OM] + 1) OM: Isotropic Variogram c) Semivariance 0.072 0.054 0.036 0.018 0.000 0.00 0.03 0.06 0.09 Separation Distance (h) Exponential model (Co = 0.01160; Co + C = 0.06340; Ao = 0.01; r2 = 0.527; RSS = 1.876E-04) OM: Isotropic Analysis log(Semivariance) d) -1.14 -1.19 -1.23 -1.27 -1.32 -2.25 -1.86 -1.46 -1.07 log(Separation Distance [h]) D0 = 1.941 (SE = 0.396; r2 = 0.774; n = 9) Rys. 15. Geostatystyczna charakterystyka zawartości materii organicznej (OM) w gminie Trzebieszów: (a) – histogram, (b) – semiwariogram powierzchniowy, (c) – izotropowy semiwariogram z modelem i parametrami, (d) – wykres log-log semiwariancji od odległości z parametrami (opis parametrów patrz Rys. 12) B. USOWICZ, W. MARCZEWSKI I IN… 76 NonTransformed a) Frequency 5 4 3 1 0 65 70 75 80 QC (%) QC: Isotropic Variogram b) Semivariance 15 12 9 6 3 0 0.00 0.03 0.06 0.09 Separation Distance (h) Spherical model (Co = 1.38000; Co + C = 9.77000; Ao = 0.02; r2 = 0.325; RSS = 46.9) QC: Isotropic Analysis log(Semivariance) c) 1.13 0.85 0.57 0.28 0.00 -2.23 -1.90 -1.58 -1.26 log(Separation Distance [h]) D0 = 1.794 (SE = 0.455; r2 = 0.795; n = 6) Rys. 16. Geostatystyczna charakterystyka zawartości kwarcu (QC) w gminie Trzebieszów: (a) – histogram, (b) – izotropowy semiwariogram z modelem i parametrami, (c) – wykres log-log semiwariancji od odległości z parametrami (opis parametrów patrz Rys. 12) WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 77 BD: Isotropic Variogram a) Semivariance 0.03 0.02 0.01 0.00 0.00 0.03 0.06 0.09 Separation Distance (°) Spherical model (Co = 0.00907; Co + C = 0.01675; Ao = 0.02; r2 = 0.108; RSS = 1.161E-04) W Cgrav: Isotropic Variogram 0.008 Semivariance b) 0.006 0.004 0.002 0.000 0.00 0.03 0.06 0.09 Separation Distance (°) Spherical model (Co = 0.00127; Co + C = 0.00550; Ao = 0.04; r2 = 0.721; RSS = 5.147E-06) WC TDR: Isotropic Variogram c) Semivariance 0.008 0.006 0.004 0.002 0.000 0.00 0.03 0.06 0.09 Separation Distance (°) Spherical model (Co = 0.00178; Co + C = 0.00405; Ao = 0.05; r2 = 0.429; RSS = 5.403E-06) Rys. 17. Geostatystyczna charakterystyka (izotropowy semiwariogram z modelem): (a) – gęstości gleby (BD), (b) – wilgotności grawimetrycznej (WCgrav), (c) – wilgotności gleby (WC TDR) w gminie Trzebieszów (opis parametrów patrz Rys. 12) B. USOWICZ, W. MARCZEWSKI I IN… 78 NonTransformed Frequency a) 15 12 9 6 3 0 50 60 70 80 b) 90 100 Sand (%) c) Sand: Isotropic Variogram Semivariance 100 80 60 40 20 0 0.00 0.03 0.06 0.09 0.12 0.15 Separation Distance (h) Spherical model (Co = 5.60000; Co + C = 72.48000; Ao = 0.01; r2 = 0.099; RSS = 674.) Sand x Silt: Isotropic Cross Variogram e) Sand: Isotropic Analysis 80 1.99 Semivariance log(Semivariance) d) 1.49 0.99 0.50 0.00 -2.32 -1.89 -1.45 -1.02 log(Separation Distance [h]) D0 = 1.978 (SE = 2.013; r2 = 0.108; n = 10) 40 0 -40 -80 0.00 0.03 0.06 0.09 0.12 0.15 Separation Distance (h) Spherical model (Co = -0.10000; Co + C = -65.96000; Ao = 0.01; r2 = 0.062; RSS = 504.) Rys. 18. Geostatystyczna charakterystyka zawartości piasku (Sand) w gminie Urszulin: (a) – histogram, (b) – semiwariogram powierzchniowy, (c) – izotropowy semiwariogram z modelem i parametrami, (d) – wykres log-log semiwariancji od odległości z parametrami, (e) – izotropowy krossemiwariogram z modelem i parametrami (opis parametrów patrz Rys. 12) WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... a) b) NonTransformed Frequency 79 15 12 9 6 3 0 0 5 10 15 20 25 30 35 Silt (%) c) Silt: Isotropic Variogram Semivariance 100 75 50 25 0 0.00 0.04 0.08 0.11 0.15 Separation Distance (h) Spherical model (Co = 0.10000; Co + C = 62.24000; Ao = 0.01; r2 = 0.040; RSS = 421.) e) Silt: Isotropic Analysis Silt x Sand: Isotropic Cross Variogram 80 1.87 1.40 Semivariance log(Semivariance) d) 0.94 0.47 0.00 -2.07 -1.72 -1.37 -1.01 log(Separation Distance [h]) D0 = 1.994 (SE = 7.832; r2 = 0.013; n = 7) 40 0 -40 -80 0.00 0.03 0.06 0.09 0.12 0.15 Separation Distance (h) Gaussian model (Co = -17.30000; Co + C = -66.12000; Ao = 0.01; r2 = 0.062; RSS = 503.) Rys. 19. Geostatystyczna charakterystyka zawartości pyłu (Silt) w gminie Urszulin: (a) – histogram, (b) – semiwariogram powierzchniowy, (c) – izotropowy semiwariogram z modelem i parametrami, (d) – wykres log-log semiwariancji od odległości z parametrami, (e) – izotropowy krossemiwariogram pył-piasek z modelem i parametrami (opis parametrów patrz Rys. 12) B. USOWICZ, W. MARCZEWSKI I IN… 80 Transformed Frequency a) b) 60 45 30 15 0 0.0 0.5 1.0 1.5 2.0 2.5 3.0 ln( [Clay] + 1) c) Clay: Isotropic Variogram Semivariance 0.2 0.2 0.1 0.1 0.0 0.00 0.03 0.06 0.09 0.12 0.15 Separation Distance (h) Spherical model (Co = 0.0097; Co + C = 0.1594; Ao = 0.01; r2 = 0.444; RSS = 6.715E-04) Clay: Isotropic Analysis e) -0.739 Semivariance log(Semivariance) d) -0.779 -0.818 -0.858 -0.898 -1.93 -1.64 -1.34 -1.05 log(Separation Distance [h]) D0 = 1.956 (SE = 1.917; r2 = 0.258; n = 5) Clay x Silt: Isotropic Cross Variogram 2.0 1.6 1.2 0.8 0.4 0.0 0.00 0.03 0.06 0.09 0.12 0.15 Separation Distance (h) Spherical model (Co = 0.1790; Co + C = 1.2290; Ao = 0.01; r2 = 0.107; RSS = 0.280) Rys. 20. Geostatystyczna charakterystyka zawartości iłu (Clay) w gminie Urszulin: (a) – histogram, (b) – semiwariogram powierzchniowy, (c) – izotropowy semiwariogram z modelem i parametrami, (d) – wykres log-log semiwariancji od odległości z parametrami, (e) – izotropowy krossemiwariogram ił-pył z modelem i parametrami (opis parametrów patrz Rys. 12) WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... a) 81 b) Transformed Frequency 20 15 10 5 0 0.0 1.0 2.0 3.0 4.0 ln( [OM] + 1) OM: Isotropic Variogram c) Semivariance 1.5 1.0 0.5 0.0 0.00 0.03 0.06 0.09 0.12 0.15 Separation Distance (h) Exponential model (Co = 0.190; Co + C = 1.124; Ao = 0.00; r2 = 0.203; RSS = 0.164) d) log(Semivariance) OM: Isotropic Analysis 0.183 0.098 0.013 -0.071 -0.156 -2.92 -2.34 -1.75 -1.17 log(Separation Distance [h]) D0 = 1.949 (SE = 0.851; r2 = 0.304; n = 14) Rys. 21. Geostatystyczna charakterystyka zawartości materii organicznej (OM) w gminie Urszulin: (a) – histogram, (b) – semiwariogram powierzchniowy, (c) – izotropowy semiwariogram z modelem i parametrami, (d) – wykres log-log semiwariancji od odległości z parametrami (opis parametrów patrz Rys. 12) B. USOWICZ, W. MARCZEWSKI I IN… 82 NonTransformed Frequency a) 5 4 3 1 0 15 25 35 45 55 65 75 85 QC (%) QC: Isotropic Variogram 650 Semivariance b) 520 390 260 130 0 0.00 0.03 0.06 0.09 0.12 0.15 Separation Distance (h) Spherical model (Co = 0.00000; Co + C = 244.10000; Ao = 0.06; r2 = 0.396; RSS = 377287.) c) log(Semivariance) QC: Isotropic Analysis 2.97 2.22 1.48 0.74 0.00 -2.39 -1.92 -1.45 -0.98 log(Separation Distance [h]) D0 = 1.828 (SE = 0.826; r2 = 0.352; n = 11) Rys. 22. Geostatystyczna charakterystyka zawartości kwarcu (QC) w gminie Urszulin: (a) – histogram, (b) – izotropowy semiwariogram z modelem i parametrami, (c) – wykres log-log semiwariancji od odległości z parametrami (opis parametrów patrz Rys. 12) WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 83 a) b) c) Rys. 23. Geostatystyczna charakterystyka (izotropowy standaryzowany semiwariogram z modelem): (a) – gęstości gleby (BD), (b) – wilgotności grawimetrycznej (WCgrav), (c) – wilgotności gleby (WC TDR) w gminie Urszulin. B. USOWICZ, W. MARCZEWSKI I IN… 84 Frequency b) NonTransformed a) 30 23 15 8 0 1.1 1.2 1.3 1.4 1.5 1.6 BD (Mg/m^3) BD: Isotropic Variogram c) Semivariance 0.008 0.006 0.004 0.002 0.000 0 50 100 150 200 Separation Distance (h) Spherical model (Co = 0.00001; Co + C = 0.00505; Ao = 20.10; r2 = 0.265; RSS = 3.069E-06) BD: Isotropic Analysis log(Semivariance) d) -2.24 -2.28 -2.32 -2.36 -2.40 0.00 0.76 1.52 2.28 log(Separation Distance [h]) D0 = 1.974 (SE = 1.104; r2 = 0.158; n = 19) Rys. 24. Geostatystyczna charakterystyka gęstości gleby (BD) na Felinie, pole 1, dzień 1 i 2: (a) – histogram, (b) – semiwariogram powierzchniowy, (c) – izotropowy semiwariogram z modelem i parametrami, (d) – wykres log-log semiwariancji od odległości z parametrami (opis parametrów patrz Rys. 12) WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... b) NonTransformed Frequency a) 85 30 20 10 0 0.0 0.1 0.2 0.3 WC (m^3/m^3) WC: Isotropic Variogram Semivariance c) 0.004 0.003 0.002 0.001 0.000 0 50 100 150 200 Separation Distance (h) Spherical model (Co = 0.000001; Co + C = 0.003042; Ao = 178.20; r2 = 0.978; RSS = 4.119E-07) d) log(Semivariance) WC: Isotropic Analysis -2.51 -2.72 -2.93 -3.14 -3.36 0.00 0.76 1.52 2.28 log(Separation Distance [h]) D0 = 1.588 (SE = 0.079; r2 = 0.960; n = 19) Rys. 25. Geostatystyczna charakterystyka wilgotności gleby (WC) na Felinie, pole 1, dzień 1: (a) – histogram, (b) – semiwariogram powierzchniowy, (c) – izotropowy semiwariogram z modelem i parametrami, (d) – wykres log-log semiwariancji od odległości z parametrami (opis parametrów patrz Rys. 12) B. USOWICZ, W. MARCZEWSKI I IN… 86 NonTransformed Frequency a) b) 30 20 10 0 0.5 1.0 1.5 2.0 TC (W/mK) c) Semivariance Isotropic Variogram 0.20 0.16 0.12 0.08 0.04 0.00 0 50 100 150 200 Separation Distance (m) Spherical model (Co = 0.04010; Co + C = 0.17520; Ao = 160.00; r2 = 0.971; RSS = 8.861E-04) d) log(Semivariance) TC: Isotropic Analysis -0.73 -0.87 -1.00 -1.14 -1.27 0.00 0.76 1.52 2.28 log(Separation Distance [h]) D0 = 1.769 (SE = 0.088; r2 = 0.960; n = 19) Rys. 26. Geostatystyczna charakterystyka przewodnictwa cieeplnego gleby (TC) na Felinie, pole 1, dzień 1: (a) – histogram, (b) – semiwariogram powierzchniowy, (c) – izotropowy semiwariogram z modelem i parametrami, (d) – wykres log-log semiwariancji od odległości z parametrami (opis parametrów patrz Rys. 12) WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... NonTransformed Frequency a) 30 23 15 8 0 1.3 1.5 1.7 87 b) 1.9 2.1 2.3 HC (MJ/m^3K) HC: Isotropic Variogram c) Semivariance 0.060 0.045 0.030 0.015 0.000 0 50 100 150 200 Separation Distance (h) Spherical model (Co = 0.00430; Co + C = 0.05300; Ao = 164.40; r2 = 0.978; RSS = 8.506E-05) HC: Isotropic Analysis log(Semivariance) d) -1.26 -1.43 -1.60 -1.77 -1.93 0.00 0.76 1.52 2.28 log(Separation Distance [h]) D0 = 1.692 (SE = 0.079; r2 = 0.965; n = 19) Rys. 27. Geostatystyczna charakterystyka pojemności cieplnej gleby (HC) na Felinie, pole 1, dzień 1: (a) – histogram, (b) – semiwariogram powierzchniowy, (c) – izotropowy semiwariogram z modelem i parametrami, (d) – wykres log-log semiwariancji od odległości z parametrami (opis parametrów patrz Rys. 12) B. USOWICZ, W. MARCZEWSKI I IN… 88 Frequency b) NonTransformed a) 30 20 10 0 1 2 3 4 5 6 7 8 9 10 TD x10^-7 (m^2/s) TD: Isotropic Variogram c) Semivariance 3 2 1 0 0 50 100 150 200 Separation Distance (h) Spherical model (Co = 0.75400; Co + C = 2.58900; Ao = 159.00; r2 = 0.966; RSS = 0.188) d) log(Semivariance) TD: Isotropic Analysis 0.438 0.321 0.205 0.089 -0.028 0.00 0.76 1.52 2.28 log(Separation Distance [h]) D0 = 1.801 (SE = 0.095; r2 = 0.955; n = 19) Rys. 28. Geostatystyczna charakterystyka dyfuzyjności cieplnej gleby (TD) na Felinie, pole 1, dzień 1: (a) – histogram, (b) – semiwariogram powierzchniowy, (c) – izotropowy semiwariogram z modelem i parametrami, (d) – wykres log-log semiwariancji od odległości z parametrami (opis parametrów patrz Rys. 12) WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 89 NonTransformed Frequency a) 40 30 20 10 0 0.15 0.20 0.25 0.30 WC (m^3/m^3) b) Semivariance WC: Isotropic Variogram 0.0010 0.0008 0.0006 0.0004 0.0002 0.0000 0 50 100 150 200 Separation Distance (h) Exponential model (Co = 0.000289; Co + C = 0.000931; Ao = 38.80; r2 = 0.974; RSS = 5.296E-09) c) log(Semivariance) WC: Isotropic Analysis -3.03 -3.11 -3.19 -3.27 -3.35 0.00 0.68 1.37 2.05 log(Separation Distance [h]) D0 = 1.849 (SE = 0.100; r2 = 0.975; n = 11) Rys. 29. Geostatystyczna charakterystyka wilgotności gleby (WC) na Felinie, pole 1, dzień 2: (a) – histogram, (b) – izotropowy semiwariogram z modelem i parametrami, (c) – wykres log-log semiwariancji od odległości z parametrami (opis parametrów patrz Rys. 12) B. USOWICZ, W. MARCZEWSKI I IN… 90 Frequency a) b) NonTransformed 40 30 20 10 0 0.5 1.0 1.5 2.0 TC (W/mK) TC: Isotropic Variogram Semivariance c) 0.20 0.16 0.12 0.08 0.04 0.00 0 50 100 150 200 Separation Distance (h) Spherical model (Co = 0.00010; Co + C = 0.03950; Ao = 20.20; r2 = 0.281; RSS = 1.753E-04) TC: Isotropic Analysis log(Semivariance) d) -1.34 -1.38 -1.43 -1.47 -1.51 0.00 0.76 1.52 2.28 log(Separation Distance [h]) D0 = 1.988 (SE = 2.446; r2 = 0.037; n = 19) Rys. 30. Geostatystyczna charakterystyka przewodnictwa cieplnego gleby (TC) na Felinie, pole 1, dzień 2: (a) – histogram, (b) – semiwariogram powierzchniowy, (c) – izotropowy semiwariogram z modelem i parametrami, (d) – wykres log-log semiwariancji od odległości z parametrami (opis parametrów patrz Rys. 12) WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 91 NonTransformed Frequency a) 40 30 20 10 0 1.5 1.7 1.9 2.1 2.3 2.5 HC (MJ/m^3K) HC: Isotropic Variogram b) Semivariance 0.03 0.02 0.01 0.00 0 50 100 150 200 Separation Distance (h) Spherical model (Co = 0.006890; Co + C = 0.019180; Ao = 40.10; r2 = 0.928; RSS = 3.474E-06) c) log(Semivariance) HC: Isotropic Analysis -1.62 -1.69 -1.76 -1.83 -1.90 0.00 0.72 1.43 2.15 log(Separation Distance [h]) D0 = 1.906 (SE = 0.290; r2 = 0.783; n = 14) Rys. 31. Geostatystyczna charakterystyka pojemności cieplnej gleby (HC) na Felinie, pole 1, dzień 2: (a) – histogram, (b) – izotropowy semiwariogram z modelem i parametrami, (c) – wykres log-log semiwariancji od odległości z parametrami (opis parametrów patrz Rys. 12) B. USOWICZ, W. MARCZEWSKI I IN… 92 NonTransformed Frequency a) 50 40 30 20 10 0 4 5 6 7 8 9 10 TD x10^-7 (m^2/s) TD: Isotropic Variogram Semivariance b) 0.6 0.5 0.4 0.3 0.2 0.1 0.0 0 50 100 150 200 Separation Distance (h) Exponential model (Co = 0.02800; Co + C = 0.43900; Ao = 8.90; r2 = 0.394; RSS = 0.0174) TD: Isotropic Analysis log(Semivariance) c) -0.298 -0.343 -0.388 -0.433 -0.478 0.00 0.76 1.52 2.28 log(Separation Distance [h]) D0 = 1.960 (SE = 0.580; r2 = 0.402; n = 19) Rys. 32. Geostatystyczna charakterystyka dyfuzyjności cieplnej gleby (TD) na Felinie, pole 1, dzień 2: (a) – histogram, (b) – izotropowy semiwariogram z modelem i parametrami, (c) – wykres log-log semiwariancji od odległości z parametrami (opis parametrów patrz Rys. 12) WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... NonTransformed Frequency a) 80 60 40 20 0 1.0 1.2 93 b) 1.4 1.6 BD (mg/m^3) c) Semivariance BD: Isotropic Variogram 0.008 0.006 0.004 0.002 0.000 0 50 100 150 200 Separation Distance (h) Spherical model (Co = 0.000010; Co + C = 0.005770; Ao = 32.30; r2 = 0.890; RSS = 2.536E-06) BD: Isotropic Analysis log(Semivariance) d) -2.19 -2.33 -2.48 -2.63 -2.77 0.00 0.72 1.44 2.16 log(Separation Distance [h]) D0 = 1.840 (SE = 0.347; r2 = 0.684; n = 15) Rys. 33. Geostatystyczna charakterystyka gęstości gleby (BD) na Felinie, pole 2: (a) – histogram, (b) – semiwariogram powierzchniowy, (c) – izotropowy semiwariogram z modelem i parametrami, (d) – wykres log-log semiwariancji od odległości z parametrami (opis parametrów patrz Rys. 12) B. USOWICZ, W. MARCZEWSKI I IN… 94 b) NonTransformed Frequency a) 80 60 40 20 0 0.0 0.1 0.2 0.3 WC (m^3/m^3) WC: Isotropic Variogram c) Semivariance 0.0020 0.0015 0.0010 0.0005 0.0000 0 50 100 150 200 Separation Distance (h) Spherical model (Co = 0.000140; Co + C = 0.001670; Ao = 149.00; r2 = 0.850; RSS = 5.881E-07) WC: Isotropic Analysis log(Semivariance) d) -2.75 -2.89 -3.03 -3.17 -3.31 0.00 0.72 1.44 2.16 log(Separation Distance [h]) D0 = 1.749 (SE = 0.320; r2 = 0.697; n = 15) Rys. 34. Geostatystyczna charakterystyka wilgotości gleby (WC) na Felinie, pole 2: (a) – histogram, (b) – semiwariogram powierzchniowy, (c) – izotropowy semiwariogram z modelem i parametrami, (d) – wykres log-log semiwariancji od odległości z parametrami (opis parametrów patrz Rys. 12) WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... Transformed Frequency a) 80 60 40 20 0 -1.4 -1.0 -0.6 -0.2 95 b) 0.2 0.6 ln(TC) TC: Isotropic Variogram c) Semivariance 0.30 0.24 0.18 0.12 0.06 0.00 0 50 100 150 200 Separation Distance (h) Spherical model (Co = 0.0386; Co + C = 0.2262; Ao = 125.30; r2 = 0.911; RSS = 5.123E-03) d) log(Semivariance) TC: Isotropic Analysis -0.60 -0.77 -0.94 -1.11 -1.29 0.00 0.72 1.44 2.16 log(Separation Distance [h]) D0 = 1.752 (SE = 0.137; r2 = 0.927; n = 15) Rys. 35. Geostatystyczna charakterystyka przewodnictwa cieplnego gleby (TC) na Felinie, pole 2: (a) – histogram, (b) – semiwariogram powierzchniowy, (c) – izotropowy semiwariogram z modelem i parametrami, (d) – wykres log-log semiwariancji od odległości z parametrami (opis parametrów patrz Rys. 12) B. USOWICZ, W. MARCZEWSKI I IN… 96 Frequency a) b) NonTransformed 60 40 20 0 1.00 1.25 1.50 1.75 2.00 HC (MJ/m^3K) HC: Isotropic Variogram c) Semivariance 0.05 0.04 0.03 0.02 0.01 0.00 0 50 100 150 200 Separation Distance (h) Spherical model (Co = 0.003500; Co + C = 0.041700; Ao = 138.90; r2 = 0.899; RSS = 2.388E-04) HC: Isotropic Analysis log(Semivariance) d) -1.35 -1.51 -1.68 -1.84 -2.00 0.00 0.72 1.44 2.16 log(Separation Distance [h]) D0 = 1.729 (SE = 0.196; r2 = 0.857; n = 15) Rys. 36. Geostatystyczna charakterystyka pojemnośći cieplnej gleby (HC) na Felinie, pole 2: (a) – histogram, (b) – semiwariogram powierzchniowy, (c) – izotropowy semiwariogram z modelem i parametrami, (d) – wykres log-log semiwariancji od odległości z parametrami (opis parametrów patrz Rys. 12) WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... a) b) Frequency Transformed 80 60 40 20 0 0.0 0.5 1.0 97 1.5 2.0 2.5 ln(TD) TD: Isotropic Variogram c) Semivariance 0.20 0.15 0.10 0.05 0.00 0 50 100 150 200 Separation Distance (h) Spherical model (Co = 0.02610; Co + C = 0.11920; Ao = 119.20; r2 = 0.905; RSS = 1.322E-03) TD: Isotropic Analysis log(Semivariance) d) -0.88 -1.04 -1.21 -1.38 -1.54 0.00 0.72 1.44 2.16 log(Separation Distance [h]) D0 = 1.770 (SE = 0.137; r2 = 0.928; n = 15) Rys. 37. Geostatystyczna charakterystyka dyfuzyjności cieplnej gleby (TD) na Felinie, pole 2: (a) – histogram, (b) – semiwariogram powierzchniowy, (c) – izotropowy semiwariogram z modelem i parametrami, (d) – wykres log-log semiwariancji od odległości z parametrami (opis parametrów patrz Rys. 12) 98 B. USOWICZ, W. MARCZEWSKI I IN… Estymacja rozkładów badanych cech za pomocą metody kriging i kokriging Przestrzenne rozkłady dla poszczególnych cech gleby w gminie Trzebieszów, Urszulin i na Felinie uzyskano na bazie wcześniej wyznaczonych parametrów, modeli semiwariogramów i krossemiwariogramów oraz zmierzonych danych z poszczególnych punktów pomiarowych przy użyciu metody krigingu i kokrigingu. Kriging używany był przy estymacji poszczególnych cech gleby w gminie Trzebieszów, w części zmiennych w gminie Urszulin i na Felinie. Skład granulometryczny w gminie Urszulin został estymowany przy użyciu metody kokrigingu gdyż metoda ta dawała o wiele lepszą zgodnością z danymi pomiarowymi niż to przy użyciu metody krigingu. Wykreślono mapy rozkładów przestrzennych badanych cech w obrębie rozpatrywanych obiektów (Rys. 38-49), jak również określano wartości błędu popełnionych podczas estymacji. Błąd estymacji dla wszystkich badanych cech gleby nie był większy niż 10-15% analizowanej cechy. W okolicach punktów pomiarowych błędy były znacznie mniejsze, około 2-4%, największe błędy wystąpiły na obrzeżach siatek pomiarowych. Mapy zawartości frakcji granulometrycznych w związku z tym, że ich suma zawsze musi być równa 100%, kształtują się odmiennie. Tam gdzie jest więcej piasku tam musi być mniej pyłu i iłu, i na odwrót. Można z pewnością znaleźć na mapie miejsca gdzie suma zawartości frakcji nie zawsze równa jest 100%. Jest to wynik samej estymacji i błędów użytej metody. Jednak rozpoznanie rozkładów przestrzennych poszczególnych frakcji dostarcza na tyle istotnych informacji (o zasięgu występowania określonych wartości, ukierunkowaniu ich zmian), że może one być wykorzystane przy dalszych analizach podczas walidacji wilgotności gleby na bazie pomiarów zdalnych z poziomu satelity. Rozkład piasku, pyłu, kwarcu i gęstości gleby (Rys. 38a i b, 40a) w gminie Trzebieszów ma charakter równoleżnikowy więcej piasku i kwarcu w części środkowej, również jest większa gęstość w tej strefie, mniej zaś w tej części jest pyłu. Ił i materia organiczna (Rys. 39a i b) miała przestrzenny układ bardziej wyspowy niż regularny (równoleżnikowy). Rozkład wilgotności gleby otrzymany z pomiarów grawimetrycznych wykazywał znacznie większe zróżnicowanie i większe wartości bezwzględne niż wartości wilgotności gleby otrzymane z pomiarów miernikiem TDR (Rys. 41a i b). Wyniki te wskazują na mniejszą czułość metody TDR niż metody grawimetrycznej. Jednak, ze względów na fakt, że metoda TDR jest o wiele szybsza i nie destrukcyjna jest ona do przyjęcia w masowych pomiarach. Wymaga ona jednak korekty na gęstość i skład mineralogiczny badanego ośrodka. Wskazane jest porównanie obu metod, po to, żeby błąd z pomiarów miernikiem TDR był jak najmniejszy. Przy przeglądzie map rozkładu piasku i pyłu wykonanych dla terenu gminy Urszulin można zauważyć, nieco odmienny charakter w rozkładzie zawartości piasku i WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 99 pyłu (Rys. 42a i b). Tu jest rozkład bardziej wyspowy z lekkim ukierunkowaniem rozkładu w stronę zachodnio-północną. W przypadku iłu, zawartości materii organicznej, kwarcu (Rys. 42c, 43a i b) uwidoczniają się wyraźne wyspy z większymi zawartościami. Gęstość gleby ma układ rozkładów ukierunkowany w stronę zachodnio-północną, natomiast wilgotność gleby wyraźnie zaznaczające się trzy obszary, różniące się między sobą znacznie (Rys. 44a,b i c). Podobnie jak w przypadku gminy Trzebieszów metoda grawimetryczna jest o wiele bardziej czuła niż metoda TDR. Przestrzenne rozkłady wilgotności z obu metod są do siebie podobny, ale widać mniejsze zróżnicowanie wilgotności na mapie otrzymanej z pomiarów miernikiem TDR (Rys. 44b i c) Przestrzenne rozkłady gęstości, wilgotności gleby na polu 1 w dniu 1 i 2 i polu 2 ukazują losowy charakter rozkładu gęstości gleby na dla wszystkich upraw i charakterystyczny wstęgowy układ rozkładu wilgotności wynikający z rozkładu uprawianych roślin na tym polu (Rys. 45a,b,c, 48a,b). Nawet znaczący wzrost wilgotności po opadzie nadal ukazywał podobny układ do wcześniejszego rozkładu wilgotności. Poszczególne właściwości cieplne gleby przybierały podobieństwo rozkładu wilgotności, przypadku małych uwilgotnień gleby. Kiedy wilgotność gleby była znaczna, około polowej pojemności wodnej, głownie przewodnictwo cieplne i dyfuzyjność cieplna była w przestrzennym rozkładzie podobna do rozkładu gęstości gleby (Rys. 45, 46, 47, 48, 49). a) 100 B. USOWICZ, W. MARCZEWSKI I IN… b) Rys. 38. Przestrzenny rozkład zawartości piasku (a) i pyłu (b) w warstwie gleby 0-10 cm na obszarze gminy Trzebieszów WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 101 a) b) Rys. 39. Przestrzenny rozkład zawartości iłu (a) i materii organicznej (b) w warstwie gleby 0-10 cm na obszarze gminy Trzebieszów 102 B. USOWICZ, W. MARCZEWSKI I IN… a) b) Rys. 40. Przestrzenny rozkład zawartości kwarcu (a) i gęstości (b) w warstwie gleby 0-10 cm na obszarze gminy Trzebieszów. WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 103 a) b) Rys. 41. Przestrzenny rozkład wilgotności gleby: metoda grawimetryczna (a) i TDR (b) w warstwie 0-10 cm w gminie Trzebieszów. 104 B. USOWICZ, W. MARCZEWSKI I IN… a) b) c) Rys. 42. Przestrzenny rozkład w warstwie gleby 0-10 cm zawartości piasku (a), pyłu (b) i iłu (c) na obszarze gminy Urszulin. WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 105 a) b) Rys. 43. Przestrzenny rozkład w warstwie gleby 0-10 cm materii organicznej (a) i kwarcu (b) na obszarze gminy Urszulin 106 B. USOWICZ, W. MARCZEWSKI I IN… a) b) c) Rys. 44. Przestrzenny rozkład gęstości (a) i wilgotności gleby (metodą grawimetryczną (b) i TDR (c)) w warstwie 0-10 cm w gminie Urszulin. WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 107 a) b) c) Rys. 45. Przestrzenny rozkład gęstości (a) i wilgotności gleby (w dniu 1 (b) i 2 (c)) w warstwie 0-10 cm na polu uprawnym 1 (Felin). 108 B. USOWICZ, W. MARCZEWSKI I IN… a) b) c) Rys. 46. Przestrzenny rozkład przewodnictwa cieplnego (a), pojemności cieplnej (b) i dyfuzyjności cieplnej gleby (c) w warstwie 0-10 cm na polu uprawnym 1, dzień 1 (Felin). WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 109 a) b) c) Rys. 47. Przestrzenny rozkład przewodnictwa cieplnego (a), pojemności cieplnej (b) i dyfuzyjności cieplnej gleby (c) w warstwie 0-10 cm na polu uprawnym 1, dzień 2 (Felin). 110 B. USOWICZ, W. MARCZEWSKI I IN… a) b) Rys. 48. Przestrzenny rozkład gęstości (a) i wilgotności gleby (b) w warstwie 0-10 cm na polu uprawnym 2 (Felin). WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 111 a) b) c) Rys. 49. Przestrzenny rozkład przewodnictwa cieplnego (a), pojemności cieplnej (b) i dyfuzyjności cieplnej gleby (c) w warstwie 0-10 cm na polu uprawnym 2 (Felin). 112 B. USOWICZ, W. MARCZEWSKI I IN… Wykorzystanie miejscowych pomiarów naziemnych do ocen regionalnych i walidacji obserwacji satelitarnych Kierunek badań naziemnych związków pomiędzy własnościami cieplnymi i wilgotnością gleby, okazał się istotny i przydatny dla celów walidacji obserwacji SMOS. Dlatego włączono go do projektu SWEX. Istotna różnica między badaniami naziemnymi i satelitarnymi jest w zakresie ocen regionalnych stanu środowiska i jego związków ze zmianą klimatu. Misje obserwacji kosmicznych Ziemi mają za cel naturalny oceniać widzianą Ziemię w wielkiej skali. Misja SMOS będzie dawała dane pokrywające Ziemię śladem około 1000 km (lub 500 km zależnie od modu pracy), w zobrazowaniu pikselami 35×35 km, ale za to systematycznie co 3-4 dni przez 3-5 lat dla tego samego miejsca na Ziemi. SMOS będzie prowadzić obserwacje całej powierzchni planety globalnie. Potrzeba ocen regionalnych i meso-skalowych na Ziemi jest stale niezadawalająco zaspokajana badaniami naziemnymi. Badania naziemne są zbyt pracochłonne i niepewne jak na potrzeby ocen w wielkich skalach. Z drugiej strony, oceny takie są niezbędne. Do ich wypracowywania służą ostatecznie metody statystyczne. Dlatego powyższe wyniki i dyskusja podstawowych pojęć statystycznych, zostały podjęte w rozdziałach następnych, poświęconych praktyce statystycznego opracowywania danych naziemnych. Te same pojęcia i kierunki statystycznego wnioskowania na podstawie semiwariogramów i przestrzennych rozkładów własności, mają zastosowanie w wykorzystywaniu danych satelitarnych, lecz ich efektywne wykorzystanie wymaga metod znacznie bardziej zaawansowanych. Dane naziemne można oceniać statystycznymi cechami rozkładów zmiennych z pomiarów bezpośrednich, i tak ingerować w weryfikację danych aby pewne dane przyjmować, inne wagować a jeszcze inne odrzucać. Przy wykorzystywaniu danych satelitarnych, nie można konfrontować bezpośrednio wyników pomiarów naziemnych z wynikami satelitarnymi. Poszukiwana odpowiedniość musi bowiem respektować inne zmienne mierzone, i musi respektować skale przestrzenne i czasowe. Pomiary naziemne są zawsze miejscowe a wyciągane z nich wnioski w wielkiej skali muszą być właściwie opracowane statystycznie. Jest więc zależność od wyboru metod statystycznych i ich istotności. Inna też jest reprezentacja skal czasowych danych naziemnych, a inna satelitarnych, podczas gdy ocenie podlegają procesy zmienności w czasie. Dane satelitarne są zwykle chwilowe i incydentalne. Trudno otrzymać zdjęcia satelitarne z danego terenu w liczbie np. kilkunastu dla jednego cyklu zmian sezonowych, bo to poważny koszt możliwy do poniesienia w programach badawczych dedykowanych dobrze uznanym celom. Obserwacje SMOS co 3-4 dni to bardzo dobra re- WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 113 prezentacyjna rytmiczność dla zmian sezonowych, ale to też „próbkowanie” procesów zmienności dobowej bardzo rzadkie, jak na różnorodność zjawisk atmosferycznych. Podobny dylemat reprezentacyjności występuje w badaniach naziemnych. Można prowadzić pomiary w skończonej, i niewielkiej liczbie miejsc testowych, a różnorodność przestrzenna (i wegetacyjna) środowiska jest ogromna. Nawet zautomatyzowane i częste pomiary meteorologiczne, np. opadu, niosą olbrzymią niepewność oceny opadu w obszarze, i zmuszają do wykorzystywania metod obserwacji zdalnych jak radary zasięgowe naziemne, lub satelitarne dla celów meteorologicznych. Dla ocen długoterminowych, chwilowe rozkłady zmienności opadów są potrzebne tylko o tyle, o ile prowadzą do ocen długoterminowych i meso-skalowych. Proste metody ocen statystycznych do tego nie wystarczają. Motywacją SMOS jest dostarczenie danych na temat wymiany wody z atmosferą, w miarach ilościowych odpowiadających zmianie klimatu. Następna misja kosmicznych obserwacji Ziemi, od 2015 roku, zorientowanych na cyrkulację wody, SMAP [124] (NASA), przyjmuje za jeden z głównych celów ilościową ocenę opadów na Ziemię, mierzonych globalnie [24]. SMOS ma ustalić tempo wymiany wody między lądami i oceanami, a atmosferą, przy niepewności miar opadu, ocenianych globalnie. Takie są priorytety we współczesnych obserwacjach Ziemi w związku ze zmianą klimatu. SMOS będzie wykorzystywał pomiar temperatury jasnościowej BT (Brightness Temperature) w paśmie mikrofalowym L (1,4 GHz). Temperatura jasności radiacyjnej jest miarą radiometryczną, i oznacza jaka jest emisja szumu naturalnego w paśmie obserwacji. Ta temperatura ma związek z temperaturą termodynamiczną poprzez prawo Plancka, określające jasność ciała doskonale czarnego. Natomiast związek z zawartością wody polega na tym, że woda i jej transport należą do czynników najbardziej determinujących ustalanie się temperatury termodynamicznej, jeżeli taki transport ma miejsce. Ponadto, woda jest pospolitym, powszechnie występującym na Ziemi, typem materii o jednej z największych wartości ciepła właściwego. Przez to zawartość wody rozstrzyga dominująco o wymianie ciepła między gruntem i atmosferą. Innym jeszcze czynnikiem zapewniającym związek obserwacji SMOS z wodą, jest to że zawartość wody jest bardzo dobrze związana z metodami obserwacji mikrofalowych w ogóle, zarówno pasywnych (radiometr SMOS), jak i aktywnych (radar, np. ENVISAT-ASAR). Przyczyna leży w silnie niesymetrycznej budowie molekuł wody, które łatwo i silnie oddziaływają z polem elektromagnetycznym. Są też i inne okoliczności wykorzystywania metod mikrofalowych do obserwacji wodnych, np. takie że zdjęcia satelitarne mikrofalowe słabo zależą od przesłaniania celu obserwacji chmurami. Są prawie niezależne od stanu zachmurzenia, a więc pewne w uzyskiwaniu. Np. wszystkie zdjęcia ASAR są „udane”, podczas gdy zdjęcia optyczne, 114 B. USOWICZ, W. MARCZEWSKI I IN… zwłaszcza wysokorozdzielcze, są dobrym źródłem informacji o powierzchni Ziemi, tylko wtedy gdy panują korzystne warunki braku zachmurzenia. Trudno liczyć np. na kilka dobrych zdjęć optycznych w miesiącu. W tej pracy, dochodzimy do wniosku, że o powodzeniu w wykorzystaniu danych satelitarnych, decyduje nie tyle opanowanie specyficznych narzędzi i metod przetwarzania, ale potrzeba celów interpretacji statystycznie zgodnych z celami satelitarnych instrumentów obserwacyjnych, i metodami do statystycznego przetwarzania danych. Metody dla wykorzystania danych satelitarnych są ograniczenie specyficzne tylko w zakresie metody obserwacji (radar, radiometr, spektrometr), natomiast ich podstawy są w fizyce i statystyce. Użytkownik danych satelitarnych musi więcej poznać z podstaw fizycznych i statystycznych, niż ze specyfiki technicznej instrumentu. Wszystkie dostępne narzędzia programowe do przetwarzania danych satelitarnych są wyposażone w bardzo współczesne procesory, które angażują metody statystyczne. Jeżeli są jakieś istotne bariery w ich wykorzystaniu, to leżą one głównie w niedostatecznym rozumieniu celów proponowanych interpretacji, lub ewentualnie nie rozróżnianiu metod analizy np. spektralnej od reflektometrycznej, i ich aspektach statystycznych. Współczesne narzędzia stają się dostępne dla użytkowników nie koniecznie wykształconych w kierunkach technicznych związanych z instrumentalną zasadą obserwacji. SMOS będzie działać od 2010 przez 3-5 lat, a do tego czasu wypracowano system przekazywania danych, szereg narzędzi, które są dostępne publicznie i będą nadal rozwijane, oraz szereg obserwacji przykładowych, symulowanych na podstawie danych realnych o środowisku na Ziemi, w tym z innych misji satelitarnych. Przykładem są dane symulacji SMOS na stronach CESBIO [125]. Temperatura jasności (BT) jest zmienną bezpośrednio obserwowaną instrumentem SMOS. Ta zmienna będzie potem transformowana na wilgotność gleb (SM – Soil Moisture). Na Ziemi mierzymy SM, bezpośrednio tzn. przy użyciu TDR (Time Domain Reflectometer) lub tradycyjnie metodą grawimetryczną przy użyciu cylindra Kopeckiego. Dla celów walidacji SMOS przyjęto, żeby konfrontować obserwacje SMOS na poziomie BT. Z danych naziemnych, i innych misji niezależnych trzeba nam określać BT i porównywać ją z jasnością BT uzyskiwaną ze SMOS. Oznacza to, że dane naziemne (w tym SM mierzone bezpośrednio) trzeba przekształcać na BT, w aktualnych i aktualizowanych rozkładach przestrzennych. Do tego celu misja SMOS przygotowała razem z grupą roboczą ECMWF pakiet programowy CMEM [24] udostępniany publicznie. Do modelu należy dostarczać dane dla szeregu zmiennych środowiskowych, aby otrzymać jasność BT, uzyskaną lokalnie lub w meso-regionie w sposób niezależny od instrumentu SMOS. To droga postępowania przy walidacji. Na tej drodze uzyskaliśmy pierwsze własne symulacje dla całej Polski, pokazane na Rys. 50. WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 115 Rys. 50. Symulacja BT modelem CMEM [24] dla Europy Centralnej, w rozdzielczości 1 km, na podstawie danych dekadowych, z maja 2004. Realne obserwacje SMOS, będą rejestracjami chwilowymi nie uśrednionymi, będą więc miały większą rozpiętość temperatur jasności. Uwaga: – Dane zmiennych ECV dla CMEM pochodziły z ECOCLIMAP [34], ECMWF [33], a tam zbierano je z innych kontynentalnych baz danych nt. warunków meteorologicznych, wegetacji i pokrycia terenu. Widoczne nieciągłości na wschodnich granicach Polski, należy tłumaczyć, różnicami jakości danych w tych bazach. Nie ma fizycznych powodów dla takiego zróżnicowania BT. Nie można ich całkowicie usprawiedliwiać, np. pokryciem terenu, użytkowaniem i roślinnością. Te dane, a zwłaszcza pokrycie i użytkowanie terenu (Land Cover and Land Use) były przedmiotem programów Europejskich ale w granicach Unii (CORINE). Poza UE, dane są uboższe, i mniej kompletne. Na Białorusi i Ukrainie, nie realizowano programu CORINE, więc te obszary są reprezentowane w bazach danych ubożej. Obraz uwidacznia zaledwie kontrasty w stanie wiedzy, o środowisku regionu. „Białych plam” na mapie w części lądowej nie ma, są tylko „czarne”, tzn. dane o tymczasowo mniejszej wiarygodności. 116 B. USOWICZ, W. MARCZEWSKI I IN… Widać wyraźnie, że chociaż temperatura jasności BT zawiera się w wąskim przedziale kilku K (mniej niż 10K), to daje rozkład przestrzenny związany poprawnie z morfologią i siecią hydrograficzną. Ponieważ dane do modelu CMEM, były uśredniane dekadowo, tu z maja 2004, to i wyniki BT są dekadowe. Model CMEM pracuje nie na obrazach lecz na macierzach, element po elemencie (piksel po pikselu). Jeżeli dane wejściowe mają swój porządek zobrazowania, to jest on zachowany wyniku przetwarzania na BT przez CMEM. Realne dane SMOS mogą być dużo bardziej zróżnicowane, bo będą zapisami chwilowymi. Porę nalotu obserwacyjnego SMOS, wybrano tak aby warunki wymiany energii między podłożem i atmosferą były ustabilizowane, tzn. na godz. 6:00 rano, czasu lokalnego, tak samo za każdym razem co 3-4 dni. O tej porze temperatury (termodynamiczna i radiacyjna) są stabilne, nie rozwinął się jeszcze proces wymiany energii. Mniej więcej o tej porze, gradient temperatury termodynamicznej w glebie zmienia swój znak. Podłoże przechodzi z oddawania energii na przyjmowanie energii. Wtedy SMOS ma robić rejestrację raz na 3 dni. Uważa się tę porę za bardziej sprzyjającą obserwacji, bo wartości BT będą bliskie wartościom oczekiwanym dobowym, i wolno zmienne. SMOS nie jest po to aby śledzić cykle dobowe, ani po to by charakteryzować różnorodność zjawisk w czasie i przestrzeni. Pomiar raz na 3-4 dni, i tak gubi wiele różnorodnych zdarzeń (np. opady) w czasie, a gubi również i przestrzenie (piksel 35 km). Celem pomiaru są trendy dłuższe w czasie (np. tygodniowe, dekadowe, miesięczne), i dłuższe w przestrzeni – przez wiele pikseli 35 km, w pasie 500 do 1000 km. Dlatego wybrano porę poranną. Pora zmierzchu, wykazuje na średnich szerokościach geograficznych szybsze tempo zanikania procesów wymiany energii, niż poranna i dlatego jest mniej korzystna. Wielkości symulowane BT przez CMEM, mieściły się w wąskim zakresie wartości. Celem tej symulacji było jedynie sprawdzenie czy typowe dane na wejściu CMEM, dadzą na wyjściu wartości prawdopodobne, i to się potwierdziło. Wynik zachował związek z morfologią i pokryciem terenu klasami leśnymi, o dużej biomasie. Lasy są wyraźnie ciemniejsze, tzn. i chłodniejsze. W dalszym postępowaniu, szereg zmiennych wejściowych CMEM, będzie pochodził z pomiarów naziemnych, aktualnych dla kampanii walidacyjnych. Jednak nie wszystkie dane! W takich przypadkach model CMEM będzie zasilany aktualizowanymi danymi z ECOCLIMAP, MERIS/MODIS, ASAR, i z innych źródeł. To jest normalna praktyka zwana fuzją danych. Model CMEM posługuje się uznanymi zmiennymi ECV (Essential Climate Variables), i narzuca konieczność rozróżnienia typów ekosystemów pokrywających całą Ziemię. ECOCLIMAP jest uniwersalną bazą danych środowiskowych archiwalnych, zbudowaną m. in. dla wsparcia walidacji SMOS. CMEM dopuszcza rozróżnianie 216 klas ekosystemów, z których tylko część występuje w Pol- WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 117 sce. Liczba klas ekosystemów wykorzystywanych dla Polski, będzie zależała od tego jak te ekosystemy będą rozróżniane w pracy naziemnej. CMEM [24] zbudowano modularnie i zhierarchizowano rozróżnianie ekosystemów indeksami, od podziału klas na najgrubsze – np. lasy, i nie lasy. Dalej, tereny otwarte uprawne, zurbanizowane, i wody otwarte. W tej hierarchii rozróżnia się następne podklasy ekosystemów, zależnie od natężenia wartości zmiennych wegetacyjnych ECV. Te rozróżnienia będą już uzależnione od możliwości wkładu pracy naziemnej w mierzenie zmiennych ECV. Przy niewielkim nakładzie pracy naziemnej, można liczyć na rozróżnianie niewielu (kilku) podklas roślinności niskiej i wysokiej, podobnie jak upraw rolnych. Wśród klas leśnych, będą rozróżniane podklasy lasów iglastych i liściastych, a dalej w każdej z nich, podklasy odpowiadające stopniowo gęstość biomasy, LAI, wydajności fotosyntezy i produktywności chlorofilu. Większość tych zmiennych ECV, jest w Polsce rzadko monitorowana na Ziemi, zwłaszcza na dużych obszarach. W leśnictwie nie praktykuje się mierzenia LAI na Ziemi, a stosuje się mniej obiektywny parametr „uliścienia”. Uliścienie daje miarę względną stanu zdrowia drzew określonego gatunku. LAI jest natomiast miarą bardziej obiektywną, bo opartą na transformacji radiacji w lesie, i ostatecznie opartą o prawo zachowania energii. Podobnie jest z praktyką oceny fotosyntezy i produktywności chlorofilu. Są to parametry stosowane w badaniach poszczególnych gatunków roślin i konkretnych upraw, ale nie do całościowego charakteryzowania stanu środowiska. Do tych celów, takie zmienne czerpie się rutynowo z obserwacji satelitarnych spektralnych (np. MERIS), a rzadziej sięga się po mierzenie ich na Ziemi, mimo że odpowiednie instrumenty są na rynku od co najmniej dwóch dekad. W projekcie, należy liczyć się z tym, że niektóre dane wejściowe do modelu CMEM pozostaną nie wypracowane na Ziemi, a będą musiały pochodzić z danych satelitarnych. Model CMEM jest na tyle elastyczny, że pozwala na wykorzystywanie klas i podklas ekosystemów na miarę możliwości nakładu pracy naziemnej. Jest jednak na tyle wymagający, że musi otrzymać wszystkie zmienne, nawet jeżeli są one tylko realistycznie przyjętymi stałymi. Używanie modelu emisyjności CMEM dla celów walidacji SMOS, w dużej mierze polega na tym, że badacze naziemni mają szanse na samodzielnie ćwiczenia obliczeniowe, dla określania jaka jest wrażliwość modelu i wyniku na poszczególne zmienne, i na proponowanie możliwej gradacji w rozróżnianiu ekosystemów, i dostosowywanie zakresu tej gradacji do możliwości w nakładzie pracy. Czego nie da się zmierzyć na Ziemi, trzeba czerpać z zewnętrznych baz danych, dbając o odpowiedniość czasową do obserwacji SMOS, i/lub wyinterpretować je z innych danych satelitarnych. 118 B. USOWICZ, W. MARCZEWSKI I IN… CMEM proponuje pewną elastyczną systematykę danych wejściowych, i skłania do używania powszechnie uznawanych zmiennych ECV. Potrzebne jest to dla pracy szeregu szczegółowych elementarnych modeli emisyjności – właściwych poszczególnym typom ekosystemów. Użytkownik modelu ma możliwość krytycznego ingerowania i poprawiania lub dopasowywania modeli do zawartości środowiskowej, na tyle na ile pozwolą mu jego kompetencje naukowe. Modele elementarne i dane wejściowe do nich trafiające, są ostatecznie źródłem wyniku BT. Przestrzenne zobrazowanie wynikowe BT ma taką rozdzielczość, w jakiej dostarczono dane na wejście modelu. Na przykład wszystkie dane lokalne z tej pracy, uzyskane na Polesiu, mogą być użyte wprost do zasilania modelu CMEM, i otrzymywania zobrazowań BT w takiej skali w jakiej je wypracowano. Z drugiej strony, używanie danych zewnętrznych, zwłaszcza tych dla skal większych niż lokalne, stwarza nowe wymagania sprawności w posługiwaniu się bazami danych, narzędziami do ich przetwarzania (formaty *.grib, *.netcdf, *.hdf5), i zyskiwania wiedzy o ich dostępności w źródłach danych publicznych. Dane własne mierzone na Ziemi, są głównie danymi o wilgotności SM, mierzonymi bezpośrednio, lub danymi ze stacji meteorologicznych własnych – zwłaszcza temperatura gleby (powierzchniowe i w profilach), oraz dla powietrza (w profilu do 2 m). To są dane o najwyższej wadze dla wyniku wyjściowego modelu. Natomiast dane LAI, fAPAR, o zmienności głównie sezonowej, mają być czerpane z obserwacji ENVISAT-MERIS (optycznych), albo z gotowych banków danych dla kontynentu Europejskiego. Podobnie jest z wymaganiami dla danych glebowych. Dane glebowe, tekstura czyli skład granulometryczny, są zasadniczo niezmienne. Model CMEM wymaga bardzo grubej oceny składu granulometrycznego (sand (piasek), clay (ił), silt (pył) – wystarczą dwa pierwsze składniki), ale trzeba go podawać w rozkładzie przestrzennym. Źródeł takich danych w kraju jest wiele, lecz bywa, że są one trudno dostępne, bo czasem nie kompletne, albo nie opracowane cyfrowo, a najczęściej pozornie „za dokładne”, jak na przykład klasyfikacje rolne gleb dla potrzeb zarządzania w rolnictwie. Klasyfikacje rolne gleb są pozornie wysoko rozdzielcze, w sensie liczby klas i podziałów terenowych, ale dotąd niewiele powstało zestawień regionalnych zgromadzonych i udostępnianych publicznie ze wspólnego banku. Taki bank danych glebowych kontynentalnych, istnieje w JRC, lecz reprezentacja Polski jest w nim niespójna z obszarami spoza Polski. Z punktu widzenia projektu SWEX, dla wykorzystania modelu CMEM do walidacji SMOS, powinno wystarczyć rozróżnianie elementarnego składu (sand, clay) w rozdzielczości 1 km (piksel SMOS 35×35 km). Jeżeli takich danych nie będzie, dla zadawalająco dużego obszaru wokół miejsca testowego, to takie dane będą dostępne badaczom bezpośrednio w ich zasobach danych, w zasięgu węższym, wokół ich miejsc testowych. Wtedy, do modelu CMEM będziemy wpro- WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 119 wadzać wartości własne, i utrzymywać je stałymi dla obszaru wybranego piksela SMOS. Może okazać się, że takie dane nie zróżnicowane dla dostatecznie wielkiego obszaru, będą lepsze od danych z obcych źródeł, bo je uzyskano w konkretnym terenie, z krytyczną oceną badaczy. Podobnie będzie z innymi zmiennymi wejściowymi, jeżeli np. jakieś dane radiacyjne (LAI, fAPAR) okażą się tymczasowo niedostępne dla aktualizacji bezpośredniej. Wtedy trzeba będzie użyć danych z banków kontynentalnych, nawet w skali i rozdzielczości dużo większej niż pomiary własne, bo dane środowiskowe w bankach danych, są aktualizowane. Oznacza to, że dane importowane, mogą okazać się stałymi w skalach lokalnych, lecz aktualizowanymi w czasie. Model CMEM jest wygodny dlatego, że nie wiąże użytkownika koniecznością tworzenia wielkiego zobrazowania. Można go wykorzystywać ze stałymi, w skali własnej, a potem z danymi importowanymi w skalach szerszych, a cały ciężar wymagań na tworzenie zobrazowania, pozostawiać w gestii użytkownika, dla przygotowania danych wejściowych i wyjściowych tak, aby zobrazowanie uzyskiwać innymi narzędziami. Do tego trzeba jednak danych, i meta-danych, przygotowanych zgodnie ze standardami tych narzędzi obrazujących. CMEM ma służyć potwierdzaniu wiarygodności danych naziemnych, przez porównywanie efektu ich użycia w postaci temperatury jasności BT, do temperatury jasności BT uzyskanej przez instrument SMOS, z orbity. Cel walidacji SMOS (piksel 35×35 km), z pewnością będzie gubił wiele szczegółów w zobrazowaniach z powodu meso-skalowego, a nawet globalnego charakteru ocen końcowych. Walidacja musi jednak obywać się dla wartości zmiennych w miarach absolutnych tzn. w Kelvinach. Każda obserwacja zdalna, a SMOS w szczególności, bo daje zobrazowanie interferometryczne, jest spójna przestrzennie, lecz za cenę wzrostu niepewności w miarach wartości absolutnych, i dlatego musi być walidowana. Każda misja obserwacji Ziemi, ma swój rutynowy program walidacyjny. Przy obecnym doświadczeniu z pomiarów naziemnych na Polesiu, można powiedzieć, że wybór miejsc testowych – na Krowim Bagnie i na Bagnie Bubnów był celowy, i słuszny. Tego potwierdzenia poszukiwaliśmy na zdjęciach radarowych ASAR, i potem będziemy poszukiwać na zdjęciach SMOS. Te miejsca powinny być właśnie w „samorodnych jądrach wilgotności” w regionie. Zdjęcia ASAR wydają się to potwierdzać. Zdjęcia optyczne MERIS – nie, dlatego że są wynikiem obserwacji optycznej, tzn. mniej wrażliwej na wodę, za to bardziej wrażliwej na zmienne wegetacyjne NDVI, LAI, fAPAR, uzyskiwane z analiz spektralnych (Rys. 51). 120 B. USOWICZ, W. MARCZEWSKI I IN… Rys. 51. Wycinek zdjęcia optycznego MERIS z regionu Polski wschodniej, z dnia 2 kwietnia 2009, tzn. z pory początku wegetacji, instrumentem ENVISAT-MERIS. Analizowano je procesorem TOA_VEG, a przedstawiono w kombinacji RGB, dla zmiennych (R=LAI, G=fCover, B=LAIxCab), Na zdjęciu zaznaczono trzy obszary ROI (Research Of Interest), które dalej porównywano w różnicach tych zmiennych środowiskowych, na podstawie rozproszenia zmiennych, na Rys. 59. Konfrontacja zdjęć MERIS i ASAR, ze skalą i rozdzielczością przyszłych zdjęć SMOS, skłania do zweryfikowania poglądu na posługiwanie się rozkładami wilgotności naziemnymi i satelitarnymi. Dotąd uważaliśmy, że walidacja musi prowadzić do stopniowego poszerzania skal, i uzgadniania rozkładów przestrzennych wilgotności. Ten pogląd był inspirowany z jednej strony rozpiętością skal, a z drugiej ograniczeniami tego co można zrobić dla rozkładów przestrzennych bezpośrednio na Ziemi, lokalnie, aby skonfrontować wynik uzyskany ze SMOS, w rozdzielczości pikseli 35 km. WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 121 Rys. 52 Zdjęcie polskiej części Polesia, instrumentem ENVISAT-ASAR, z 30 sierpnia 2008. Zdjęcie sklasyfikowanego metodą Wisharta, programem PolSARpro [42, 115] (dla dwóch kanałów polaryzacyjnych HH/VV), w 16 klasach, tak aby klasy 1-11 stanowiły szereg o wilgotności podłoża malejącej, od wód otwartych, do klas miejskich. Klasy 12-16 wydzielono dla obszarów leśnych, do odrębnego wyznaczania objętościowej zawartości wody, zależnie od objętościowej gęstości masy, biomasy, i innych zmiennych ECV (do ustalenia jako przedmiot walidacji). 122 B. USOWICZ, W. MARCZEWSKI I IN… Rys. 53. Zdjęcie ASAR-APP Podlasia, w okolicach Trzebieszowa (z 17 lipca 2003), po klasyfikacji intensywnościowej Wisharta, programem PolSARpro [42, 115]. Znaczenie klas jest takie samo jak na Rys. 52. Klasy są zapisem przestrzennym wzoru rozkładu wilgotności w terenie, który zachowuje swoją aktualność dla analogicznej pory roku. Wzór ten ma służyć wytworzeniu 16 masek, przez które będą poddawane ocenom aktualne zdjęcia ENVISAT-MERIS. Przestrzenny zapis wzoru klasyfikującego może być uaktualniany, w miarę dostępności aktualniejszych zdjęć ASAR. Maski z ASAR są dokładniejsze od przestrzennego zapisu klas na podstawie MERIS, i do tego niezależne od zachmurzenia. Klasy będą walidowane zdjęciami MERIS, i pomiarami naziemnymi. Barwy na rysunku, są arbitralne, a klasy służą interpretacji tylko wartościami indeksów, od 1 do 16-tu. W tle podstawiono model elewacji tereny SRTM. Pokonaniu rozpiętości skal mają służyć kolejno, zdjęcia ASAR (rozdzielczość nominalna 15 m, w klasyfikacjach 100-150 m), a potem zdjęcia MERIS (rozdzielczość nominalna 300 m, z wykorzystywanie klasyfikacji ASAR) (Rys. 51, 52, 53). To są rozdzielczości jeszcze nie porównywalne do SMOS (35 km). Jednak inne dane środowiskowe do walidacji, pochodzące z innych źródeł, mają rozdzielczości około 1 km, a niektóre nawet 10 km. Taki wybór instrumentów WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 123 MERIS, i ASAR, wynika z oferty dostępu do danych ESA, w projekcie SWEX, i stwarza szansę na stopniowe pokonywanie rozpiętości skal. Ta koncepcja powstała z inspiracji praktyką dezagregacji piksela SMOS, przez wypełnianie go bardziej rozdzielczą treścią z innych źródeł. Rozkłady określane z danych SMOS powinny osiągać zgodność z siecią hydrograficzną i morfologią. Tymczasem na zdjęciach bardziej rozdzielczych, też taka zgodność jest dobrze widoczna, i stąd pomysł stopniowania skali rozkładów i ich uzgadniania. Inne projekty w SVRT, postępują podobnie. Zobrazowania pikselami 35 km dają bardzo niewiele szczegółów, więc trzeba je odzyskiwać „fuzją danych”, również przy zaangażowaniu technik GIS i regionalnych modeli hydrologicznych (np. SWAT [135], i innych). Wtedy mogą powstać produkty obserwacji SMOS, wzbogacone o szczegóły, i jako takie łatwiej znajdujące odbiorców. Do tego podejścia inne projekty angażują wielkie zespoły naziemne, wykonują olbrzymią pracę terenową, wspomaganą dziesiątkami i setkami stacji naziemnych, i zautomatyzowanych systemów obserwacji bezpośrednich. SMOS ma kilka takich kampanii naziemnych, zwanych kluczowymi – w Hiszpanii, w Niemczech, Francji, w Stanach Zjednoczonych, i Australii. Mają one znaczenie kluczowe dla walidacji. Są jednak dwa inne obszary testowe, nadrzędne, lecz nie dla walidacji, a dla kalibracji instrumentu SMOS. To „stabilny obszar zimny” na Antarktydzie, z wielką Europejską stacją stałą, prowadzoną przez Włochów, i „stabilny obszar gorący”, na pustyni Taklimakan, z międzynarodową kampanią naziemną w Azji. Antarktyda jest rewizytowana przez SMOS, 14 razy na dobę, i tam odbywa się podstawowa kalibracja środowiskowa na Ziemi. Poza Ziemią, SMOS bierze do kalibracji szum galaktyczny, i Księżyc. W obszarach kluczowych dla walidacji, w Europie, i w Australii, pomiary naziemne są wspomagane pomiarami radiometrycznymi z poziomu lotniczego. W Polsce, projekt SWEX, nie może liczyć na stosowanie kosztownych obserwacji lotniczych. Partnerzy SWEX są nieliczni, rozproszeni po kraju. Kraj jest bardzo różnorodny pod względem typów krajobrazów. Potencjalne możliwości zespołów polskich są ograniczone, a wyposażenie i zdolności asymilacji danych globalnych, trzeba dopiero rozwijać. Do tego obszar Polski jest słabo reprezentowany w bazach danych kontynentalnych. Są dane CORINE [25], i glebowe JRC [63], ale to dane stałe. Dane szybko zmienne dla Polski muszą pochodzić ze źródeł meteorologicznych (Eumetsat LSA SAF [43]), i innych [44], w skalach około 10 km. Te źródła aktualizują swoje najszybciej zmienne dane nawet co 15 minut, i mają wielką wartość dla walidacji SMOS. Wymaga się pewnej biegłości w posługiwaniu się bazami danych, i ich wieloma standardami formatów, i dedykowanych narzędzi. Nasze zdolności są w tym zakresie ograniczone, i nie możemy aspirować do roli obszaru kluczowego w walidacji SMOS. Tym bardziej nie 124 B. USOWICZ, W. MARCZEWSKI I IN… można liczyć na zainwestowanie dużych środków unijnych dla intensywnej walidacji SMOS, w Polsce. Polska jest jednak krajem na tyle dużym, aby wyniki z tego obszaru były pożądane dla walidacji SMOS. Dlatego przyjęto koncepcję monitorowania kilku (9ciu) miejsc testowych, a nie obszaru. Trzeba zaznaczyć, że monitorowanie odbywa się tylko w okresach kampanii Cal-Val, nie permanentnie. Stale pracują tylko stacje obserwacyjne, lokalnie. Stąd też pochodziła nasza koncepcja początkowa, uzgadniania rozkładów przestrzennych różnych skal, i rozszerzania ocen – walidacyjnych, na obszar Polski. Walidacja, to jednak zadanie służebne i incydentalne dla misji SMOS. A wykorzystywanie danych SMOS, to zadanie zupełnie różne, też służebne ale względem wszystkich potencjalnych użytkowników danych – dla nas, w Polsce. Koncepcja uzgadnianiu rozkładów przestrzennych, w skalach: – lokalnej, małej skali regionalnej, i krajowej, w trakcie realizacji projektu, uległa jednak rewizji. Uzyskiwane rozkłady własności środowiskowych, z MERIS i ASAR, są wprawdzie dobrze zgodne z morfologią, i siecią hydrograficzną, ale słabo zgadzają się z rozkładami wyznaczanymi na Ziemi, w pomiarach bezpośrednich. Nawet trudno mówić o ich uzgadnianiu. Tym bardziej, że liczba dostępnych zdjęć ASAR jest niewielka, daty mało reprezentatywne dla zmian sezonowych, a cały zamiar – uzgadniania rozkładów, ma słabe podstawy statystycznej reprezentacji, zarówno na dostępnych zdjęciach satelitarnych, jak i w bezpośrednich pomiarach na Ziemi. Próby takiego uzgadniania rozkładów wilgotności gleb, pomiędzy danymi naziemnymi a danymi ASAR, wypadały mało zachęcająco. Trochę lepiej jest z wielkoskalową oceną zmiennych środowiskowych ze zdjęć MERIS/MODIS, ale te obserwacje są akurat mniej wrażliwe na wilgotność. Związki z wilgotnością są pośredniczone przez inne oceny środowiskowe. Przyczyna rewizji poglądu na uzgadnianie rozkładów ma charakter statystyczny. Każdy rozkład wilgotności, lub innej zmiennej, ma charakter zapisu chwilowego (temporary), związanego z czasem zebrania danych. Pomiary naziemne, zwłaszcza obsługiwane przez człowieka, są wykonywane raz, dwa, lub trzy razy w roku, w różnych porach roku, przez jeden dzień lub kilka dni, a procesy zmienności postępują niezależnie. Permanentne obserwacje są prowadzone tylko w nielicznych stacjach. Dysponowane zdjęcia satelitarne są też nieliczne, i to niekoniecznie w czasie zsynchronizowanym z pomiarami naziemnymi – z przyczyn niezależnych. Nie ma zgodności czasowej, i nie ma równoważności między czasowym pokryciem tego samego przedziału czasu danymi pobieranymi często. Nie można mieć często wykonywanych zdjęć satelitarnych dla badań środowiskowych. Inaczej będzie ze SMOS, bo będą rytmiczne. Podobnie bywa z innymi skanowaniami globalnymi Ziemi, ASAR (Wide Swath), i MERIS, w programach globalnych. Te jednak są bardzo nisko rozdzielcze, a ASAR WS pracuje tylko w jednej polaryzacji. WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 125 Powód statystyczny, dla którego trudno uzgadniać obserwacje lokalne z mesoskalowymi, ma również charakter statystycznie merytoryczny. Każdy rozkład przestrzenny lub czasowy, należy czytać jako rozkład prawdopodobieństwa, że dana zmienna przyjmuje wartość bieżącą, jaką „zaobserwowano obliczeniowo”, tzn. interpretacyjnie. Ta wartość zależy bowiem i od rozkładów statystycznych błędów w danych (zawsze obecnych), ale i od warunków analizy statystycznej, w jakich prowadzono ocenę. Wynik zależy, w pewnym zakresie, od wyboru drogi interpretowania, pomimo jej pełnej poprawności. Jeżeli mamy uzgadniać rozkład z danych naziemnych, i ze zdjęć ASAR, to nie ma mowy o zachowaniu tych samych warunków analizy statystycznej, bo metody stosowane do tych dwóch różnych typów danych, różnią się jednak znacznie. Statystyka jest wspólna, ale jej metody są niezupełnie równoważne. Wiadomo, że wynik SMOS może wymagać korekty wartości absolutnej, bo taka jest cena sięgania po wybór niskiej częstotliwości obserwacji (1,4 GHz), i cena za wybór metody zobrazowania interferometrycznego przy ograniczeniach apertury antenowej. Ta cena, powoduje niepewność wartości absolutnej, nie zależny od tego czy SMOS będzie obserwował ten czy inny ekosystem na Polesiu, Biebrzy, lub Żuławach. Instrument jako taki nie prowadzi rozróżnień w klasach krajobrazowo-środowiskowych. Natomiast interpretacja walidująca – tak, musi prowadzić takie rozróżnienia. Wniosek o porzuceniu zamiaru uzgadniania rozkładów, na rzecz dbałości o istotność miejsc testowych, jest zgodny z dyskusją w rozdziale na temat występowania samorodnych jąder wartości danych uprzywilejowanych statystycznie. Prawdopodobieństwo określania miejsca o dużej wilgotności, jest większe niż dla miejsca o małej wilgotności. Są takie miejsca statystycznie uprzywilejowane, tym że usprawiedliwiają to procesy odpływu, i retencji, dodatkowo uwarunkowane pokryciem roślinnym. Tam walidacja obserwacji SMOS może być bardziej wartościowa. Nie można stosować arbitralnego kryterium wymagania zgodności rozkładów przestrzennych w obszarze, a trzeba wyróżniać lokalizację tych miejsc uprzywilejowanych i do nich dowiązywać korekcje. Incydentalne nawet zdjęcia ASAR, mogą dostarczać wzorców rozkładów, które potem muszą być miejscowo dowiązywane do pomiarów naziemnych. Taka sama zasada ma odnosić się do walidowania danych SMOS. Wiarygodność dowiązania będzie tym większa, im więcej uwarunkowań środowiskowych zostanie wzięte do oceny w skali ponad lokalnej, dla wypracowania wartości referencyjnej oczekiwanej na Ziemi, w rejonie testowym. Takie miejsca na Polesiu zostały wybrane na tych bagnach Krowie Bagno, i Bagno Bubnów, mimo że za wyborem przemawiało tylko doświadczenie i znajomość regionu, a nie uzasadnienie statystyczne. To uzasadnienie można dopiero udokumentować wynikami z zastosowań modelu emisyjności gleby CMEM, stosowanego w tym projekcie. 126 B. USOWICZ, W. MARCZEWSKI I IN… Zespół, który przygotował model CMEM, przy ECMWF [33], i podał model do otwartego użytkowania publicznie, rozstrzygnął w nim o hierarchii rozróżnianych klas środowiskowych i ich gradacji, stosownie do ich głównych parametrów charakteryzujących – SM, LST (Land Surface Temperature, T2 (Temperatura na 2 m wysokości, LAI, fAPAR, i szereg innych. Jest to pewna hierarchia istotności warunków, dla obserwacji SMOS. Sam podział obszarów na klasy jest zasadniczo stały, przynajmniej przy 3-4 dniowym rewizytowaniu miejsc na średnich szerokościach geograficznych przez SMOS. Użytkownikowi pozostaje czynić rozróżnianie pokrycia klasami, aktualizacja ich gradacji przy wprowadzaniu danych, oraz – pełna swoboda ingerowania w modele elementarne emisyjności dla poszczególnych klas, a nawet rozwijanie ich jeżeli znajdą się po temu dobre powody. Bez tej hierarchii klas, i ich wyboru, użytkownik byłby zmuszony do czynienia własnych „odkryć”, by poznać które typy zmiennych mają większą, a które niższą wagę w wyniku SMOS w miarach jasności BT. Rozkład BT, dla Polski, pokazany na Rys. 50, ma świadczyć zaledwie o tym, że model CMEM pracuje w naszym projekcie funkcjonalnie poprawnie, a wiarygodność jego wyniku będzie zależała od wiarygodności danych wejściowych. Praca walidacyjna ma polegać na ustalaniu tej wiarygodności przez ćwiczenie wariantów wykorzystywania CMEM, i przez poszukiwanie innych świadectw niezależnych na wiarygodność danych wejściowych. Możliwości wykorzystywania obserwacji SMOS dla celów badań środowiskowych SMOS powołano do badania ilościowych miar w wymianie wody między lądami i oceanami, a atmosferą – dla potrzeb globalnego monitorowania zmiany klimatu. System globalnej cyrkulacji wody jest jednak bardzo złożony, i bogaty w różnorodnych zjawiskach atmosferycznych oraz formach materii na powierzchni Ziemi. Rozróżnianie 216 klas ekosystemów w modelu CMEM jest już pewnym bogactwem odpowiadającym potrzebom. Skala piksela 35 km jest bardzo gruba, jak na nasze potrzeby na Ziemi w skalach zjawisk obserwowalnych bezpośrednio. Trzeba jednak uznać, że obserwacje naziemne – w wielu miejscach, wieloma środkami, przy zmieniających się technologiach w dużych skalach czasu, najsłabiej radzą sobie z wyciąganiem wniosków i ocen regionalnych, i ponad regionalnych. Użyteczność obserwacji naziemnych bezpośrednich jest mocno ograniczona, i uwarunkowana statystycznie. Dla ocen regionalnych, piksel zobrazowania 35 km (przy paśmie obserwacji do 1000 km), to jednak rozdzielczość nie za gruba, a pomocna w ocenach statystycznych. Powierzchnia Ziemi, i kraju jak Polska, jest tak bardzo różnorodna w wielu aspektach środowiskowych i fizycznych, że ocena materiału danych bardzo wysoko rozdzielczych przysparza trudności nie tylko warsztatowych (matematycz- WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 127 nie) lecz i stwarza wyzwania koncepcyjne (intelektualnie) w pojmowaniu wartości uzyskiwanych ocen. Stosunkowo łatwo przychodzą miary wielkości przeliczalnych obiektami, jak liczebność obiektów czy populacje gatunków. Miary wielkości materialnie nie przeliczalnych jak bilans wody, energii, przychodzą znacznie trudniej, zwłaszcza gdy przedmiot oceny – woda, jest zaangażowany we wszystkie formy materii żywe i nie ożywione. Wtedy koniecznym jest posługiwanie się wieloma – zmiennymi, i modelami. Ocena SM z danych SMOS będzie ostatecznie jednoaspektowa, ale znaczenie jej będzie miało charakter integrujący różnorodność środowiska, przynajmniej w stopniu podstawowym. Z tego powodu, uważamy że wyniki obserwacji SMOS mogą mieć wielkie znaczenie dla różnych dziedzin badania środowisk ekologicznych na Ziemi, które respektują i potrzebują ocen związków czynnika wodnego zresztą zmiennych charakteryzujących środowiska i dynamikę ich zmian. Model CMEM jest tylko zbiorczym narzędziem pomocniczym, danym użytkownikom do pomocy w zadaniu walidowania obserwacji SMOS. Sam system instrumentu SMOS i system wytwarzania i dystrybucji danych nie będą rozróżniać klas środowisk, ani używać modelu CMEM. CMEM transformuje wiele zmiennych środowiskowych w uporządkowaniu przestrzennym, do wielkości instrumentalnie obserwowanej – BT. Natomiast cel obserwacji SMOS, wymaga użycia modelu odwrotnego, transformującego wynik obserwacji instrumentu BT na wielkość zmiennej docelowej SM. Ta transformacja nie będzie dokonywana przez użycie wielu tych samych modeli elementarnych, ale odwrotnych, jakie muszą być użyte przy walidacji. Ta transformacja jest dokonywana fizycznie, i statystycznie przez sensory instrumentu. Podkreślić trzeba zwłaszcza aspekt statystyczny bo na innej drodze, jest on bardzo trudno osiągalny a bywa niepewny. Użytkownik danych nie będzie musiał trudnić się wielością modeli emisyjności, jak wykonawca zadań walidacyjnych. Wynik obszarowej oceny zawartości wody, z danych SMOS, pozostanie jednak wyzwaniem do wysiłków interdyscyplinarnych, jakie bez tego wyniku nie znajdowały dotąd należytych podstaw. Przykładowo, możemy przypuścić, że badania warunków występowania susz rolniczych, jakie miały bardzo wątłe podstawy w danych meteorologicznych, i w Polsce, i w krajach bardzo wysoko rozwiniętych, zyskają nowe szanse dla zaprzeczenia dotychczasowym wnioskom. Możliwe, że ten problem zacznie być rozważany koncepcyjnie inaczej. Uważa się również, że bardzo ważny problem oceny bioróżnorodności ekosystemów, który dotąd bywa marginalizowany wbrew opiniom i decyzjom środowisk naukowych, może zacznie być stawiany w ściślejszych związkach z metodami badań środowiskowych satelitarnych. W tych dziedzinach zrobiono wiele, mimo że w obserwacjach zdalnych można rozróżnić („widzieć”) mniej niż z bliska. Dzięki technikom spektralnym można jednak wiedzieć więcej o złożoności procesów, a w konsekwencji wykorzystywania właściwych metod statystycznych 128 B. USOWICZ, W. MARCZEWSKI I IN… – oceniać lepiej. Każda technika obserwacji środowiskowych Ziemi podejmuje wyzwania związane z różnorodnością, a ich finał jest zawsze statystyczny. Poznanie natury zmienności przestrzennej wyrażonej poprzez mapy właściwości fizycznych i cieplnych gleby jak i określonych współzależności pomiędzy nimi pozwoli na porównanie pikseli o określonych wymiarach otrzymanych raz z pomiarów naziemnych westymowanych czy to metodą krigingu, czy kokrigingu z pikselami podobnymi otrzymanymi z pomiarów satelitarnych. Zarówno dane naziemne estymowane, jak i dane otrzymane z pomiarów z poziomu satelity muszą być ze sobą zgodne w tym samym układzie współrzędnych geograficznych. Kwestia tej zgodności jest pozornie prosta, natomiast rozmaitość formatów danych z różnych źródeł, i ich zawartości, wymagają sprawnego posługiwania się standardami właściwymi bazom danych, i wykorzystywania uznanych praktyk w posługiwaniu się meta-danymi (dane o danych). Zadania walidacyjne w SMOS wymusiły na wykonawcach przyswojenie kilku takich standardów, i świadectwem tego mają być wstępne rezultaty oceny emisyjności BT, dla Polski, pokazane na Rys. 50. Tak przygotowane dane będą stanowiły bazę danych do porównań, jak i dalszych analiz. Uzyskane wyniki analizy zdjęć satelitarnych Potrzebne do walidacji SMOS dane naziemne, to: – SM (wilgotność gleb), LST (Land Surface Temperature), ale i – Tp (temperatura gleby w profilu podpowierzchniowym), oraz Ta2 (temperatura powietrza w profilu nad powierzchniowym do 2 m), oraz cały szereg danych środowiskowych (meteo) i wegetacyjnych pozwalających na weryfikację pokrycia terenu, którą uzyskuje się ze zdjęć satelitarnych optycznych i mikrofalowych. Ten szereg danych jest znany z listy zmiennych wejściowych dla modelu CMEM. Na tej liście są również parametry własności elektrycznych i geometrycznych (przenikalność dielektryczna, nierównomierność powierzchni (Surface Roughness)), które wiążą się ściśle i z wodą i z metodą pomiaru instrumentu SMOS. Przenikalność dielektryczna jest wykorzystywana w walidacji na podstawie bezpośredniego pomiaru wilgotności TDR, i podobnie jak silnie warunkuje zarówno odbicie radarowe, w warunkach oświetlania, tak warunkuje i emisję szumu naturalnego z gleby. Przyczyna leży w mocno niesymetrycznej budowie molekuły wody, która łatwo oddziaływuje z polem elektromagnetycznym. W IA PAN jest bogate doświadczenie naukowe i techniczne związane z podstawami fizycznymi metody TDR, z budową instrumentów TDR, i z wykorzystaniem modeli fizycznych potrzebnych do interpretacji tych pomiarów. To jest duży i poważny dorobek naukowy IA PAN, zapoczątkowany przez prof. M. Malickiego jeszcze w latach 80-tych. WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 129 B. Usowicz, IA PAN, rozwinął swoją metodę modelu fizyczno-statystycznego dla modelowania własności cieplnych gleb, a ten model znalazł wiele uznanych przedłużeń, między innymi do modelowania własności dielektrycznych gleby, w związku z zawartością wody. Ten model włączono do wykorzystania w tym projekcie dla celów walidacji SMOS, i dla przygotowania danych przestrzennych o stałej dielektrycznej, na Ziemi dla modelu CMEM. Model CMEM jest narzędziem kompleksowego organizowania i wykorzystywania danych do walidacji. Natomiast model B. Usowicza jest modelem fizyczno-statystycznym podstawowym, do krytycznego opracowania danych i nadawania im kontrolowanej wiarygodności. Są zamiary, i możliwości, włączenia modelu fizyczno-statystycznego Usowicza, do modelu CMEM, w ramach tego programu współpracy ze SMOS. Sam instrument SMOS nie potrzebuje modelu przenikalności gleby jak i modelu CMEM, bo tylko rejestruje efekt pomiaru w postaci zmiennej BT, podobnie jak nie będzie potrzebował tych modeli użytkownik danych SMOS. Użytkownik będzie posługiwał się algorytmem przetwarzania BT na SM, jaki ostatecznie wypracuje i uzna SMOS na podstawie walidacji. Modele są jednak niezbędne w przeprowadzeniu walidacji. Jeżeli przenikalność dielektryczna jest niedostępna w prowadzonych badaniach miejscowych, a bywa rzadko stosowana bezpośrednio przez badaczy środowiska, to jest ona możliwa do pozyskiwania z innych źródeł danych niezależnych od SMOS, np. ze zdjęć radarowych ASAR. I tym tematem zajęto się również w IA PAN, opracowując sposoby weryfikacji modelu przenikalności przez konfrontację wyników z obserwacjami SMOS i ASAR. Zasadnicze różnice między zdjęciami radarowymi (ASAR) i radiometrycznymi (SMOS) polegają nie na różnych rozdzielczościach (odpowiednio 15 m i 35 km), ale na różnej i komplementarnej wartości obserwacyjnej, ze względu na zdolność do wykrywania reakcji fali EM (Elektro Magnetycznej) z wodą. Obie metody silnie reagują odpowiedzią instrumentu na wodę, z tej samej przyczyny – nie symetrii molekuły wody. Różnica leży w użyteczności skutków, i zasadniczo sprowadza się do dwóch efektów. Pierwszy to efekt komplementarności metod. Jedna metoda, radar, musi mieć obiekt silnie oświetlony aby badać odbicie w dobrych warunkach sygnału do szumu. Druga metoda, radiometr, nie korzysta z oświetlenia „sztucznego” (własnego), lecz bada jak obiekt obserwowany emituje szum, lub „świeci samoistnie” (szumi). Radiometr SMOS pracuje na częstotliwości mikrofalowej 1.4 GHz, niskiej, tzn. w zakresie widmowym gdzie gęstość promieniowania emitowanego (według prawa Plancka) jest coraz niższa, z malejącą częstotliwością obserwacji. Oznacza to, że radiometr pracuje przy niskim stosunku sygnału do szumu. Do tego, SMOS stosuje technikę interferometryczną – zaczerpniętą z radioastronomii, dla wydobywania sygnału właściwego spod poziomu szumów własnych systemu instrumentu. Tymczasem radar ASAR, pracuje na częstotliwości 4-krotnie większej, tzn. że jest zdolny do objęcia obserwa- 130 B. USOWICZ, W. MARCZEWSKI I IN… cją warstwy cieńszej niż SMOS, z powodu zależności głębokości optycznej od częstotliwości. Komplementarność zasad obserwacyjnych przynosi korzyści, bo to co jest gorzej, albo tylko – inaczej obserwowane radarem, jest inaczej obserwowane radiometrem. Inaczej, tzn. przy innym udziale szumów, i innych źródłach błędów, i w tym jest komplementarność. Różnica częstotliwości determinuje głębokość optyczną na jaką wnika promieniowanie EM, a więc grubość warstwy gleby pod obserwacją, dla obserwowania powierzchni lądów. SMOS może oceniać zawartość wody w warstwie podpowierzchniowej płytkiej (około 5-10 cm, zależnie od zawartości wody), ale i tak wielokrotnie grubszej niż ASAR. SMOS obserwuje warstwę o nienasyconej zawartości wody. Zawartość wody w warstwach nasyconych (strefa korzeniowa, wody gruntowe), stale warunkuje stan warstw nienasyconych wodą, ale przez procesy wymiany wody w glebie, pozostające poza zasięgiem obserwacji SMOS. SMOS wykonuje „zdjęcie chwilowe”, procesy postepują w rytmie dobowym, i dłuższych, a następne zdjęcie przychodzi dopiero po 3-4 dniach. Gleba działa fizycznie (i statystycznie) integrując efekty, a procesy transportu masy są stosunkowo wolne. Jeżeli są one szybkie, np. po opadzie i przy silnym nasłonecznieniu, to za 3-4 dni można liczyć tylko na efekt sumaryczny wszystkich wydarzeń fizycznych i atmosferycznych tego przedziału czasu. Zdjęcie chwilowe, jest zapisem stanu zintegrowanego, zawierającym różnorodność zdarzeń, reakcji i procesów na wielkim obszarze, w domenie przestrzennej, i bez rozróżniania rozmaitości klas pokrycia terenu. Zarówno instrument SMOS, jak i gleba, działają integrująco, lecz w innych domenach. Procesy naturalne w obu – i w czasie, i w przestrzeni zobrazowania, a proces obserwacji – tylko w przestrzeni. Zależności czasowe pozostają do interpretowania z danych (zdjęcia SMOS). To są te środki integracyjne, które zapewniają spójność obserwacji – konfiguracyjnie, a którymi nie dysponuje badacz naziemny, wykorzystujący pomiary bezpośrednie. W badaniach naziemnych trzeba zabiegać o integrację nakładem pracy interpretacyjnej, przy coraz słabszych podstawach do integracji. A przestrzenna spójność metody obserwacji SMOS, jest w istotny sposób wzmocniona technicznie interferencyjną zasadą tworzenia zobrazowania. Instrument SMOS nie skanuje obszaru obserwowanego, linia po linii, w porządku czasowym, lecz rejestruje sygnał odbierany z obszaru wszystkich pikseli w polu widzenia jednocześnie (i to nie jednokrotnie lecz w wielu spojrzeniach, z kolejnych pozycji satelity), a potem wytwarza zawartość każdego piksela przez korelacje każdego piksela z każdym. Wartość każdego piksela, zawiera więc udział wartości wszystkich innych pikseli w polu widzenia. Obserwacja jest wykonywana w poszukiwaniu związków stanu zawartości wody, w przestrzeni na podłożu, które są determinowane procesami fizycznymi transportu wody. Te związki mają być wykrywane w aspektach trendów, gradientów, ciągłości, i ich wiarygodność zależy od spójności danych z pola widzenia. Nato- WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 131 miast sama obserwacja jest wytwarzana w sposób możliwie najlepiej zapewniający spójność przestrzenną na poziomie instrumentu. Błąd w dowolnym pikselu, ma swój wkład błędu (nie jednakowy) do wszystkich innych pikseli. Ale i wiarygodna wartość określenia któregokolwiek z pikseli, wnosi swoją wiarygodność do wszystkich pozostałych. W większości instrumentów do obserwacji satelitarnych zdalnych, ta troska o spójność w polu widzenia jest sprawowana metodami prostszymi (np. kalibracje radiometryczne), a jej ciężar przenosi się na interpretację danych po wykonaniu obserwacji. SMOS robi to w dużej mierze na poziomie samego instrumentu, i w czasie trwania obserwacji. Anteny SMOS odbierają szum z różnych głębokości pod powierzchnią, bo wszystkie warstwy głębokie również promieniują. Jednak promieniowanie z warstw głębokich jest tłumione przez warstwy przypowierzchniowe, i ma swój mniejszy udział w sygnale odbieranym. Zdjęcia radarowe ASAR są zdeterminowane statystycznie daleko lepiej od zdjęć radiometrycznych, a jeśli są wykonywane na 5 GHz, a nie na 1,4 GHz, to mają lepszą rozdzielczość, o rzędy wielkości. Dlatego zdjęcia ASAR są bardzo odpowiednie dla wydzielania klas pokrycia wegetacyjnego, i innego, chociaż są mniej związane z wilgotnością, bo głębokość wnikania jest odwrotnie proporcjonalna do kwadratu stosunku częstotliwości, w obu metodach. Dla ośrodków gęstych w znaczeniu gęstości masy, głębokość wnikania jest zwykle znikoma, zwykle znacznie mniejsza od 1 mm. Za to określanie geometrii na granicach ośrodków, jest zdeterminowane znakomicie. Ośrodki naturalne są jednak rzadsze w gęstości masy. Czym innym jest gęstość masy drewna, a czym innym gęstość objętościowa lasu. Dlatego ośrodki pokrywy roślinnej są przenikane przez promieniowanie EM (i optyczne), zależnie od transformacji radiacji w ich objętości i zależnie od częstości występowania granic ośrodków, w strukturach obiektowych o rozmiarach porównywalnych w długością fali, występowaniem ich w porządkach okresowych, powodowaniem i dopuszczaniem udziału odbić wielokrotnych, etc. Ta złożoność struktury, faktury, i tekstury warstw pokryw roślinnych, ma swoje fizyczne i statystyczne miejsce w modelowaniu, tzn. w sposobach interpretacji i wykorzystania danych. Efektywnie, istnieje możliwość określania wilgotności gruntu pod np. pokrywą leśną na podstawie echa radarowego odbieranego przez przesłaniającą warstwę lasu. Jednak zawartość wody w objętości lasu również staje się celem obserwacji, bo stanowi o całości zasobu wody obserwowalnej – w „nienasyconej wodą” warstwie lasu, i w nienasyconej przypowierzchniowej warstwie gleby. Warstwy nasycone są już zwykle prawie niewidoczne dla radarów do obserwacji środowiskowych, a jeśli widoczne to stają się bliskie klasom wód otwartych. Te zaś pochłaniają większość promieniowania, albo dają echa odwzorowujące np. stan falującej lub wzburzonej powierzchni wód. Metody radarowe, i radiometryczne, wymagają używania innych modeli – odpowiednio – odbiciowego, i emisyjnego. Każdy typ ośrodka pokrycia terenu (klasa) wymaga też różnicowania modeli, aby uchwycić zależno- 132 B. USOWICZ, W. MARCZEWSKI I IN… ści od tych parametrów jakie je określają w zasadniczych aspektach. Np. modele emisyjności lasów, w CMEM są bardzo ogólne, i dzielą się najpierw na najgrubsze typy – tropikalne, borealne. Potem na klasy lasów wysokich i niskich, liściaste, i iglaste, a dalej różnicują się gęstością biomasy, LAI, fAPAR, i innymi parametrami środowiskowymi. Podobnie jest z rozróżnianiem klas roślinności nieleśnej. Tego rodzaju podziały, w istocie generalizujące, nie zasługują na krytykę ich nieadekwatności do różnych dziedzin badawczych, ale na uznanie celowości ich podejmowania po to aby uchwycić te własności fizyczne, które są współcześnie możliwe do obserwacji i modelowania. Wielką zasługą twórców modelu CMEM jest ich wprowadzenie i uporządkowanie wiedzy o procesach fizycznych i biologicznych, uchwytnych obserwacyjnie. Inne potrzeby, wykrywania gęstości pokrycia gatunkami roślin, oceniania występowania siedlisk gatunków flory i fauny, są też możliwe do zaspokajania odpowiednimi technikami obserwacji spektralnych, np. metodami hyper-spektralnymi. W tych dziedzinach tworzy się jednak inne model i środki. Zdjęcia ASAR można z powodzeniem wykorzystywać do przestrzennie precyzyjnego wydzielania klas uogólnionych. Klasy pokrycia roślinnego, i ich rozkład, są to jednak czynniki stałe w regionie – przynajmniej w czasowej skali powtarzania zdjęć SMOS. Zdjęć ASAR do tego celu trzeba mniej, 1 lub 2 na rok i to w porze początkowego rozwoju wegetacji. Zdjęć SMOS trzeba wiele, co 3-4 dni, aby śledzić dynamiczne konsekwencje rozwoju procesów związanych z wodą. SMOS nie może dać danych o rozwoju procesów biologicznych (ich stanie w wyróżnionych klasach), i z powodu rozdzielczości 35 km piksela, ale i z powodu zakresu spektralnego 1.4 GHz. A przecież dynamika rozwoju wegetacyjnego ma bardzo istotne znaczenie dla rozwoju warunków hyfrologicznych, i musi być śledzona. Tyle, że to nie zadanie SMOS a zadanie użytkownika danych SMOS, jeśli jest on zainteresowany związkiem warunków hydrologicznych z procesami biologicznymi. Do tego musi on wykorzystywać źródła zdalnych obserwacji spektralnych. W naszym przypadku jest to misja ENVISAT-MERIS. Procesy wegetacyjne charakteryzuje się wynikami analiz spektralnych (multia nawet hyper-spektralnych) przy użyciu zmiennych ECV, takich jak NDVI, LAI, fAPAR, fCover, etc... Analizy spektralne są to postępowania dla ustalania relacji między wieloma kanałami, więc musi ich być wiele. Analizy elektromagnetyczne (radarowe i radiometryczne) mają do dyspozycji najwyżej kilka (do 4-rech) kanałów polaryzacyjnych, na jednej i tej samej częstotliwości, i nie mogą dać informacji podobnej do indeksów wegetacyjnych NDVI, LAI, fAPAR, fCover. Mogą dać za to lepszy związek bezpośredni z wodą (w obserwacjach optycznych jest on odległy poprzez modele, a więc drogą okrężną), i nadzwyczaj wysoką precyzję przestrzenną, nie mówiąc już o praktycznej niezależności od warunków zachmurzenia. Wszystkie te techniki obserwacyjne muszą się uzupełniać, i być wykorzystywane. Łączą je nadrzędne cele obserwacji środowiskowych, i absolutnie nad- WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 133 rzędna potrzeba wykorzystywania prostych i wysokich metod statystycznych. Niektóre doświadczenia z użytkowania metod statystycznych przenoszą się z dziedziny polarymetrycznej do spektralne, i odwrotnie, a niektóre pozostają właściwe wyłącznie jednej z tych dziedzin. Nie można jednak obyć się metodami statystycznymi wyłącznie prostymi. W tym jest chyba największa przeszkoda dla wielu nowych użytkowników narzędzi do przyswajania obserwacji satelitarnych i stosowania ich w praktyce. Stosownie do częstotliwości, współczynnik odbicia σ0 zależy od penetracji promienia na głębokość warstwy gleby, z pokrywą roślinną [144, 145]. Fala elektromagnetyczna może być spolaryzowana w kierunku pionowym (V) lub poziomym (H). Rejestracja fali odebranej może również być w polaryzacjach składowych pionowej (V) i poziomej (H), w kombinacjach HH (nadawane H i odbierane H), lub VV, HV, VH, przemiennie. Różna jest wrażliwość poszczególnych polaryzacji na zawartość wody w glebie i w roślinności. Jest też istotna wrażliwość polaryzacji sygnału na elementy (np. drzewa) pionowe, powtarzające się okresowo w przestrzeni, i powierzchnie ciągłe i zmienne, z okresowością zmienności przestrzennej, którą określa się przez szorstkość powierzchni obserwowanej. Zdjęcia radarowe nie wymagają, tak jak zdjęcia optyczne, oświetlenia słonecznego. Radar oświetla obiekt sam, i to w zakresie widmowym zapewniającym przezroczystość atmosfery. Ani chmury, ani mgła, ani pora dnia czy nocy, nie są przeszkodą dla uzyskiwania udanych obserwacji, mimo że te czynniki wnoszą swój wkład do odpowiedzi instrumentu radarowego, i zależnie od celu interpretacji, wymagają różnych korekcji. Niezależność od warunków atmosferycznych i pory dnia, umożliwia prowadzenie obserwacji tak często, jak pozwala na to obecność satelity nad danym obszarem, i przyjęcie przez operatora satelity, zamówienia użytkownika na obserwacje (np. ESA, na pracę instrumentu ENVISAT). Do badań wykorzystano fragment obrazu radarowego Polesia, obejmujący obszar szerokości geograficznych od 51°20' N do 51°29' N i długości geograficznych od 23°09' E do 23°21' E (Rys. 54). Obraz ten został wykonany przez ASAR 30 sierpnia 2007 r. w polaryzacjach HH iVV, z rozdzielczością 30 m. B. USOWICZ, W. MARCZEWSKI I IN… 134 a) b) c) 28 km Rys. 54. Geolokowane zdjęcie ASAR APP HH/VV: a) dane surowe, kalibrowane, b) dane filtrowane, z wielokrotnym spojrzeniem (Multilooking ML3), c) powiększenie obszaru badań zdjęcia filtrowanego b). Wybrane pola testowe do geostatystycznej analizy stałej dielektrycznej, zaznaczono prostokątami (od północy obszar Krowiego Bagna, od południa obszar Bagna Bubnów). WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 135 Rys. 55. Ten sam przykład zdjęcia po filtracjach, uwidacznia możliwość rozróżniania klas, pomimo ograniczonej dynamiki współczynnika odbicia, tu w mierze logarytmicznej zaledwie około 10dB (legenda) Na Rys. 54, 55 pokazano rezultaty stosowania wyłącznie filtracji zdjęć. Lasy dają duże odbicie, widać je jasno. Obszary wilgotne pochłaniają fale sondującą radaru, są ciemne a wody otwarte zupełnie czarne. Zdjęcia ASAR mają strukturę ziarnistą, bo ziarna są wynikiem złożonego, wielokrotnego odbijania fal i ziarna (speckle) są złożeniem składowych o różnie zmienionym stanie polaryzacji. Nominalny rozmiar piksela ASAR jest 12,5 m, ale z powodu ziarna rozdzielczość zdjęcia jest około 30 m. Zdjęcia surowe są nisko kontrastowe, a ich szczegóły mimo że obecne, giną w różnych zakłóceniach systemowych własnych i środowiskowych powodowanych obecnością różnorodnych obiektów w w środowisku. 136 B. USOWICZ, W. MARCZEWSKI I IN… Dane wymagają szeregu filtracji dedykowanych celom – wykrywania długich trendów, zachowywania gradientów, i odziarnienia, które je przykrywa. Ostateczna interpretacja wymaga wyróżnienia klasterów i klasyfikacji. Przykład zdjęcia sklasyfikowanego przedstawiono na Rys. 52, 53. Klasyfikację prowadzi się po to aby każda z klas mogła być przeliczona w zajętości powierzchni. Klasyfikacja powoduje, że histogramy zmieniają charakter z gęstego (prawie ciągłego) na dyskretny, o przyjętej liczbie klas. Ocena rozproszenia międzykanałowego wartości pikseli staje się już niepotrzebna. Wybór metody klasyfikacji może zależeć od typu obserwacji. W tym przykładzie zastosowano klasyfikację Wisharta, dostosowaną w oprogramowaniu PolSARpro do zdjęć polarymetrycznych ASAR z dwiema polaryzacjami przełącznymi APP (Alternated Partial Polarisations). Dwie polaryzacje w zdjęciach ASAR APP oznaczają ograniczenie analizy polaryzacyjnej do składowych radiometrycznie natężeniowych. W innych zdjęciach niż z ENVISAT, np. ALOS, RADARSAT-2, TerraSAR-X możliwe są 3 i 4 kanały polaryzacyjne, co otwiera daleko większe możliwości klasyfikacyjne. Jednak liczba klas jest zawsze ograniczona, i 16 klas wydaje się praktyczną granicą górną. Lepsze możliwości polaryzacji pełnych (Full Polarisations) przynoszą korzyści w przyporządkowaniu przestrzennym klasyfikacji, przez determinowanie klasterów pikseli, oparte na lepszych rozróżnieniach tekstury, możliwościach lepszego określania grubości pokrywy leśnej, i innych związkach ze zmiennymi środowiskowymi ECV. Podany przykład dobrze wykazuje związek klas z siecią hydrograficzną, determinowaną przez morfologię dzięki wrażliwości sygnału elektromagnetycznego na zawartość wody. Nastąpiło podstawienie zdjęcia – obrazem, o rozdzielczości zredukowanej. Klasyfikacja jest po to aby dać możliwość wypracowania miar statystycznych, a obraz jest tylko jej produktem pomocniczym. Dobrze wykonana klasyfikacja powinna dawać wynik ocen zajętości klas, mało wrażliwy na rozdzielczość obrazu. Klasyfikację prowadzi się oknami, można nawet dużymi, a wtedy obraz końcowy może przyjmować postać bardzo schematyczną. Jedne klasy mogą zyskiwać nowe piksele, inne będą je tracić, ale wynik statystyczny w rozkładzie pikseli pomiędzy klasami powinien być stabilny. Interpretacja zdjęć satelitarnych, zwłaszcza dla walidacji SMOS, ma dać oceny ilościowe. Np. odpowiadać na pytania – Ile wody „widać” na zdjęciu, w miarach absolutnych, i jak te miary rozumieć? Albo, stawiając cel różnicowo – Ile wody ubyło albo przybyło na obserwowanym obszarze, w miarach absolutnych, od czasu wykonania jednego zdjęcia do kolejnego? Dopiero takie odpowiedzi ilościowe mogą zyskać związek z tym co dzieje się z klimatem w dłuższych przedziałach czasu, lub jak przestrzennie zachodzą w regionie zmiany sezonowe. WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 137 Taki jest ogólny schemat postępowania interpretacyjnego, z użytkowego punktu widzenia. Jest jednak i aspekt szczególny, statystyczny tego postępowania. Polega on na kontroli zmieniającego się z przetwarzaniem, rozproszenia wartości zmiennych w pikselach, między kanałami. Przykłady rozproszenia międzykanalowego w zdjęciach MERIS Przykładowe rozproszenia między kanałami spektralnymi MERIS, pokazane na Rys. 56, są tym węższe zakresami radiancji, im kanały są bliższe sobie spektralnie. Pożądanym jest aby źródło danych surowych charakteryzowało się szerokim zakresem rozproszenia, a zbiór pikseli tworzył skupienie w formie wypukłej chmury. Im większy zakres i wypukłość zbioru, tym więcej można wydobyć informacji źródłowej o obiekcie obserwowanym. Rys. 56. Przykład typowego skupienia/rozproszenia wartości pikseli zdjęć optycznych MERIS dla dwóch wybranych par kanałów porównywanych 1, 13 i 9,13. Wartości w kanałach spektralnych są zwykle wyrażane liniowo. Przykłady rozproszenia międzykanalowego w zdjęciach ASAR, pokazane na Rys. 57, wskazują że piksele w zdjęciach radarowych, zachowują się inaczej, co wskazuje na większą zdolność tej techniki obserwacji do determinowania obrazu i zawartej informacji. Nie oznacza to bezwzględnej supremacji techniki ASAR nad spektralną, bo technika spektralna jest spektralnie wrażliwa na skład materii obiektu, a technika mikrofalowa bardziej na warunki brzegowe w postaci granic ośrodków propagacji. Aspekt wrażliwości spektralnej na skład materii jest w technikach mikrofalowych trudniejszy do wykorzystania, bo wobec niższych częstotliwości od pasm optycznych, reakcje z falą sondującą na poziomie moleku- 138 B. USOWICZ, W. MARCZEWSKI I IN… larnym są oddawane w obserwacji słabiej, technicznie są trudniejsze do wydobycia, a przy tym są i mniej poznane. Rys. 57. Przykład typowego skupienia/rozproszenia wartości pikseli zdjęć ENVISAT-ASAR, przed kalibracją i korekcjami radiometrycznymi, dla dwóch jedynie dostępnych kanałów polaryzacyjnych w modzie APP (w tym zdjęciu HV i HH). Te same dane przedstawiono dwukrotnie, w miarach liniowych (z lewej) i logarytmicznych (w [dB], z prawej). Rozkłady skupienia ilustrują wniosek, że zdjęcia ASAR charakteryzują się prawie idealnym spełnianiem postulatu PCA (Principal Component Analysis) aby zbiór skupienia był szeroki w zakresach zmiennych kanałowych, i wypukły. Wtedy zdjęcie daje duże możliwości wydobycia treści informacyjnej w obrazie, i w jego klasyfikacjach. Wpływ kalibracji i filtracji na rozproszenie wartości pikseli Postulat PCA (Principal Component Analysis) o zakresie i wypukłości zbioru rozproszenia (lub skupienia) pikseli, jest spełniany przez zdjęcia ASAR prawie doskonale. Chociaż w dziedzinie zdjęć mikrofalowych nie stosuje się miar zmiennych liniowych, to z lewej pokazano skupienie w miarach liniowych, aby można je było oceniać podobnie do liniowych miar radiancji MERISa. Jednak miary logarytmiczne (zmienne w [dB], po prawej) pokazują różnice między ASAR i MERIS, najpełniej. WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 139 Rys. 58. Wykres skupienia wartości pikseli tego samego zdjęcia ASAR (polaryzacje HV i HH), po kalibracji i korekcjach radiometrycznych (z lewej), i po szergu filtracji (filtr Frosta) przygotowujących je do klasyfikacji (z prawej). Filtracja rozgrupowuje piksele według wartości liniowo. Sama kalibracja wprowadza do zbioru pikseli ASAR, niewielkie uporządkowanie. Wykres na Rys. 58 (z lewej) reprezentuje wszystkie piksele obrazu ASAR, w tym nieliczne tylko odpowiadają współczynnikowi odbicia echa maksymalnego mod(σ0) = 1, czyli dla części obszarów zabudowanych, odbicia od płaszczyzn metalowych, itp. Te piksele sięgają 0 dB, od dołu. Piksele poza granicą 0 dB, są wyraźnymi zakłóceniami systemu, i nie zostały jeszcze odfiltrowane. Natomiast więcej było w obrazie pikseli ech bardzo niskich, np. od wód otwartych i obszarów mokrych, nasyconych. Te piksele tworzą grupę na poziomie poniżej –25 dB, choć są zbyt liczne, jak na zawartość obrazu. Wiele z nich to po prostu szumy. Cały wykres zajmuje zakres dynamiczny około –40 dB, co nie odpowiada dynamice ASAR. Wiadomo, że ta dynamika nie przekracza rozpiętości 20 dB. Kalibracja nie zmienia jednak charakterystyki obrazu. Ten zawiera wiele szumów i zakłóceń, i w skupieniu głównym o rozpiętości około 20 dB, i w jego obu przedłużeniach. Wykres rozproszenia po szeregu różnych filtracji (z prawej) ilustruje efekty segregacji pikseli na grupy według wartości kanałowych, w kilku odrębnych skupieniach. W tym jest sens przygotowywania zdjęcia do klasyfikacji za pomocą filtracji. Stopień skupienia w grupach, i odstępy pomiędzy nimi, mogą stanowić o kontrastach obrazu. Liczba grup pokazuje możliwości klasyfikacji. Filtracją trudno osiągnąć więcej niż kilka (np. 8) grup/klas. Ten przykład odnosi się do filtracji prowadzonych na poszczególnych kanałach oddzielnie. Trzeba zwrócić uwagę na podobieństwo skupień grup. Kształty skupień są podobne, co wskazuje że jest on jednakowym śladem sumarycznej charakterystyki filtrującej, 140 B. USOWICZ, W. MARCZEWSKI I IN… pozostawionym na wszystkich grupach. Stąd wniosek, że zbyt głębokie i agresywne filtrowanie, kształtuje obraz na miarę środków i może go pozbawiać subtelniejszych związków. Wszystkie grupy układają się w jeden łańcuch liniowo, dlatego że filtracje były prowadzone oddzielnie na kanałach. Dopiero zastosowanie filtrów działających na oba kanały kompleksowo, prowadzą do dalszych separacji grup już poza wspólną prostą, która jest prostą korelacji między zawartością kanałów. A między pikselami obu kanałów zachodzą jeszcze związki złożone, wynikające ze złożoności obiektu obserwowanego. To są związki z liczebnością obiektów materialnych (np. pnie drzew, liście, w ogóle roślinność), ich rozmaitością materialną i geometryczną, oraz najważniejsze – okresowością przestrzenną, czyli powtarzaniem się form. Jest wiele innych filtrów, i ich cała systematyka podporządkowana różnym celom przetwarzania. Chętnie stosowano w tej pracy filtr Lee, który prowadzi filtracje w obu kanałach jednocześnie, i ujawnia przynajmniej część takich współzależności (część dlatego, że zdjęcie miało tylko 2 polaryzacje przełączane, a nie 34 tzn. polaryzację pełną). Filtracje są jednak tylko środkiem przetwarzania wstępnego – dla redukcji szumów i zakłóceń, oraz dla przygotowania klasyfikacji. Taką operacją przygotowawczą jest również technika spojrzeń wielokrotnych (Multi-Looking), która radykalnie podnosi kontrasty, kosztem redukcji rozdzielczości. Tylko bardzo grube cele interpretacyjne mogą być zaspokojone filtracją. Klasyfikacja Interpretacje zdjęć prowadzi się zwykle dla ich klasyfikacji. Cel klasyfikowania zdjęć polega na tym aby zdjęcie przetworzyć do postaci – a) z jednej strony możliwej do sprawnego wytworzenia ocen, rozróżnień i miar statystycznych ilościowych, – b) z drugiej strony, aby przekształcić je do mapy, która może być wypełniona symbolami, a przynajmniej skończoną liczbą klas pikseli jednakowych. Klasom przypisywane są najpierw indeksy rozróżniające, a dopiero potem nadawane wartości miar, za pomocą modeli fizycznych. Tymczasem zdjęcie zawiera ogromny zbiór pikseli o wartościach dowolnych w zakresie transmisji danych, przy dużej obecności szumów i zakłóceń, i jest jeszcze słabo czytelne, zarówno w odbiorze bezpośrednim, jak i w obliczeniach do ocen statystycznych. Przedstawione wykresy skupienia (Rys. 56, 57) w domenie zmiennych kanałowych, dają wstępną ocenę przewidywanych możliwości celowego przetwarzania. Skupienia abstrahują od rozkładów związków przestrzennych, i od obrazu, za to dają możliwość przewidywania wydobywania informacji niezależnej. Zwykle ocenia się skupienie wartości między dwoma kanałami. Zdjęcia zawierają conajmniej dwa (a nawet do kilkudziesięciu, i więcej kanałów w technikach hyper- WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 141 spektralnych). Jeśli tych kanałów jest niewiele, to interpretacja merytoryczna wymaga wytworzenia kanałów nowych (modelowanie), lub ich importowania. Klasyfikacje głęboko skuteczne, są zwykle wieloaspektowe, tak jak wszelkie obserwacje w innych technikach. Dla ich uwzględniania trzeba więc wytwarzać istotne zmienne (kanały), w tym zmienne środowiskowe ECV, ale również i model elewacji terenu. Zmienne obserwacyjne bezpośrednie, tzn. radiancje, reflektancje są narzucone metodą pomiaru, i koniecznymi kalibracjami. To są aspekty techniczne, instrumentalne. Niektóre z nich wymagają modelu elewacji terenu, do niezbędnych korekcji radiometrycznych uwarunkowanych geometrią, np. w zdjęciach radarowych. W zdjęciach optycznych, związek z modelem elewacji bywa jednak podejmowany rzadziej, jeśli jest pewność, że obraz płaski ma wystarczająco niewielkie zniekształcenia przy rzutowaniu na geoidę. Wiele zdjęć może zadowalać się projekcją na elipsoidę, dla terenów płaskich i obserwacji bliskich kierunkowi nadir, można zaniechać korekcji terenowej. Ortorektyfikacja może zakończyć się na korekcjach skutków zmieniającego się kąta widzenia poszczególnych pikseli. Jednak nawet w takich interpretacjach, w których w grę wchodzą oceny wodne, związek wartości kanałowych z procesami odpływu wody jest podstawowy, i uwzględnienie korekcji na elewację, może dawać ujawnienie związków z elewacją w sposób pośredni – przez determinowany elewacją skład gleb, pokrycia roślinnego, i jego charakterystyk środowiskowych. Takie związki mogą ujawniać się niewyłącznie przez korekcje geometryczne, ale w procesie klasyfikacji. Odpływ wody ma np. dynamikę określaną szeregiem innych procesów przejmujących kontrolę nad przynajmniej jego częścią. Ta złożoność powinna być ujawniona w obserwacji zdalnej, na ile pozwala zasada instrumentu, ale powinna być również celem interpretacji. Okazuje się, że klasyfikacje są w stanie ujawniać przynajmniej część związków takiej złożoności środowiska. Można je wykrywać pomiędzy istotnymi zmiennymi (ECV), których trzeba używać w interpretacji. Wiedza o istotności zmiennych ECV jest bardzo bogata, a są i nadrzędne dokumenty GCOS rekomendujące [46] te zmienne, i nawet ich hierarchię istotności dla badań w kierunkach związanych ze zmianą klimatu. Współcześnie, nie można się obyć bez tej wiedzy, i pozostawać przy prostym oglądzie zdjęć. Przygotowaniom do klasyfikacji służą techniki PCA (Principal Component Analysis), dostosowane do poszczególnych metod klasyfikacji. Klasyfikacje zaś są ogólnie: – nadzorowane, i – nie nadzorowane, czyli automatyczne. To jest rozróżnienia użytkowe, niezależne od natury metody obserwacyjnej. Dalsze rozróżnienia są już związane ściślej z metodą obserwacji, typem danych, i podporządkowaniem poszczególnym celom analizy. Za takie metody uważa się np. te oparte na ocenie entropii i/lub anizotropii (zobrazowania) w zależności od zmiennych obserwacyjnych. 142 B. USOWICZ, W. MARCZEWSKI I IN… Zagadnienie klasyfikacji rozwiązuje się w jeszcze innej dziedzinie niż przestrzeń obrazowa, i nie tej samej co statystyczna ocena skupienia, lub rozproszenia wartości kanałowych. Jest to dziedzina wielowymiarowej przestrzeni zmiennych ECV. Wiele zmiennych może określać stan piksela. Wśród nich mogą być zmienne kanałowe, ale mogą też być wyłącznie zmienne środowiskowe. Ważniejszy, bo bardziej uniwersalny, jest jednak aspekt statystyczny klasyfikacji. Nie sama istotność zmiennych, decyduje o efekcie analizy, lecz i to jakie metody statystyczne są wykorzystywane do oceny postępów przetwarzania w klasyfikacji. Okazuje się, że właściwie wszystkie metody przetwarzania, są statystyczne. W tej pracy wykorzystano tylko metody najprostsze – metody filtracji dla odziarniania obrazu (filtry Box-Car, Gauss, Lee), oraz metodę kompleksowej metody klasyfikacji Wisharta, w zdjęciach ASAR-APP. Metodę Wisharta stosowano w jej wariancie uproszczonym, w trybie nadzorowania przez pobieranie próbek „natężeniowych”, tak jak to zaproponowali E. Pottier i J. S. Lee, w pakiecie narzędziowym PolSARpro [115]. Uzyskane rezultaty, jak na Rys. 52, 53, są jednak na tyle wartościowe, że służą nam do – a) wykorzystania ich dla wytworzenia bitowych masek klas pokrycia terenu, i następnych ocen zmiennych środowiskowych, oraz do – b) sformułowania potrzeb dla do wprowadzenia metod wyższych, w dalszym rozwoju projektu. Dlatego, powyższe uwagi ogólne o klasyfikacji, mają dla nas znaczenie porządkowania zebranego doświadczenia. W pracy wykorzystywano narzędzia otwarte (open, darmowe – programy NEST [42, 101], BEAM [4]), zawierające gotowe do użycia algorytmy przetwarzania na wszystkich poziomach – od kalibracji i korekcji radiometrycznych, przez szereg filtrów do odziarniania zdjęć ASAR, aż po narzędzia PCA, i klasyfikacji, przy wyborze celu analizy. Tymi narzędziami wydzielano klasy stałego pokrycia terenu, występujące typowo na Polesiu lubelskim. Wykorzystano tylko kilka zdjęć ASAR, dla Polesia i Podlasia, z lat 20032009. Jest dobry dostęp do nielimitowanej liczby zdjęć ESA ENVISAT-MERIS, i -AATSR, dla zadań spektralnych, w projektach EOPI Cat-1 [40]. O taki dostęp dla celów naukowych, trzeba zabiegać prze portal EOPI, a nam udostępniono je dla bieżącego projektu Cat-1 SMOS-3275, na walidację obserwacji SMOS. Zdjęć radarowych dla Polesia/Podlasia było wprawdzie niewiele, ale one mają nam służyć nie do monitorowania terenu, lecz do wydzielenia klas stałych. Klasy stałe to pewien stabilny wzór przestrzenny pokrycia roślinnego i użytkowania terenu. Oceny zmiennych środowiskowych będą prowadzone na zdjęciach spektralnych MERIS. Te zaś są nam dostępne w większej liczbie, bo MERIS wykonuje regularne obserwacje wg schematu skanowania globalnego. Zdjęcia pełnej rozdzielczości ASAR (FR, Full Resolution), wykonuje się na zamówienia indywidualne. Trudno jest uzyskać dostęp czasu pracy instrumentu ASAR, kiedy jest on mocno WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 143 zajęty programami globalnymi. Są wprawdzie zdjęcia ASAR WS (WS – Wide Swath) dostępne regularnie, jak MERIS, lecz dla jednej polaryzacji, i z rozdzielczościami bardzo wielkoskalowymi. One nie mogą służyć do klasyfikacji pokrycia terenu. Można jeszcze prowadzić klasyfikacje na zdjęciach MERIS (300 m), lecz zdjęcia ASAR APP FR mają rozdzielczość większą, nominalnie 12,5 m, lecz zredukowaną do 30 m z powodu ziarnistości, a faktycznie, zredukowaną użytkowo do 62,5 m, z powodu stosowania techniki „multi-looking” (N = 5, czyli do około 100-200 m), i stosowania klasyfikacji Wisharta. Te ograniczenia rozdzielczości są akceptowalne, przy późniejszym wykorzystywaniu zdjęć MERIS. Efektywnie, MERIS jest źródłem ocen środowiskowych. Dostępność zdjęć MERIS jest jednak ograniczona zmiennymi warunkami zachmurzenia, i ostateczne efekty monitorowania „wodnego”, przyjdą dopiero ze SMOS, rytmicznie co 34 dni. Skuteczność wykorzystania źródeł obserwacji, stosowania tych metod prostych, i w zamierzeniach – wyższych, zależy od stopnia osiąganej sprawności w stosowaniu dostępnych publicznie narzędzi. Nie jest to sprawa prosta, chociaż wszystkie narzędzia są gotowe do użycia. Ograniczenia powstają wtedy, gdy trzeba określić własną drogę, i sukcesywnie oceniać postępy w przetwarzaniu tak by dochodzić do wartościowych wyników. Jest wiele stopni swobody w prowadzeniu analizy, które pozostają w gestii użytkownika – np. w wyborze liczby klas, wyborze zmiennych źródłowych do klasyfikacji, i w ich definiowaniu (modelowaniu) – jeżeli są to zmienne inne niż kanałowe, oraz w ewentualnym wyborze wielkości okien klasyfikujących, przy prowadzeniu ocen prawdopodobieństw przydziału pikseli w klasach. Ta swoboda wyborów użytkownika, jest w istocie wymaganiem właściwego rozumienia i stosowania narzędzi statystycznych. Jeśli tego rozumienia brakuje w wybranych aspektach statystycznych podstawowych, to łatwo o wyniki klasyfikacji nieadekwatne do celu i jakości danych w zdjęciach. Narzędzia wykorzystują metody bardzo zaawansowane, których budować samemu nie trzeba, ale ich skutki działania muszą być oceniane stosownie do metod. Cały ciąg przetwarzania, nie jest gotowy. Trzeba go konstruować decyzjami użytkownika, stosownie do jego wiedzy statystycznej podstawowej, oraz stosownie do wiedzy o terenie. Narzędzia są obiektywne, ale warunki dla ich zastosowania mają znaczny stopień swobody, i stąd wynika możliwość uzyskiwania wyników obciążonych błędami subiektywnych ocen przy kolejnych decyzjach w przetwarzaniu. Ocen postępu w przetwarzaniu, i ustalania warunków przetwarzania w kolejnych fazach, nie można przenosić bezkrytycznie z innych aplikacji, bez znajomości statystyki i własnego terenu. Przykładem może być włączanie lub nie włączanie modelu elewacji DEM, do klasyfikacji. Pewne klasyfikacje zachodzą trudno, są niezadowalające dopóki nie włączy się w nie kanału DEM. Ale samo włączenie DEM, też nie daje efektu, jeśli klasy- 144 B. USOWICZ, W. MARCZEWSKI I IN… fikacja poza DEM, była prowadzona tylko na kanałach bezpośrednich. Pokonaniu tych trudności pomagają kolejne ćwiczenia, w wyborze zmiennych, typów i głębokości filtracji. Nieodzownym jest jednak pojmowanie znaczenia wykorzystywania N-wymiarowej przestrzeni zmiennych, gdy zachodzi taka potrzeba w klasyfikacji. Oceny zbiorów skupienia/rozproszenia wartości kanałowych są prowadzone w układzie dwóch współrzędnych kanałowych, bo tak je można oceniać dla każdego pojedynczego związku, na płaszczyźnie 2D. Jeśli jednak tych związków jest więcej niż w jednej parze zmiennych, a np. pomiędzy zmiennymi środowiskowymi LAI, fCover, fAPAR, a może nawet więcej, to wtedy zbiór skupienia na płaszczyźnie 2D określonej parą zmiennych, przybiera kształty złożone, rozbudowane, lub rozgrupowane. Wtedy wynik przetwarzania jest wielo-wymiarowy, choć oceniamy go na zbiorze w dziedzinie 2D. Takie przykłady jak na rysunkach poniżej, świadczą przynajmniej o tym, że zawartość informacyjna w pikselach obrazowych jest dość pokaźna, i zmiennych środowiskowych potrzeba więcej niż dwie zmienne kanałowe. Z porównania skupień/rozproszeń po filtracji, zwłaszcza prowadzonych na kanałach bezpośrednich rozdzielnie, wynika wniosek – w zdjęciu może być więcej istotnych związków fizycznych niż ten pomiędzy dwoma kanałami, a ich identyfikacja jest możliwa na drodze badania – korelacji i kowariancji między kolejnymi produktami przetwarzania danych. Oceny muszą postawać według zasad statystyki. W grę wchodzą kolejne zmienne statystyczne. Mogą one mieć swoje znaczenia fizyczne i środowiskowe, ale statystyczne znaczenia mogą opisywać wyłącznie relacje między kolejnymi produktami przetwarzania. Przy danych radarowych polaryzacyjnych, dochodzi nowy związek między zmiennymi – czas lub faza. Wtedy wchodzi w grę – koherencja między produktami. Korelacje i kowariancje nie wymagają określania związków czasowych pomiędzy kanałami klasyfikowanymi. Zdjęcia są zawsze związane z ustalonym czasem ich wykonywania, a więc i kanały, i produkty pośrednie przetwarzania, mają to samo przywiązanie do czasu, nawet jeśli były składane przez ściśle kontrolowany skończony czas interwału skanowania. Koherencja odnosi się do związków czasowych pomiędzy pikselami tego samego obrazu, przez związki fazowe wartości zespolonych w pikselach. W zdjęciach spektralnych, wartości pikseli są rzeczywiste, w mikrofalowych – zespolone. Zasada samego pomiaru – elektromagnetycznego, i radarowego (SAR), i radiometrycznego (SMOS), wymaga prowadzenia zmiennych zespolonych. Stąd wynika możliwość badania macierzy koherencji. Jest to zasadnicza odmienność względem zdjęć spektralnych, które mimo że też są radiometrycznymi pomiarami radiancji lub reflektancji, to jednak wyrażają zmienne w dziedzinie wartości rzeczywistych. Zaawansowane narzędzia przetwarzania, są na tyle kompletne, że użytkownik nie musi wiele wiedzieć o szczegółach teoretycznych metody. Musi WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 145 jednak wiedzieć, że ma ustalić określony typ relacji między produktami jakie wytwarza, i przynajmniej rozpoznawać jakie ma ona znaczenie statystyczne. Wreszcie na koniec tego rozdziału, trzeba podkreślić wyjątkowe znaczenie, jakie ma aspekt polarymetryczny wykorzystywania zdjęć mikrofalowych. Ujawnia się on w możliwości badania koherencji. Polarymetria nie ma swoich praktycznych zastosowań w dziedzinie obserwacji zdalnych spektralnych. Jest za trudna na to aby prowadzić kontrolę stanu polaryzacji fal optycznych, i utrzymywać ją w dziedzinie zmiennych zespolonych, z powodu bardzo małej długości fal optycznych. Przyczyny ograniczeń są techniczne. Za to polarymetria mikrofalowa – radarowa, i radiometryczna, są w tym kierunku bardzo zaawansowane. Potrzeba rachunku zespolonego, wynika z posługiwania się wektorem Stokesa. Wektor Stokesa określa stan polaryzacji fali. Aby określić stan polaryzacji po odbiciu fali od punktu odbicia/rozproszenia, trzeba definiować jak ten punkt obiektu (piksel) transformuje stan polaryzacji, czyli zmienia wektor Stokesa, z promienia fali przed odbiciem na promień fali po odbiciu. Wektor Stokesa ma 4 wyrazy, które są wynikiem mnożenia hermitowskiego odpowiednich 3 składowych polaryzacji. Do tego, zmienne muszą być wyrażone jako zespolone, aby dla ich mnożenia można było poprawnie posługiwać się ich wartościami sprzężonymi (i transponowanymi), i otrzymywać złożenie 4-elementowego wektora Stokesa. Wektor Stokesa opisuje wyczerpująco stan polaryzacyjny fali. Dla określenia charakterystyki polaryzacyjnej odbicia (piksela), trzeba mieć dobry sposób na opis transformacji stanu polaryzacyjnego. Jest kilka konwencji w przedstawianiu transformacji wektora polaryzacji, jedne są właściwe optyce, inne są właściwe technikom radarowym. Zmienne kanałowe zdjęć optycznych są wyrażane liczbami rzeczywistymi, o znaczeniu radiancji, tzn. w miarach spektralnej gęstości mocy. Zmienne kanałowe zdjęć elektromagnetycznych są wyrażane liczbami zespolonymi, też w znaczeniu miar gęstości mocy. Za miarę amplitudy uważa się pierwiastek z mocy (tzw. fale mocy), a za miarę natężenia (Intensity) uznaje się moc. Jednak dane przedstawia się nie modułem i fazą, lecz modułem jako amplituda, i czasem propagacji fali echa (w [ns]), co przenosi się obliczeniowo na fazę jako drugi element zmiennej zespolonej. Relacja odbicia fali jest wyrażana nie mianowanym współczynnikiem odbicia (o module z przedziału [0-1] jeżeli odbicie jest pasywne). Jest to relacja zespolona między dwoma wartościami zespolonymi. Relacja stanu polaryzacji przed odbiciem do stanu polaryzacji po odbiciu jest wyrażana jako transformacja 4-elementowego wektora Stokesa. Elementy wektora polaryzacji są wyrażane w tych samych miarach, modułu/amplitudy, i (obliczeniowej) fazy. Ale tylko 3 z 4 elementów wektora Stokesa, są niezależne, bo pierwszy element wektora Stokesa jest równy pierwiastkowi 146 B. USOWICZ, W. MARCZEWSKI I IN… sumy kwadratów elementów następnych. Potrzeba przynajmniej 3 składowych stanów polaryzacyjnych dla wyznaczenia całego wektora. Dwa pierwsze elementy wektora są rzeczywiste i mają znaczenie amplitud fal mocy, jako suma i różnica dwóch składowych polaryzacyjnych (np. V i H). Dwa pozostałe mają znaczenie określenia udziału trzeciej składowej polaryzacyjnej, też wyrażanych w miarach amplitud (fal mocy), przy czym jeden z elementów jest czysto rzeczywisty, a drugi czysto urojony. Bliższe objaśnienia, w tym na temat wektora Stokesa, można znaleźć w podręcznikach, np. dołączonych (tutorials) do programu PolSARpro [115], i wskazywanych tam materiałach źródłowych. Ten szkic ogólny, jest wypowiadany po to aby wskazać na potrzebę 3 stanów polaryzacyjnych składowych, i wytłumaczenie dlaczego 2 stany polaryczyjne nie wystarczają do wyznaczenia pełnego wektora Stokesa. Dwa stany, w zdjęciach ASAR-APP wystarczają do wyznaczania dwóch pierwszych elementów wetktora, i dlatego wszelkie analizy przy dwóch składowych polaryzacyjnych, są zwyczajowo określane jako analizy „natężeniowe”. Określanie stanu polaryzacji fali, dotyczy zarówno fal składowych koherentnych jak i niekoherentnych. Fala może tracić swoją koherencję (spójność fazową) zarówno w wyniku propagacji, rozproszenia, jak i odbicia. Ale fala może nie tylko tracić koherencję, lecz i doznawać zmiany stanu polaryzacji, co jest przedmiotem analizy polaryzacyjnej. Dlatego efekty określania stanu polaryzacji, zawierają informację nie tylko o zmienionym stanie polaryzacji, lecz są obciążone i tym jak odbicie zmienia skład fali w jej składowych koherentnych i niekoherentnych. Ocena stanu polaryzacyjnego po odbiciu jest złożona, ale w obu aspektach ważna obserwacyjnie (informacyjnie). Użytkownik narzędzi do takiej analizy, nie musi jej prowadzić w pełni rozumienia szczegółów teorii, ale musi uznać, że w grę wchodzi czas i koherencja, która ma też aspekt statystyczny. Chodzi o czas w miarach spójności wewnętrznej składowych, a nie w miarach absolutnych. Spójność sygnału elektromagnetycznego rozumie się jako możliwość tego, na ile można przewidywać zmiany fazy sygnału, na podstawie znajomości jego fazy w chwili bieżącej. Koherencja może być wykorzystywana jako miara potrzebna dla przetwarzania danych, w różnych celach – np. klasyfikacji, ale dla odziarniania obrazów zdjęć polarymetrycznych np. filtrem Lee. Ziarna (speckle) są nieuniknionym skutkiem tego, że każdy z odebranych promieni jest złożeniem wielu promieni w granicach jednego piksela i jego otoczenia, od wielu drobnych elementów materialnych obiektu, które powodują nawet wielokrotne odbicia. Odziarnianie obrazów radarowych nie jest operacją typu czysto obrazowego przetwarzania, ale wynika ściśle z fizycznej zasady obserwacji odbicia, i konieczności prowadzenia analizy przy użyciu rachunku WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 147 zespolonego na zmiennych (wektor Stokesa, koherencja) reprezentujących zmiany stanu polaryzacji. Pełna teoria analizy polaryzacyjnej, nie jest potrzebna do wykorzystywania zdjęć polarymetrycznych. Jest jednak potrzeba rozumienia, że w takich narzędziach, jakie wykorzystuje się do ocen efektów statystycznych są używane pojęcia korelacji, kowariancji, i koherencji, które mają swoje wspólne podstawy matematyczne i odnoszą się do wspólnego im ustalania relacji między produktami, a różnice w ich zastosowaniach polegają na różnych celach, w tym i na celach ustanawianych odmienną naturą danych i zasad instrumentalnych z jakich je wytworzono. Techniczna specyfika aktualnie wykorzystywanych instrumentów do obserwacji optycznych i mikrofalowych powinna dla użytkowania danych być drugorzędną, wobec istotności modelowania fizycznego, oraz istotności narzędzi statystycznych. Narzędzia statystyczne są w zasadzie wspólne, a jeśli się różnią, to z powodu różnic znaczenia czasu w zasadach obserwacji – optycznych i mikrofalowych. Jest więc jeszcze potrzeba wskazania, że wektor Stokesa w analizie polaryzacyjnej, oferuje możliwości obserwacyjne dotyczące właśnie zawartości składowych koherentnych i niekoherentnych w sygnale obserwacyjnym. Takich możliwości nie wykorzystują współcześnie metody optyczne, bo obserwacje są prowadzone tylko natężeniowo, za to analizy spektralnie. Jest różnica między wrażliwością wartości pierwszej pary i drugiej pary wyrazów Stokesa, na składowe sygnału – spójne i niespójne, tzn. koherentne i niekoherentne. Składowe niekoherentne, mogą być szumami lub zakłóceniami, lecz nie tylko systemowymi (z instrumentu). Składowe niekoherentne mogą pochodzić również stąd, że fala odbierana może pochodzić od różnych odbić, jedno- i więcej-krotnych z obszaru tego samego piksela, przez co zmienia się jej skład polaryzacyjny. Wynika to z różnorodności materialnych form obiektu (trawa, liście, zawiesina cząstek w ośrodku a będących w ruchu). Te składowe mogą należeć do celów obserwacji. Z drugiej strony, składowe koherentne to te, które określają moc sygnału nadanego (oświetlającego) i potem odebranego. Te składowe niewątpliwie należą do celów obserwacji, przynajmniej na poziomie danych zbieranych bezpośrednio przez instrument, ale są zakłócane obecnością składowych niekoherentnych, których uniknąć się nie da. One też charakteryzują odbicie/rozproszenie. Nawet instrument idealny odbierze składowe niekoherentne, generowane z powodu różnorodności obiektów i ich zmian położenia, lub tylko z powodu ich prędkości chwilowych, wirowana etc.). Dwa pierwsze wyrazy Stokesa wykazują zdolność do zerowania się składowych niekoherentnych za czas integracji, i „oczyszczania” się wartości składowych koherentnych (o znaczeniu amplitud mocy). Dwa drugie wyrazy Stokesa wykazują zdolność do niezerowania się składowych niekoherentnych, za czas integracji. Dlatego, w centrum uwagi twórców metod polarymetrycznych dla 148 B. USOWICZ, W. MARCZEWSKI I IN… klasyfikacji danych, są potrzeby kontrolowania miar korelacji, kowariancji, i koherencji. Dzięki temu, te metody mają bardzo głęboką korespondencję do metod statystycznych opartych na kontroli korelacji, kowariancji i koherencji, i dlatego wyniki obserwacji radarowych mają tak dobrze zdeterminowane związki przestrzenne. Dla pełnego określenia stanu polaryzacji, trzeba 3 składowych polaryzacyjnych nadawanych, i 3 odbieranych. Zdjęcia ASAR APP (Alternated Polarity) mają tylko 2 z 3 składowych. Przy ich pomocy można określać tylko pierwszą parę wyrazów wektora Stokesa, tzw. natężeniową, związanych z mocą. To jest zaledwie połowa możliwości obserwacyjnych tej metody. Inne misje (ALOS, RADARSAT-2, TerraSAR-X) mają już 3 a nawet 4 polaryzacje. Dotąd nie mieliśmy w tym projekcie takich zdjęć „pełnopolaryzacyjnych”. Patrząc użytkowo na zdjęcia mikrofalowe, np. na radarowo uzyskiwany DEM SRTM, odnosi się wrażenie niezwykłej czystości i jednoznaczności określenia elewacji. I chociaż zdjęcia mikrofalowe, daleko nie dorównują możliwościom rozróżniania materialnej zawartości obiektu obserwowanego w analizach spektralnych, to warte są wykorzystywania dla określania zależności przestrzennych. Zaangażowanie w wykorzystanie tych metod, niesie jeszcze wiele innych korzyści przedłużonych na konsekwentne stosowanie bardzo istotnych metod statystycznych. Na wcześniejszym Rys. 58 przedstawiono typowe rozproszenia między kanałami polaryzacyjnymi w wyniku filtracji. Widać było wyraźnie, jak rozproszona „chmura” danych, która powinna mieć możliwie dużą rozpiętość w zakresach zmiennych, ulegała podziałom na kilka, lub szereg skupisk wyznaczających potencjalne możliwości wydzielania klas. Dane surowe przyjmują prawie wszelkie możliwe wartości, z gradacją ograniczoną rozdzielczością cyfrową systemu dla przekazywania danych. Odpowiadające im histogramy są prawie ciągłe. Po przetwarzaniu filtrującym i klasyfikującym, rozproszenie międzykanałowe zmniejsza się, odfiltrowywane są składowe szumów i zakłóceń, a dane grupują się w klasy. Liczba możliwych klas jest ograniczona i niewielka, np. do około 8. Na ogół liczba klas nie przekracza 14. Typowe ale bardzo zaawansowane metody, oparte na analizie entropii, anizotropii, i kąta polaryzacji dominującej (H/A/alpha, patrz ref. tutorials w [115]), w dziedzinie przetwarzania danych radarowych, pozwalają na wydzielenie 9 klas. Liczba możliwych do wydzielania klas zależy – i od istotności wybranych zmiennych źródłowych do klasyfikacji, od zaśmiecenia danych szumami i zakłóceniami, i od dynamiki systemu ich wytwarzania. WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 149 Rys. 59. Skupienie wartości kanałowych: – a) dla zdjęcia ASAR po wstępnej analizie PCA (z lewej), i – b) dla zdjęcia MERIS, w całym polu widzenia, wykazujące związki między zmiennymi środowiskowymi (fCover i LAI), po analizie wegetacyjnej TOA_VEG. Segregacja wartości pikseli nie grupuje ich liniowo, jak w wyniku filtracji poszczególnych kanałów w danych bezpośrednich (Patrz Rys. 58), i ujawnia inne bardziej złożone zależności. W danych radarowych wielkiego wyboru nie ma, są to zmienne brane bezpośrednio z kanałów. Dopiero analiza polaryzacyjna pozwala na głębsze poszukiwania związków korelacji lub koherencji, zależnie od tego jakie i jak wiele kanałów polaryzacyjnych (2, 3 lub 4), jest dostępnych. W danych spektralnych, wybór jest większy, bo i większa jest liczba kanałów (MERIS wykorzystuje 15, a są jeszcze inne techniki obserwacji multi- i hyper spektralnych). Do tego, można analizować nie tylko zmienne radiancji czy reflektancji, lecz i zależności między zmiennymi środowiskowymi, czyli zmiennymi ECV, jak np. zależności pomiędzy LAI, fAPAR, i LAIxCab (produktywność chlorofilu typów a i b) od stopnia zakrycia podłoża glebowego fCover. Między tymi zmiennymi ujawnia się więcej zależności wzajemnych, niż między wartościami kanałowymi. Liczba zmiennych interpretowanych może przekraczać liczbę kanałów, ale niezależnych zmienności może być nie więcej niż liczba kanałów niezależnych. Jeżeli zaczynamy oceniać zależności pomiędzy takimi zmiennymi jak LAI, fAPAR, i LAIxCab, to obraz rozproszenia staje się bardziej złożony, i zależny od tego, które zmienne ECV wybrano do porównywania. Zmienne ECV są wtórne względem wartości kanałowych, i wnioskowanie formalne np. z Rys. 59 o skutkach filtracji, przestaje być tak klarowne jak wnioskowanie o takich samych skutkach na przykładzie z Rys. 58. LAI, fAPAR, LAIxCab tworzą trójkąt współzależności, z których nie wszystkie albo nie całkowicie wynikają z rzeczywistości fizycznej. Część tych zależności należy do przyczyn w obiektywnej rzeczywistości fizycznej, a część należy do udziału zastosowanych modeli, i uprosz- 150 B. USOWICZ, W. MARCZEWSKI I IN… czeń. Rys. 58 odnosił się do zmiennych kanałowych niezależnych. Rys. 59 przedstawia rozproszenie między dwiema wybranymi zmiennymi z trzech, z których żadna nie jest w pełni niezależna od pozostałych. Dla rozstrzygnięć o źródłach błędu w ocenach, trzeba analiz wielowymiarowych. Można takie wyniki stosować wprost, nawet z dobrymi skutkami, lecz identyfikacja błędu może być wycinkowa. Przy tym trzeba ją wspomagać rozpoznanymi obiektami na zdjęciu, a praca interpretacyjna staje się niekończącą się pogonią za wynikiem pewnym. Tak jest w przypadkach analiz wielospektralnych, że precyzja ocen stale umyka i domaga się wielu kontroli przesunięć, kalibracji i korekcji. Postęp choć możliwy, jest ograniczony. Trochę lepiej wygląda sytuacja ze zdjęciami radarowymi, dla których miary polaryzacyjne znajdują mocniejsze podstawy teoretyczne, w postaci własności wektora Stokesa. Dlatego w dziedzinie analizy polaryzacyjnej zdjęć radaorowych opracowano kilka metod, które wydają się bardziej uniwersalne matematycznie i użytkowo, są pewniejsze. Nie można jednak sądzić o wyższości jednej z metod nad drugą. Radar nie da informacji o takiej materialnej charakterystyce obiektu, jak analiza spektralna bo radar pracuje falami elektromagnetycznymi, o długościach kilka lub wiele rzędów wielkości większych, niż długości fal optycznych. A tylko krótkie i bardzo krótkie długości fal mogą przejmować i zachowywać skutki oddziaływania z materią molekularną, które potem ujawniają się w analizie spektralnej. Natomiast radary, i radiometry mikrofalowe zwłaszcza interferencyjne, mogą lepiej, precyzyjniej oddawać odwzorowania granic ośrodków obserwowanych, tzn. ich geometrię. Dzieje się tak dlatego, że instrumenty mikrofalowe mogą posługiwać się nie tylko zmiennymi reprezentującymi intensywność (np. amplitudę), lecz i fazę sygnału. Dane zdjęć mikrofalowych mają postać zespoloną, dane optyczne wyrażane są wartościami rzeczywistymi. Każdy z tych rodzajów technik służy innym celom użytkowym. Przykład analizy TOA_VEG zdjęcia MERIS, zaprezentowany na wycinkach odpowiadających trzem parkom narodowym, pokazuje dobitnie że już 100 czy 200 pikseli zdjęcia wystarcza na to aby rozróżnić zawartość roślinną tych obszarów, by znaleźć ich indywidualną specyfikę, i poddać miarom odpowiadającym zmiennym LAI, fAPAR, i produktywności chlorofilu LAIxCab (Rys. 60). Wrażliwość rozproszenia zmiennych LAI, fCover, i LAIxCab, jest na tyle duża, że nawet na podstawie zawartości zdjęcia niesklasyfikowanego, można dokonać interpretacji w ocenach ilościowych, w miarach absolutnych. Szereg kilku takich zdjęć optycznych MERIS, np. wykonanych w kolejnych latach, w przybliżeniu w tym samym tygodniu roku, powinien pozwolić na oceny zmian klimatu widoczne w zmianach czasu rozwoju poszczególnych faz pory wegetacyjnej. Pory wegetacyjne w różnych latach zaczynają się czasie różnym nawet o 1-3 tygodni, ale te obserwacje naziemne można udokumentować ilościowo, i próbować rozstrzygać, czy są one skutkiem rocznych oscylacji klimatu, czy też należą do WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 151 trendów bardziej długo terminowych. Natomiast dane po klasyfikacji, mogą służyć ocenom zmian integrowanych w obszarach, w ściślejszym związku z rozpoznawanym składem wegetacji. Rys. 60. Porównanie odmiennego rozproszenia zmiennych LAI, fCover, LAIxCab, w trzech wybranych obszarach ROI, z Rys. 51: a) POLESIE, okolice Kulczyna, b) PODLASIE, okolice Trzebieszowa, c) BPN, okolice Białowieży. Specyfika zawartości gatunkowej w pokryciu roślinnym znajduje swoje odbicie w rozproszeniu wartości zmiennych, które można poddać miarom statystycznym. Podobne wyniki dla Kampinoskiego Parku Narodowego przedstawiono w [90]. O istotności interpretacji danych świadczą związki między tymi zmiennymi, a nie pozorna lub subiektywna jakość estetyczna zobrazowania. Zobrazowań dobrze rozdzielczych i geolokowanych potrzeba zawsze. Ale wysoka rozdzielczość bywa tylko przeszkodą, i wtedy poświęca się ją na rzecz trafności klasyfikacji, zwłaszcza przy analizach obszarów w skalach wielkich. Wydaje się, że współcześnie najwięcej nierozwiązanych problemów, związanych z wykrywaniem zmian i ocenami meso-skalowymi, wynika z potrzeb ocen różnorodności pokrycia powierzchni, i bioróżnorodności na Ziemi. 152 B. USOWICZ, W. MARCZEWSKI I IN… Te sposoby i narzędzia są faktycznie bardziej narzędziami statystycznymi, niż środkami do przetwarzania obrazów. Dlatego niniejszą pracę rozpoczęto rozdziałami traktującymi o podstawowych pojęciach statystycznych. Wiele prostych dylematów statystycznego postępowania z danymi naziemnymi, ma swoje odpowiedniki w metodach i gotowych narzędziach do przetwarzania danych satelitarnych. Poszukiwane uprzywilejowane „samorodne jądra” występowania pewnych wartości zmiennych, mogą występować jako świadectwo procesów fizycznych obserwowanych, ale mogą również występować jako efekty zjawisk fizycznych zakłócających, jak ziarnistość obrazów satelitarnych. Niektóre narzędzia wypracowane do przetwarzania danych satelitarnych, są tak zaawansowane, że trudno je wykorzystać w przetwarzaniu danych naziemnych, bo te są w porównaniu z satelitarnymi, bardzo mało liczne. Nie ma na to dobrej rady. Bywa jednak, że przeszkodą w wykorzystaniu metod wyższych jest niedostateczna kompletność uzyskiwanych danych naziemnych, w sensie podobieństwa do kanałów obserwacji, jak w metodach satelitarnych. Na Ziemi, obserwacje mają często charakter jednoaspektowy, i tę kompletność można poprawiać. Z kolei, pewne minimum doświadczenia z wykorzystywaniem danych satelitarnych, wskazuje że dane naziemne mogą okazywać się bardziej kompletne w sensie zależności czasowych krótkoterminowych. Zdjęcia satelitarne są dostępne niemal incydentalnie, i bywa że bardzo rzadko bo w grę wchodzą i zasady ruchu orbitalnego, i system dostępności danych. Zachodzi wtedy oczywista potrzeba wspomagania ocen naziemnych – satelitarnymi, i odwrotnie. Aby takie wspomaganie było skuteczne, w dwóch kierunkach, musi być ich istotność i pewna odpowiedniość między fizycznymi zmiennymi obserwowanymi (ECV) jakie są w użyciu, a nade wszystko wspólny grunt na bazie statystyki. Statystyka a nie technika, ostatecznie przesądza o skuteczności, w jednej i drugiej dziedzinie obserwacji. Stała dielektryczna gleby z pomiarów naziemnych i satelitarnych Wilgotność gleby określana metodami zdalnymi jest poprzez stałą dielektryczną gleby, która to w istotny sposób jest warunkowana głównie przez zawartość wody w glebie. Stała dielektryczna gleby może być określana przy pomocy badań prowadzonych z orbity Ziemi przez satelity typu EO (Earth Observation). Jednym z takich satelitów jest EnviSat (Environmental Satellite) wyposażony w radar ASAR (Advanced Synthetic Aperture Radar). Radar ten wysyła w kierunku wybranego obszaru powierzchni Ziemi falę elektromagnetyczną o częstotliwości 5.331 GHz i odbiera ją po odbiciu i/lub rozproszeniu. Dzięki tak dobranej częstotliwości współczynnik odbicia promienia radarowego σ0 jest wrażliwy na stałą dielektryczną powierzchniowej warstwy gleby przy jednoczesnym zminimalizowaniu wpływu wegetacji pokrywającej badany obszar [144, 145]. Wysyłana przez radar fala elektromagnetyczna może być spolaryzowana w kierunku pionowym WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 153 (V) lub poziomym (H). Rejestracja fali odebranej również jest dzielona na składowe o polaryzacji pionowej (V) i poziomej (H). Ten sposób działania odzwierciedla konwencja oznaczania współczynnika odbicia promienia radarowego. Przez σ0HH oznacza się współczynnik dla fali wysłanej spolaryzowanej poziomo i odebranej również w polaryzacji poziomej. Przez σ0VV oznacza się współczynnik dla fali wysłanej spolaryzowanej pionowo i odebranej w polaryzacji pionowej, natomiast przez σ0HV oznacza się współczynnik dla fali wysłanej spolaryzowanej pionowo i odebranej w polaryzacji poziomej. Pole uprawne Las Łąka Bagno Rys. 61. Satelitarna mapa Polesia Zachodniego z zaznaczonymi wybranymi obszarami do geostatystycznej analizy stałej dielektrycznej. Odpowiednie polaryzacje i ich kombinacje są wrażliwe na stałą dielektryczną gleby, na typ pokrycia terenu i szorstkość badanej powierzchni oraz wiele innych czynników. Zdjęcia radarowe nie są natomiast wrażliwe na brak oświetlenia słonecznego a także chmury czy mgłę. Ta niezależność od warunków atmosferycz- B. USOWICZ, W. MARCZEWSKI I IN… 154 nych i porę dnia umożliwia prowadzenie obserwacji tak często, jak pozwala na to obecność satelity nad danym obszarem. Ponownie do badań wykorzystano fragment obrazu radarowego Polesia, obejmujący obszar szerokości geograficznych od 51°20' N do 51°29' N i długości geograficznych od 23°09' E do 23°21' E (Rys. 61). Obraz ten został wykonany przez ASAR 30 sierpnia 2007 r. w polaryzacjach HH i VV, z rozdzielczością wynoszącą 30 m. Stałą dielektryczną gleby określano przy użyciu empirycznego modelu Dubois [32]. Model ten określa zależność współczynnika odbicia radarowego σ0xx (indeks xx oznacza polaryzacje HH lub VV), od kąta padania promienia radarowego α , i od rzeczywistej części stałej dielektrycznej gleby ε , przy założonej długością fali elektromagnetycznej λ, i szorstkości powierzchni ks. Wyraża się on dwoma następującymi równaniami: 3 1.1 0 − 2.37 cos α 0.046 ε tan α 0.7 3 , (61) = ks ⋅ sin α 10 10 3 VV sin α ( σ )λ ( ) cos1.5 α 0.028 ε tan α 0.7 1.4 . (62) ks ⋅ sin α σ HH 10 λ 5 sin α Współczynnik odbicia jako wielkość fizyczna, powinien przyjmować wartości modułu z przedziału [0,1]. Ponieważ zawartość szumów, zakłóceń i błędów w danych surowych jest znaczna, to jego wartości wykraczają poza ten zakres, i dlatego dane powinny być najpierw kalibrowane, potem poddawane korekcjom radiometrycznym, a następnie głęboko filtrowane, aby na obszarach z glebą odsłoniętą zapewnić warunek: 0 − 2.75 = 10 0 σ HH < 1. 0 σ VV (63) Modelu tego nie można stosować dla sygnału zbyt małego, tzn. w obszarach pokrytych zbyt gęstą warstwą wegetacyjną. To ograniczenie, Dubois [32] przyjmuje się za spełnione, gdy: 0 σ HV < −11 dB . 0 σ VV (64) Mając zdjęcia ASAR tylko dla polaryzacji HH/VV, przyjmowano tylko warunek (63). Z bezpośredniego oglądu wybranych obszarów: Bagno Bubnów, łąka Krowie Bagno, i pól uprawnych w okolicach miejscowości Wytyczno, wiadomo było, że obszary te są wilgotne a wegetacja jest stosunkowo niska. Przy wegetacji niskiej, składnik polaryzacyjny HH jest w ogóle niski i warunek (64) powinien być dochowywany. Wybrano jednak i obszar odmienny, czwarty – las w okolicach miejscowości Dominiczyn, tzn. z wegetacją wysoką. Tam obie składowe HH WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 155 i VV, są wysokie. Dla lasu, warunek (63) powinien być bliski jedności. Natomiast warunek (64), nie był znany dla lasu, dlatego że brak jest polaryzacji HV w tym zdjęciu. Mimo tego, warunek ten ma też szanse spełnienia, bo dla lasu z gęstymi elementami pionowych pni drzew, składnik VV musi być duży. O tym świadczą inne zdjęcia, które zawierają polaryzacje HV, VV. Z wyrażeń współczynników odbicia (61, 62), obliczono stałą dielektryczną dla każdego z tych obszarów. Bagno charakteryzowało się największymi wartościami, maksymalnymi i średnimi, stałej dielektrycznej. Oznacza to, że Tam była największa wilgotność spośród badanych obszarów. Pozostałe obszary miały wartości średnie przenikalności dielektrycznej niższe niż dla bagna. Na obszarze lasu zaobserwowano największą wartość współczynnika zmienności (CV) stałej dielektrycznej. Można to tłumaczyć tym, że stała dielektryczna zależy nie tylko od wilgotności, lecz i od zawartości pokrywy roślinnej. Las stanowi grubą warstwę wegetacji, i jako taki wg warunku (64), nie stosuje się do modelu Dubois. Najmniejszy CV zaobserwowano na łące, a to wskazuje, że teren ten jest najbardziej jednorodny pośród obszarów badanych. Łąka jest płaska, dość jednorodnie porośnięta roślinnością, i tam należałoby spodziewać się wyrównanego rozkładu wilgotności. Tabela 9. Wybrane miary obliczonej stałej dielektrycznej dla badanych obszarów Badany obszar Miara pole uprawne las łąka bagno Średnia 4,94 4,92 5,01 5,21 Mediana 4,74 4,62 4,80 5,02 Współczynnik zmienności (CV) (%) 21,0 26,1 18,3 20,9 Minimum 2,76 2,75 3,38 3,21 Maksimum 10,77 10,96 9,39 12,35 Tego samego dnia, kiedy wykonano zdjęcie ASAR z danymi omówionymi powyżej, wykonano drugie zdjęcie. Pierwsze wykonano rano, drugie wieczorem. W ciągu dnia prowadzono pomiary naziemne stałej dielektrycznej gleby za pomocą sondy TDR. Wyniki interpretacji zdjęć modelem Dubois, trzeba uznać za zaniżone względem pomiarów bezpośrednich sondą TDR, zarówno dla bagna jak i dla łąki. Z TDR wynika, że średnia wartość stałej dielektrycznej dla bagna wynosiła 9,76, a dla łąki 6,85, podczas gdy ze zdjęcia i obliczeń modelem Dubois wynika, że powinno być odpowiednio 5,21 i 5,01 (Tab. 9). To niedoszacowanie 156 B. USOWICZ, W. MARCZEWSKI I IN… wynika prawdopodobnie stąd, że odbicie lub rozproszenie sygnału ASAR, jest wrażliwe nie tylko na wodę obecną w glebie, lecz także na wodę w pokrywie roślinnej, czego naziemny TDR nie mierzy. Warstwę roślinności, należy rozważać w modelach jako chmurę zmieszanych materialnych komponentów powietrza, wody, i biomasy roślin. Nawet gdyby rośliny zawierały dużo wody, a ich stała dielektryczna była wysoka, to mieszanina roślin z powietrzem daje mniejszą gęstość masy, i efektywna przenikalność dielektryczna wychodzi też mniejsza. W konsekwencji pomiar satelitarny dotyczy sumy warstw pokrycia roślinnego i gleby. Radar widzi glebę poprzez przesłonę, ale widzi, i własności przesłony wnoszą do tej oceny swój udział. Pojawia się więc nowy temat – oceny zawartości wody w warstwie wegetacyjnej, który trzeba wyseparować z danych. Obserwacja radarowa zawiera i umożliwia ocenę zawartości wody w wegetacji. Wprawdzie tego w tej części pracy nie przedstawia się, ale taka ocena będzie podejmowana na podstawie zdjęć innych, spektralnych MERIS, z tego samego satelity ENVISAT, choć nie w tym samym czasie. Wprawdzie to jest substytut, ale trzeba po niego sięgać bo synchronizacja pomiarów na Ziemi z satelitą ENVISAT, była możliwa tylko raz, i pozostanie incydentalna. Taka ocena będzie potrzebna dla walidacji SMOS. Synchronizację kampanii naziemnych z przelotami SMOS mamy zapewnioną. Z programu ESOV będzie można wyznaczyć daty i przeloty SMOS, i będzie ich wiele, co 3 lub 4 dni. Jednak SMOS nie rozróżni zawartości wody w glebie od zawartości wody w roślinności. SMOS tego rozróżnienia potrzebuje od projektów naziemnych. SMOS będzie miał takie dane ze służb naziemnych ECMWF, i innych, i użyje ich w swoim modelu emisyjności. Wynik SMOS będzie na wielką skalę (piksel 35×35 km), i walidacja tego wyniku powinna pochodzić ze źródeł naziemnych niezależnych, przy dobrym rozróżnianiu klas roślinności na Ziemi. Do tego trzeba badań naziemnych. Wynik walidacji, a raczej wiele wyników walidacji zebranych z całego świata (po to jest program walidacyjny SVRT), złożą się na korekcje modeli elementarnych, stosowanych do konwersji BT na SM, dla dowolnego miejsca na powierzchni lądów. Trzeba jeszcze brać pod uwagę i inne potencjalne przyczyny – przesunięcia wyniku naszych obliczeń z modelu Dubois, które mogą być rezultatem innego jeszcze źródła błędu wtórnego (offset, bias). Takie błędy przesunięcia są zawsze obecne we wszelkich pomiarach instrumentalnych, i bywa że są skutkami nadmiernie agresywnego przetwarzania danych filtracją. Przy filtrowaniu, dużą rolę odgrywa dobór okien filtrujących, i krotność zastosowanego filtrowania. To niebezpieczeństwo już sygnalizowano w rozdziale o Klasyfikacji i Filtracji, z Rys. 58, w części z prawej strony. Powinno być troską użytkownika modeli i algorytmów przetwarzania, aby takie przesunięcia (offset, bias) identyfikować. Można znaleźć prawie w każdym zdjęciu obiekty całkowicie odbijające sygnał radarowy, w terenach zurbanizowanych, i one powinny dawać wykalibrowany wsp. odbicia WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 157 (rozproszenia) na poziomie 0 dB. Można też znajdować i wody otwarte, a tam współczynnik odbicia powinien być najmniejszy w obrazie, np. –30 dB, lub mniej. Jeżeli ten zakres –35 do 0 dB wyraźnie przesuwa się, w którąś stronę, to mamy do czynienia albo z danymi niewykalibrowanymi, albo z nieodfiltrowanymi zakłóceniami, albo ze zniekształceniem radiometrycznym w wyniku przetwarzania danych. Do użytkownika danych należy decyzja, po jakie korecje w swoim postępowaniu sięgać. O takich efektach ubocznych stosowanych narzędzi są informacje w ich dokumentacji, bo narzędzia otrzymuje się zweryfikowane, i walidowane. Po to są potrzebne walidacje i kalibracje, zarówno instrumentów jak i algorytmów, aby je potem przedstawiać w dołączanych do narzędzi raportach i ich gwarantowanych ocenach. Wnioski z wykorzystania kilku zdjęć ASAR w tej pracy są takie, że zdjęcia te mogą nam służyć ograniczenie, z powodu ich trudnej dostępności w potrzebnych miejscach i terminach. Jest ich mało. Za to są niezawodne, tzn. niezależne od stanu zachmurzenia, wprost przeciwnie do zdjęć spektralnych MERIS. Tych jest dużo, za to korzystne warunki atmosferyczne zdarzają się rzadko. Dla tego projektu przyjęto więc zasadę, aby zdjęcia ASAR wykorzystywać do klasyfikacji pokrycia roślinnego, wytwarzając maski bitowe. Tak uzyskane maski, mają potem służyć do wydobywania wartości indeksów wegetacyjnych ze zdjęć MERIS, które są nam dostępne też incydentalnie – ze względu na bezchmurne niebo, lecz są za to bliższe terminom potrzebnych ocen. Wynika to z tego, że zdjęcia MERIS czerpie się z archiwow, jest ich więcej, i łatwiej trafić na lepszą zgodność lub przynajmniej bliskość terminów, niż uzyskać akceptację na zdjęcia ASAR, dedykowane naszym celom. Wprawdzie analiza spektralna nie daje tak bezpośredniego związku z wodą, jak przy zdjęciach radarowych, lecz daje bardziej wszechstronną ocenę wegetacji w związku z ewapotranspiracją. Jest to wniosek bardzo uniwersalny, bo wskazuje, że przy staraniach o dostęp do zdjęć satelitarnych, i wysiłkach w opanowaniu metod interpretacji i narzędzi, należy zabiegać o różne metody obserwacji środowiskowych. Nasze niepowodzenia, z powodu skąpej dostępności zdjęć ASAR, są jednak powszechne wśród użytkowników. Jedna z kolejnych misji „wodnych” NASA, SMAP (Soil Moisture Active and Passive), będzie miała na pokładzie nie tylko radiometr (passive) lecz i radar SAR (active), po to aby zapewnić jednoczesność obserwacji wrażliwych na wodę (passive), i obserwacji dla rozróżniania i oceny klas roślinności (active). Środowisko na Ziemi jest obiektem bardzo złożonym, i jego charakterystyka wymaga fuzji danych z różnych źródeł. Ten wysiłek łączenia danych w ocenach, spoczywa nie tylko na użytkowniku danych, ale jest również udziałem samych misji kosmicznych. Niech o tym zaświadczy fakt, że misja SMOS potrzebowała zorganizowania globalnego konsorcjum SVRT (w nim bierzemy udział). Ale z drugiej strony, ta sama misja musi dostarczać do strumienia swoich danych, dane 158 B. USOWICZ, W. MARCZEWSKI I IN… zewnętrzne. Dane SMOS są wręcz pompowane całym szeregiem danych o środowisku Ziemi – z innych misji, służb naziemnych (hydrologicznych, meteorologicznych, środowiskowych), i innych banków danych naziemnych, które muszą być aktualizowane w czasie rzeczywistym (on-line). Z punktu widzenia użytkownika danych, jest to stale postulowana fuzja danych, która odbywa się na bieżąco, i w pełni po stronie producenta danych. Jest to zupełnie nowa jakość w satelitarnych obserwacjach Ziemi. PODSUMOWANIE W pracy przedstawiono uzyskane wyniki analizy statystycznej i geostatystycznej oraz mapy rozkładów składu granulometrycznego, zawartości materii organicznej, zawartości kwarcu, gęstości i wilgotności gleby, przewodnictwa cieplnego, pojemności cieplnej i dyfuzyjności cieplnej gleby na dwóch obiektach o powierzchni około 140 km2 każdy i dwóch polach uprawnych. W jednym miejscu testowym były gleby mineralne (generalnie – słabo uwilgotnione), w gminie Trzebieszów (N 51°59'24", E 22°33'37") region – Podlasie Południowe. W drugim, były gleby organiczno-mineralne mocno uwilgotnione, w gminie Urszulin (N 51°23'43", E 23°11'54"), region – Polesie Zachodnie. Testowe pola uprawne znajdują się przy PA PAN. na Felinie (Felin N 51°13'29", E 22°38'42"). Wynikiem tego projektu badawczego jest stworzenie dobrze określonej bazy danych o składzie granulometrycznym, zawartości kwarcu, zawartości materii organicznej, pH, gęstości i wilgotności gleby oraz cieplnych właściwości gleby wybranych obszarów. Tę bazę wykorzystano do wstępnej walidacji pomiarów wilgotności gleby, interpretowanej z danych ENVISAT-ASAR, dla zdjęcia z Polesia lubelskiego. Dalej, ta baza danych będzie rozwijana na większe skale, aż na całą Polskę, dla potrzeb wykorzystywania modelu CMEM, do walidacji obserwacji SMOS. Badania wielkoskalowe wymagają niskich rozdzielczości przestrzennych. Istniejące bazy danych glebowych dla całej Polski mają rozdzielczość około 1 km, i rozróżniają kilkadziesiąt klas glebowych. To przekracza zapotrzebowania badań z wykorzystaniem SMOS. Model CMEM wymaga określania tylko 2 z 3 głównych składowych Piasek-Pył-Ił (Sand-Silt-Clay), za to z rozróżnianiem wartości tych składowych znacznie lepszym niż to ma miejsce dla uznawanych kilkudziesięciu typów gleb. Potrzeba tak wielkie liczby klas gleb, specyfikowanych w istniejących bazach danych, jest podporządkowana innym potrzebom, np. rolnym, a nie fizycznym ocenom ich emisyjności szumu elektromagnetycznego. Dlatego te bazy danych wymagają stopniowania zawartości piasku i gliny przy- WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 159 najmniej do 10%, podczas gdy klasy w bazach danych rolnych, mają tę zawartość określaną niekiedy w zakresach kilkudziesięciu procent. Mapa glebowa obszaru dużego powinna wykazywać przestrzenny związek z morfologią, i hydrografią, a często ten związek jest ukryty i niekonsekwentny. W pewnych obszarach należałoby spodziewać się widocznej gradacji zmiany składu, zgodnej z hydrografią. Tymczasem w wielkiej skali, prędzej można zauważyć kontrasty składu gleb ma granicach kraju, które trudno uzasadniać odmiennością użytkowania lub pokrycia terenu. Wskazuje to raczej na odmienne sposoby charakteryzowania gleb w regionach, z przyczyn innych niż tylko precyzja metod. Badania wielkoskalowe, zwłaszcza satelitarne, ujawniają takie kontrasty, stwarzają potrzeby wspólnego sposobu charakteryzowania gleb, i dają odpowiednie możliwości techniczne. Wielką rolę odgrywają tu metody statystyczne, i dlatego ta praca ma właśnie orientację statystyczną. Zrealizowany program badawczy jest częścią pakietu tematycznego SWEX_Polesie (Gleba Woda i Wymiana Energii), w projekcie badawczym SWEX_Poland (2005-2009) w ramach misji badawczej SMOS (Wilgotność Gleby i Zasolenie Oceanów) nadzorowanej przez Europejską Agencję Kosmiczną (ESA) w badaniach nad globalnymi zmianami klimatu. Można nie rozsądzać o przyczynach zmiany klimatu. Można nie określać klimatu na wielkie skale, chociażby z powodu braku kompetencji klimatologicznych. Nie można jednak negować zmiany klimatu, nie podejmując działań dla wytwarzania danych prowadzących do istotnych miar klimatycznych, pozwalających – innym, na stwierdzanie czy klimat się zmienia, na ile, w jakich kierunkach, i na podstawie jakich danych. Temu służą współprace naukowe i organizacyjne [128], aby prowadzić do synergii różnych nauk o Ziemi. W roku 2010, Polski nadal nie ma pośród 76 krajów i wielkich organizacji sygnatariuszy światowego porozumienia GEOSS (Global Earth Observation System of Systems), które w roku 2005 przyjęło 10-letni plan działania [47]. PIŚMIENNICTWO 1. Anderson A. N., McBratney A. B., Crawford J. W.: Applications of Fractals to Soil Science. Advences in Agronomy, (Ed. D. L. Sparks, Academic Press), 63, 2-76, 1998. 2. Armstrong A. C.: On the fractal dimensions of some transient soil properties. J. Soil Sci., 37, 641-652, 1986. 3. Bachmann J., Horton R., Ren T., Van der Ploge R.R.: Comparison of the thermal properties of four wettable and four water-repellent soils. Soil Sci. Soc. Am. J., 65, 1675-1679, 2001. 4. BEAM software http://www.brockmann-consult.de/cms/web/beam 5. Bristow K.L., Kluitenberg G.J., Horton R.: Measurement of soil thermal properties with a dual-probe heat-pulse technique. Soil Sci. Soc. Am. J., 58, 1288-1294, 1994. 160 B. USOWICZ, W. MARCZEWSKI I IN… 6. Bałaga K., Dobrowolski R., Rodzik J.: Paleogeograficzne warunki rozwoju jezior i torfowisk Poleskiego Parku Narodowego i jego strefy ochronnej, Annales UMCS, sec. B, vol. 48, 1-18, 1995, 7. Baranowski P., Kossowski J., Usowicz B.: Spatial variability of soil water content in cultivated fields. Zesz. Probl. Post. Nauk Roln., 405, 9-19, 1994. 8. Bartoli F., Burtin G., Royer J. J., Gury M., Gomendy V., Phylippy R., Leviandier Th., Gafrej R.: Spatial variability of topsoil characteristics within one silty soil type. Effects on clay migration. Geoderma, 68, 279-300, 1995. 9. Bartoli F., Philippy R., Burtin G.: Influence of organic matter aggregation in Oxisols rich in gibbsite or in goethite. I. Structures: the fractal approach. Geoderma, 54, 231-257, 1992. 10. Bartoli F., Philippy R., Doirisse M., Niquet S., Dubuit M.: Structure and self-similarity in silty and sandy soils: the fractal approach. J. Soil Sci., 42, 167-185, 1991. 11. Bednarek H., Kołodziej J., Liniewicz K.: Wybrane cechy intercepcji opadów atmosferycznych w łanach niektórych roślin uprawnych. Acta Agrophysica, 34, 19-28, 2000. 12. Białousz S.: Soil map of Poland according to FAO legend with different number of soil mapping units. Proc. Land Information System, Hannover, 1966. 13. Bołaszewska J., Reutt F.: Częstość występowania poszczególnych mas powietrza w Polsce w okresie 10 lat 1946-1956. Prace PIHM, 66, 16-32, 1962. 14. Brightness Temperature http://en.wikipedia.org/wiki/Brightness_Temperature 15. Brus D.,J.: Incorporating models of spatial variation in sampling strategies for soil. PhD Thesis, Wageningen Agricultural University, The Netherlands, 1-211, 1993. 16. Burrough P. A.: Multiscale sources of spatial variability in soil. I. The application of fractal concepts to tested levels of soil variation. J. Soil Sci., 34, 577-626, 1983. 17. Burrough, P.A.: Fractal dimensions of landscapes and other environmental data. Nature, 294, 240-242, 1981. 18. Burrough, P.A.: Principles of Geographical Information Systems for Land Resources Assessment. Oxford University Press, Oxford. 1986. 19. Burgess, T.M. and R. Webster: Optimal interpolation and isarithmic mapping of soil properties. I. The semivariogram and punctual kriging. J. Soil Sci., 31, 315-331, 1980. 20. Burgess, T.M. and R. Webster: Optimal interpolation and isarithmic mapping of soil properties. II. Block kriging. J. Soil Sci., 31, 333-341, 1980. 21. Carslaw H.S., Jaeger J. C.: Conduction of Heat in Solids", Oxford University Press, 2nd edition, (1959) 22. Chmielewski T. J. (red.): Rezerwat Biosfery „Polesie Zachodnie”. Walory, funkcjonowanie, perspektywy rozwoju, Poleski Park Narodowy, Wojewoda Lubelski, Lublin-Urszulin. 2005. 23. Chomicz K., Kuczmarska L.: Zachmurzenie i usłonecznienie w Polsce. Przegl. Geofiz., XVI, 1-2, 69-94, 1971. 24. CMEM: Community Microwave Emission Model, ECMWF http://www.ecmwf.int/research/ESA_projects/SMOS/cmem/cmem_index.html 25. CORINE Land Cover http://www.eea.europa.eu/publications/COR0-landcover http://www.earthobservations.org/documents.shtml 26. David, M.: Geostatistical Ore Reserve Estimation. Elsevier, Scientific Publishing Co., Amsterdam, The Netherlands, 1977. 27. de Vries, D.A.: Thermal properties of soils. In W.R. van Wijk (ed.) Physics of plant environment. North-Holland, Amsterdam, 210-235, 1963. 28. Dobrzański B., Malicki A.: Gleby województwa krakowskiego i rzeszowskiego. Annales UMCS, s.B, 4, 117-134, 1950. WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 161 29. Dobrzański B., Piszczek J.: Mapa gleb powiatu mieleckiego. Annales UMCS, s.B, 3, 15-31. 1948. 30. Dobrzański B., Zawadzki S.: Gleboznawstwo. PWN, Warszawa, 1995. 31. Drzymała S., Mocek A.: Metody z zakresu fizyki i chemii gleb zalecane przez ISO (i PKN). Acta Agrophysica, 48, 253-264, 2001. 32. Dubois P.C., Van Zyl J.J., Engman T.: Measuring Soil Moisture with Imaging Radars. IEEE Trans. GRS, vol. 33, no. 4, pp. 915-926, 1995. 33. ECMWF http://www.ecmwf.int/research/ESA_projects/SMOS/ 34. ECOCLIMAP: A Global Database of Land Surface Parameters at 1km Resolution in Meteorological and Climate Models http://www.cnrm.meteo.fr/gmme/PROJETS/ECOCLIMAP/page_ecoclimap.htm 35. Englund E., Sparks A.: Geostatistical Environmental Assessment Software. Environmental Monitoring Systems Laboratory Office of Research and Development, U.S. Environmental Protection Agency, Las Vegas, NV 89193-3478, 1988. 36. ENVISAT AATSR Products User Guide http://envisat.esa.int/handbooks/aatsr/CNTR1.htm 37. ENVISAT-ASAR http://envisat.esa.int/handbooks/asar/ 38. ENVISAT-MERIS http://envisat.esa.int/handbooks/meris/CNTR1.htm 39. Ernst , W.G., Van de Ven, C.M., Lyon R.J:. Relationship among vegetation, climatic zonation, soil and bedrock in the Eastern California: a ground base and remote – sensing study. Biulletin of the Geological Society of America. 115, 12, 1583-1597, 2003. 40. ESA EOPI: Earth Observation Principal Investigator Portal, The submission area for Category1 (Scientific) data users, http://eopi.esa.int/esa/esa?cmd=aodetail&aoname=Cat1 41. ESA Living Planet Cal-Val http://www.esa.int/esaLP/SEMS9WGYX3F_LPsmos_0.html 42. ESA Software Tools http://envisat.esa.int/resources/softwaretools/ 43. Eumetsat LSA SAF: Labd Surface Analysis Satellite Application Facility, http://landsaf.meteo.pt/ 44. Eumetsat SAFs http://www.eumetsat.int/Home/Main/What_We_Do/SAFs/index.htm?l=en 45. Gamma Design Software GS+9. 2008: Geostatistics for the environmental sciences. 46. GCOS, UN Framework Convention on Climate Change (UNFCCC), Background Documents http://ioc3.unesco.org/oopc/documents/background.php Systematic Observation Requirements for Satellite-based Products for Climate: Supplemental details to the satellite-based component of the GCOS IP (September 2006), GCOS-107.pdf 47. GEOSS Global Earth Observation System of Systems http://www.earthobservations.org/documents.shtml 48. Gliński J., Ostrowski J., Stępniewska Z., Stępniewski W.: Bank próbek glebowych reprezentujących gleby mineralne Polski. Probl. Agrofizyki, 66, 1-57, 1991. 49. Gołaszewski J.: Analiza zmienności przestrzennej w doświadczeniach polowych. Fragmenta Agronomica (XVII), 4(68), 4-14, 2000. 50. Gołaszewski J.: Szacowanie i eliminacja efektów zmienności przestrzennej w doświadczalnictwie polowym. Post. Nauk Roln., 2, 31-51, 2000. 51. Gotway C.A., Hergert G.W.: Incorporating spatial trends and anisotropy in geostatistical mapping of soil properties. Soil Sci. Soc. Am. J., 61, 298-309, 1997. 52. Griffith, D.A.: Spatial Autocorrelation: A Primer. Association of American Geographers, Washington, D.C., 1-86, 1987. 53. Gumiński R.: Próba wydzielenia dzielnic rolniczo-klimatycznych w Polsce. Przegl. Meteorol. Hydrolog., 1, 7-20,1948. 162 B. USOWICZ, W. MARCZEWSKI I IN… 54. Harasimiuk M., Michalczyk Z., Turczyński M. (red.): Jeziora łęczyńsko-włodawskie, Monografia przyrodnicza, Biblioteka Monitoringu Środowiska, UMCS. WIOŚ, Lublin, 1-176, 1998. 55. Harasimiuk M., Dobrowolski R., Rodzik J.: Budowa geologiczna i rzeźba terenu Poleskiego Parku Narodowego, (w:) S. Radwan (red.), Poleski Park Narodowy. Monografia przyrodnicza, Wyd. MORPOL, Lublin, 29-41, 2002. 56. Hardy, M., Jamogne, M. et. al .: Mineralogical development of the silt fraction of a podzoluvisol on loess in the Paris Basin (France). European Journal of Soil Sci., 50, 443 – 456, 1999. 57. Haan C.T.: Statistical Methods in Hydrology. Iowa State University Press, Ames, Iowa. 1977. 58. Hopmans J.W., Dane J.H.: Thermal conductivity of two porous media as a function of water content, temperature and density. Soil Sci., 142 (4), 187-195, 1986. 59. Hummatov N.G., Zheromskiy S.V., Mironenko Ye.V., Pachepskiy Ya.A., Shcherbakov R.A.: Geostatistical analysis of water retention capacity spatial variability for a grey forest soil. Pochvoviedenie, 6, 52-62, 1992. 60. Isaaks E.H., Srivastava R.M.: An introduction to applied geostatistics. Oxford University Press, NY, 1989. 61. Jackson, M.L., Sayin, M., Clayton, R.N.: Hexafluorosilisic acid reagent modification for quartz isolation, Soil Sci. Soc. Am. J. 40, 958 – 960, 1976. 62. Journel A.G., Huijbregts C.J.: Mining Geostatistics. Academic Press, New York, 1978. 63. JRC European Soil Portal http://eusoils.jrc.ec.europa.eu/ 64. Kowaliński S., Truszkowska R., Kowalkowski A., Ostrowski J.: Bank informacji o środowisku glebowym BIGLEB. Rocz. Glebozn., 30(1), 73-84, 1979. 65. Kaszewski B.M.: Klimat Polesia Lubelskiego i jego zmiany. Acta Agrophysica, 66, 21-48, 2002. 66. Kaszewski B.M., Mrugała S.: Wybrane charakterystyki temperatury powietrza i opadów atmosferycznych na obszarze lubelszczyzny (1951-1990). Acta Agrophysica, 47, 1-75, 2001. 67. Kaszewski B.M., Mrugała S., Warakomski W.: Temperatura powietrza i opady atmosferyczne na obszarze Lubelszczyzny (1951-1990). W: Środowisko przyrodnicze Lubelszczyzny, LTN, Lublin, 1995. 68. Kaszewski B. M.: Warunki klimatyczne Poleskiego Parku Narodowego, (w:) S. Radwan (red.), Poleski Park Narodowy. Monografia przyrodnicza, Wyd. MORPOL, Lublin, 19-28, 2002. 69. Kaszewski B. M., Mrugała S.: Wybrane charakterystyki temperatury powietrza i opadów atmosferycznych na obszarze lubelszczyzny (1951-1990), Acta Agrophysica, 47, 1-75, 2001. 70. Kersten, M.S.: Thermal properties of soils. Bull. 28. University of Minnesota. Inst. Technology, Enginering Experiment Station, 52, 21, 1949. 71. Kimball B.A., Jackson R.D., Reginato R.J., Nakayama F.S., Idso S.B: Comparison of fieldmeasured and calculated soil-heat fluxes. Soil Sci. Soc. Am. J., 40, 18-25, 1976. 72. Kędziora A.: Podstawy agrometeorologii. PWRiL. Poznań, 1995. 73. Kędziora A., Olejnik J.: Heat balance structure in agroecosystems. In: L.Ryszkowski, N.R. French, A.Kędziora (Eds.) – Dynamics of an agricultural landscape. PWRiL, Poznań, 45-64, 1996. 74. Kołodziej J., Liniewicz K., Orzeł W.: Investigations into the relationship between the amount of precipitation, the precipitation interception and the moisture of soil under cultivated plants. Zesz. Probl. Post. Nauk Roln., 220, 191-202, 1979. 75. Komisarek J.: Zmienność przestrzenna czarnych ziem i gleb płowych falistej moreny dennej Równiny Kościańskiej. Roczn. AR Poznań, CCLXVIII, 205-217, 1994. 76. Kondracki J.: Geografia regionalna Polski. PWN, Warszawa 2000. WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 163 77. Kossowski J.: O częstości głównych typów pogody w Polsce. Przegl. Geofiz., XIII(XXI), 3, 283-292, 1968. 78. Kossowski J.: Przebieg roczny częstości występowania głównych typów pogody w poszczególnych regionach Polski w okresie 1951-1960. Folia Soc. Sci. Lublin., s.D, 9, 61-67, 1969. 79. Kossowski J.: Thermal properties of soil in Felin. Report MR II.08.02.8, Institute of Agrophysics, PAS, Lublin 1977. 80. Kossowski J., Usowicz B.: Charakterystyka pola wilgotności gleby przy różnej liczbie próbkowań. Acta Agrophysica, 38, 127–137, 2000. 81. Kożuchowski K., Marciniak K.: Fluktuacje kontynentalizmu klimatu Polski na tle warunków cyrkulacyjnych i solarnych. Przegl. Geofiz., XXXI(XXXIX), 2, 1986. 82. Kuczmarski K., Paszyński J.: Zmienność dobowa i sezonowa usłonecznienia w Polsce. Przegl. Geogr., 53, 4, 779-791, 1981. 83. Lipiec J., Hakansson I., Tarkiewicz S., Kossowski J.: Soil physical properties and growth of spring barley related to the degree of compactness of two soils. Soil and Tillage Res., 19, 307317, 1991. 84. Lipiec J., Usowicz B.: Spatial variability of penetration resistance of soil at different compaction level. Bibliotheca Fragmenta Agronomica. t.2b, 423-426, 1997. 85. Madsen, A.F., Rose, C., Cee, R.: Review of quartz analytical methodologies: present and future needs. Appl. Occup. Environ. Hyg. 10 (12), 991 – 1002, 1995. 86. Malicki M.: A reflectometric (TDR) meter of moisture content in soils and other capillaryporous materials. Zesz. Probl. Post. Nauk Roln., 388, 107-114, 1990. 87. Mandelbrot B.B.: The Fractal Geometry of Nature. W.H. Freeman, London. 1982. 88. Marczewski W., Schröer K., Seiferlin K., Usowicz B., Banaszkiewicz M., Hlond M., Grygorczuk J., Gadomski S., Krasowski J., Gregorczyk W., Kargl G., Hagermann A., Ball A. J., Kührt E., Knollenberg J., Spohn T.: „Prelaunch performance evaluation of the cometary experiment MUPUS-TP", J. Geophys. Res., Vol. 109, No. E7, E07S09, (08 July 2004), pp. 117, doi 10.1029/2003JE002192 89. Marczewski W., Usowicz B., Dabrowski B., Wawrzaszek R., Seweryn K., Sendek E., Kömle N.I., Kargl G.: „On the use of the Fourier number to interpret thermal measurements with a quasi–linear heat source”, pp. 57-82, Penetrometry in the Solar System II, Print version ISBN 978-3-7001-6664-1, Austrian Academy of Sciences, 2009, Online version: http://hw.oeaw.ac.at/?arp=0x001e8a5e 90. Marczewski W., Zawadzki J., Przeździecki K., Szymankiewicz K.: ”Soil Moisture Monitoring at the Kampinoski National Park, Poland, for Validating SMOS”, ISRSE-33 Symposium, Stresa May 2009, 6 pages, (in press) 91. Matheron G.: The theory of regionalized variables and its applications. Cahiers du Centre de Morphologie Mathematique, Fontainebleau, No. 5, 1971. 92. McBratney A.B., Webster R.: How many observations are needed for regional estimation of soil properties. Soil Sci., 135(3), 177-183, 1983. 93. Miara K., Paszyński J., Grzybowski J.: Zróżnicowanie przestrzenne bilansu promieniowania na obszarze Polski. Przegl. Geogr., 59, 4, 487-509, 1987. 94. Michalczyk. Z, Chmiel S., Turczyński M.: Stosunki wodne na obszarze funkcjonalnym Poleskiego Parku Narodowego, (w:) S. Radwan (red.), Przyrodnicze podstawy ochrony i odnowy ekosystemów wodno-torfowiskowych w obszarze funkcjonalny P P N na tle antropogenicznych przekształceń środowiska przyrodniczego. Acta Agrophysica, 91, Rozprawy i monografie, Inst. Agrofizyki PAN, Lublin, 26-67, 2003. 95. Michalczyk Z., Bartoszewski S., Turczyński M.: Stosunki wodne Polesia, (w:) S. Radwan (red.), J. Gliński, M. Geodecki, M. Rozmus, Środowisko przyrodnicze Polesia – stan aktualny i zmiany, Acta Agrophysica, 66, Inst. Agrofizyki PAN, Lublin, 49-76, 2002. 164 B. USOWICZ, W. MARCZEWSKI I IN… 96. Michalczyk Z., Bartoszewski S., Chmiel S., Dawidek J., Głowacki S., Turczyński M.: Zasoby wodne Poleskiego Parku Narodowego, (w:) S. Radwan (red.), Poleski Park Narodowy. Monografia przyrodnicza, Wyd. MORPOL, Lublin, 55-71, 2002. 97. Michna E.: Usłonecznienie województwa lubelskiego na tle usłonecznienia Polski. Folia Soc. Sci. Lublin., s. Geogr., 16, 1, 37-42, 1974. 98. Moreno F., Usowicz B., Fernandez J.E., Andreu L.: Spatial distribution of salinity and water content in the reclaimed salt-affected soils of south-western Spain. Proc Int. Conf. "Wastewater re-use in irrigated agriculture" 22-26 September 1997, vol. IV, 83-93, Valenzano (Bari), Italy. 99. Musierowicz A. (red.): Mapa gleb Polski w skali 1:300 000. Wyd. Geologiczne, Warszawa, 1961. 100. Myślińska E.: Laboratoryjne badania gruntów. Wyd. III. PWN, Warszawa, str. 213, 2001. 101. NEST (Next Esa Sar Tool) http://www.array.ca/nest/tiki-index.php 102. Noborio K.,. McInnes K.J.: Thermal conductivity of salt-affected soils. Soil Sci. Soc .Am. J., 57: 329–334, 1993. 103. Noborio K., McInnes K.J., Heilman J.L.: Measurements of soil water content, heat capacity, and thermal conductivity with a single TDR probe. Soil Sci., 161, 22-28, 1996. 104. Ochsner T.E., Horton R., Ren T.: Simultaneous water content, air-filled porosity, and bulk density measurements with thermo-time domain reflectometry. Soil Sci. Soc. Am. J., 65, 1618-1622, 2001. 105. Ochsner T.E., Horton R., Ren T.: A new perspective on soil thermal properties. Soil Sci. Soc. Am. J., 65, 1641-1647, 2001. 106. Okołowicz W.: Regiony klimatyczne. Polska – Atlas geograficzny, PPWK, Warszawa, 1966. 107. Olejnik J.: Modelowe badania struktury bilansu cieplnego i wodnego zlewni w obecnych i przyszłych warunkach klimatycznych. Roczniki Akademii Rolniczej w Poznaniu Rozprawy Naukowe. 268, s.125, 1996. 108. Ostrowski J.: Nizina Południowopodlaska. Przegl. Geogr., 38, 3, 393-406, 1966. 109. Pannatier Y.: Variowin 2.1. Program for Geostatistical Analysis. University Of Lousanne, 1994. 110. Papritz A.J.: Estimating temporal change of soil properties. Phd thesis, Swiss Federal Institute of Technology, Zurich, 166 Pp. 1993. 111. Paszyński J.: Studies on the heat balance and on evaporation. Geogr. Pol., 22, 35-51, 1972. 112. Paszyński J., Krawczyk B.: Climatic regions of Poland. Indojaras, 74, 124-128, 1970. 113. Podogrocki J.: Spatial distribution of global radiation in Poland. Publ. Inst. Geoph. PAN, D5(120), 17-30, 1978. 114. Podogrocki J.: On solar energy resources in Poland during the vegetation period. Zesz. Probl. Post. Nauk Roln., 369, 245-250, 1989. 115. PolSARpro Software http://earth.esa.int/polsarpro/ 116. Ren, T., Gong, Y., Horton, R.: An improved model for predicting soil thermal conductivity from water content at room temperature. Soil Sci. Soc. Am. J. 71, 1, 8 – 14, 2007. 117. Ren T., Noborio K., Horton R.: Measuring soil water content, electrical conductivity and thermal properties with a thermo-tine domain reflectometry probe. Soil Sci. Soc. Am. J., 63, 450-457, 1999. 118. Robertson G.P. : Geostatistics in ecology: interpolating with known variance. Ecology, 68, 744-748, 1987. 119. Romer E.: Regiony klimatyczne Polski. Prace Wrocł. Tow. Nauk., s.B, 16, Wrocław 1949. 120. Schoefield R.K., Taylor A.W.: The measurement of soil pH. Soil Sci. Soc. Am. Proc., 19, 164-167, 1955. 121. Schmuck A.: Regiony pluwiotermiczne w Polsce. Czasop. Geogr., 36, 3, 241-244, 1965. WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 165 122. Schmuck A.: Regiony termiczne w Polsce. Czasop. Geogr., 32, 1, 17-30, 1961. 123. Sikora E.: Zależność właściwości cieplnych zagregowanych próbek glebowych od wielkości agregatów i uwilgotnienia. Praca doktorska. AR Lublin, 1983.. 124. SMAP: Soil Moisture Active and Passive, http://smap.jpl.nasa.gov/science/ 125. SMOS: Soil Moisture and Ocean Salinity Mission, CESBIO http://www.cesbio.upstlse.fr/us/indexsmos.html ESA http://www.esa.int/esaLP/LPsmos.html 126. Smith, B.R., Granger M.A., Buol S.W.: Sand and course silt mineralogy of selected soils on the Lower Coastal Plain of North Carolina. Soil Sci. Soc. Am. J., 40, 928 – 932, 1976. 127. Sokal R.R., Oden N.L.: Spatial autocorrelation in biology. 1. Methodology. 2. Some biological implications and four applications of evolutionary and ecological interest. Biological Journal of the Linnean Society 10, 199-228, 1978. 128. SSE: Service Support Environment Land Surface - Analysis Aatellite Application Service, http://services.eoportal.org/portal/service/ShowServiceInfo.do?serviceId=8E817188 129. Spohn T., Seiferlin K., Hagermann A., Knollenberg J., Ball A. J. , Banaszkiewicz M., Benkhof J., Gadomski St., Grygorczuk J., Hlond M., Kargl G., Kührt E., Koemle N., Marczewski W., Zarnecki J.C.: „MUPUS - A Thermal and Mechanical Properties Probe for the Rosetta Lander PHILAE", Springer - Space Science Reviews, Special Issue - Rosetta Mission, (2007), Volume 128, Numbers 1-4, (February 2007), doi: 10.1007/s11214-006-9081-2, pp. 339-362(24) 130. SRTM: The Shuttle Radar Topography Mission, NASA, http://www2.jpl.nasa.gov/srtm/ CGIAR, http://srtm.csi.cgiar.org/ 131. StatSoft, Inc. (2008). STATISTICA (data analysis software system), version 8.0. www.statsoft.com. 132. Stawiński J., Gliński J., Ostrowski J., Stępniewska Z.: Mapa Powierzchni Właściwej Gleb Ornych Polski. IA PAN Lublin – IMUZ Falenty, 1999. 133. Stawiński J., Wierzchoś J., Józefaciuk G.: Metoda pomiaru pH układów glebowych eliminująca efekt suspensji. Zesz. Probl. Postęp. Nauk Roln., 315, 233-242, 1986. 134. Stępniewska Z., Stępniewski W., Gliński J., Ostrowski J.: Atlas Oksydoredukcyjnych Właściwości Gleb Ornych Polski. IA PAN Lublin – IMUZ Falenty, 1996. 135. SWAT Soil Water Assessment Tool http://swatmodel.tamu.edu/ 136. SWEX (Soil Water and Energy Exchange) http://swex.cbk.waw.pl/ 137. Thermal Radiation http://en.wikipedia.org/wiki/Thermal_radiation 138. Trangmar B.B., Yost R.S., Uehara G.: Applications of geostatistics to spatial studies of soil properties. In: N.C. Brady, editor. Advances in Agronomy, Vol. 38, 45-94, Academic Press, New York, 1985. 139. Truszkowska R.: Kompleksy gleb o zbliżonej przydatności rolniczej. W: Dziedzic F., Dąbrowski P. (Red.) Atlas Rolniczy Polski. Wyd. Geologiczne, Warszawa, 1966. 140. Truszkowska R.: Wojewódzki bank informacji o środowisku glebowo-roślinnym i czynnikach mu zagrażających: Bigleb-Wo. Prace Kom. PTG, 117, 1992. 141. Turczyński M.: Komentarz do mapy hydrograficznej w skali 1:50 000, Arkusz M-34-23-D Hańsk, Zak. Hydr. UMCS, maszynopis, 2007. 142. Turski R., Uziak S., Zawadzki S.: Środowisko Przyrodnicze Lubelszczyzny – Gleby. LTN, Lublin, 1-107, 1993. 143. Turski R.: Gleboznawstwo. Ćwiczenia dla studentów wydziałów rolniczych, WAR Lublin, 1-219, 1998. 144. Ulaby F.T., Batlivala P.P., Dobson M.C.: Microwave Backscatter Dependence on Surface Roughness, Soil Moisture, and Soil Texture: Part I-Bare Soil. IEEE TRANSACTIONS ON GEOSCIENCE ELECTRONICS, VOL. GE-16, NO. 4, pp 286- 295, 1978. 166 B. USOWICZ, W. MARCZEWSKI I IN… 145. Ulaby F.T., Bradley G.A., Dobson M.C.: Microwave Backscatter Dependence on Surface Roughness, Soil Moisture, and Soil Texture: Part II-Vegetation-Covered Soil. IEEE TRANSACTIONS ON GEOSCIENCE ELECTRONICS, VOL. GE-17, NO. 2, pp 33-40, 1979. 146. Usowicz B., Baranowski P., Kossowski J.: Spatial Distribution Of Some Physical Quantities Characterizing Soil Structure State In Cultivated Fields. Polish J. Soil Sci. 28/1, 19-27, 1995. 147. Usowicz B., Kossowski J., Baranowski P.: Spatial variability of soil thermal properties in cultivated fields. Soil and Tillage Res., 39, 85-100, 1996. 148. Usowicz B., Kossowski J.: Distribution of soil water content in cultivated fields based on measurement by gravimetric and reflectometric methods. Zesz. Prob. Post. Nauk Roln., 436, 157-165, 1996. 149. Usowicz B., Kossowski J. Comparison of soil thermal properties in cultivated fields determined using soil water content measured by two methods. Int. Agrophysics. 13, 295-307, 1999. 150. Usowicz B.: Statistical-physical model of thermal conductivity in soil. Polish J. Soil Sci., XXV/1, 27–34, 1992. 151. Usowicz B.: Evaluation of methods for soil thermal conductivity calculations. Int. Agrophysics, 9(2), 109–113, 1995. 152. Usowicz B.: Soil thermal properties software package 2.0. Copyright: Institute of Agrophysics PAS, Lublin, 1998. 153. Usowicz B.: Time and space variability of soil thermal properties in cultivated fields. Proc. 16th World Congress of Soil Science, Montpellier, France, 20-26 August 1998, CD 253-t.pdf, 1-9, 1998. 154. Usowicz B.: Statystyczno-fizyczne modele przepływu masy i energii w ośrodku porowatym. Acta Agrophysica, 29, s.112, 2000. 155. Usowicz B.: Ocena zmienności wybranych cech gleby przy różnym układzie i liczbie próbkowań. Acta Agrophysica 57, 147-158, 2001. 156. Usowicz, B., Hajnos, M., Sokołowska, Z., Józefaciuk, G., Bowanko, G., Kossowski, J., 2004. Przestrzenna zmienność fizycznych i chemicznych właściwości gleby w skali pola i gminy. Acta Agrophysica, Rozprawy i Monografie, 103, 1-90. 157. Usowicz Ł.B., Usowicz B.: Spatial Variability Of Soil Particle Size Distribution In Poland. 17th World Congress Of Soil Science, 14-20 August 2002, Bangkok, Thailand, Symposium No.48, Paper 274, 1-10, 2002. 158. Walczak R. Usowicz B.: Variability of moisture, temperature and thermal properties in bare soil and in crop field. Int. Agrophysics, 8, 161-168,1994. 159. Walczak R., Ostrowski J., Witkowska-Walczak B., Sławiński C.: Spatial characteristics of water conductivity in the surface level of Polish arable soils. Int. Agrophysics, 16, 3, 239-247, 2002. 160. Warakomski W.: Zmienność średniej miesięcznej temperatury powietrza w okresie wegetacyjnym na Lubelszczyźnie w latach 1951-1990. 99-106 w: Gleby i klimat Lubelszczyzny, Lublin, 1995. 161. Webster R.: Quantitative Spatial Analysis of Soil in The Field. Advances in Soil Sci., 3, 170. 1985. 162. Webster R., Burgess T.M.: Sampling and bulking strategies for estimating soil properties in small regions. J. Soil Sci., 35, 127-140, 1984. 163. Webster, R. and M.A. Oliver: Statistical Methods in Soil and Land Resource Survey. Oxford University Press, NY, 1-316, 1990. 164. Wierzchoś J.: Analiza fizykochemicznych warunków tworzenia się i trwałości struktury glebowej. Praca doktorska. IUNG, Puławy, 1989. 165. Wilgat T. (red.): Polesie Lubelskie, Wyd. Lubelskie, Lublin. 1963. WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 167 166. Wilgat T.: Jeziora Łęczyńsko-Włodawskie, Annales UMCS, s. B, vol. 8, Wyd. UMCS, Lublin, 37-122, 1954. 167. Wilgat T., Michalczyk Z., Paszczyk J.: Płytkie wody podziemne w obszarze związanym z centralnym rejonem Lubelskiego Zagłębia Węglowego, UMCS, Inst. Nauk o Ziemi, Lublin, 1-71, 1984. 168. Wiszniewski W., Chełchowski W.: Charakterystyka klimatu i regionizacja klimatologiczna Polski. IMGW, Wyd. Kom. Łączn., Warszawa, 1975. 169. Witek T. (Red.): Waloryzacja Rolniczej Przestrzeni Produkcyjnej Polski Według Gmin. Iung, Puławy, 1-416, 1981. 170. Wojciechowski K.: Zagadnienie metody bilasu wodnego Thornthwaite’a i Mathera w zastosowaniu do Polski, Prace Geograficzne IG PAN nr 68, PWN Warszawa,1-80, 1968. 171. Woś A.: Klimat Polski. Wyd. PWN, Warszawa, 1999. 172. Van Reeuwijk L.P. (ed.): Procedures for Soil Analysis. Fifth edition. ISRIC Technical Paper 9. Wageningen, The Netherlands, 1995. 173. Vauclin, M., S.R. Vieira, G. Vachaud, and D.R. Nielsen. 1983. The use of cokriging with limited field soil observations. Soil Sci. Soc.Am. J. 47:175–184. 174. Vieira S.R., Hatfield J.L., Nielsen D.R., Biggar J.W.: Geostatistical theory and application to variability of some agronomical properties. Hilgardia. 51, 1-75, 1983. 175. Zinkiewicz W., Zinkiewicz A.: Stosunki klimatyczne województwa lubelskiego. Annales UMCS, s. B, 28, 139-202, 1973. 176. Żelichowski A. M.: Tektonika Lubelskiego Zagłębia Węglowego, Przew. LVI Zjazdu PTGeol., Wyd. Geol., Warszawa, 21-35, 1984. B. USOWICZ, W. MARCZEWSKI I IN… 168 Adresy autorów: Bogusław Usowicz Jerzy Lipiec Zofia Sokołowska Mieczysław Hajnos Mateusz Iwo Łukowski Instytut Agrofizyki im. Bohdana Dobrzańskiego PAN ul. Doświadczalna 4, 20-280 Lublin e-mail: [email protected] Wojciech Marczewski Centrum Badań Kosmicznych PAN, ul. Bartycka 18A, 00-716 Warszawa Jerzy Bogdan Usowicz Centrum Astronomii Uniwersytetu Mikołaja Kopernika, ul. Gagarina 11, 87-100 Toruń Halina Dąbkowska-Naskręt Uniwersytet Technologiczno-Przyrodniczy, ul. Bernardyńska 6, 85-029 Bydgoszcz WYDAWNICTWO NAUKOWE FRNA Celem Fundacji Rozwoju Nauk Agrofizycznych (FRNA) jest promocja i wspieranie zadań naukowo-badawczych Komitetu Agrofizyki PAN oraz Instytutu Agrofizyki im. Bohdana Dobrzańskiego PAN. Fundacja od początku istnienia bierze aktywny udział we wszelkich pracach związanych z drukiem i dystrybucją wydawnictw ciągłych, będąc w latach 1992-96 współwydawcą „International Agrophysics” (vol. 6-10) oraz prowadząc dystrybucję tego tytułu do roku 2000. Obecnie rolę jednostki współwydającej pełni Komitet Agrofizyki PAN. W ramach Wydawnictwa Naukowego FRNA ukazały się monografie, w tym między innymi: Klimat Pola Uprawnego (1999); Właściwości Mechaniczne Dyskretnych Ośrodków Rolniczych (1999); Agrofizyka na Początku XXI Wieku (2001); Bonitacja i Klasyfikacja Gleb Polski (2004); Kukurydza Cukrowa (2005), Problemy Agrofizyczne Kształtowania Środowiska Rolniczego i Jakości Surowców Żywnościowych (2007), Właściwości Geometryczne, Mechaniczne i Strukturalne Surowców i Produktów Spożywczych (2007), Właściwości Fizyczne Suszonych Surowców i Produktów Spożywczych (2007), Nowe trendy w agrofizyce (2008), Elektrofiltr Bifilarny do Usuwania Pyłów Pochodzenia Roślinnego (2008), Metody Fizyczne Diagnostyki Surowców Roślinnych i Produktów Spożywczych (2008) czy Właściwości Fizyczne Surowców Roślinnych (2009). Główny profil wydawniczy to Agrofizyka, która jest dyscypliną polską a zarazem podstawową wydawnictwa, lecz zarejestrowany w ISBN profil wydawniczy obejmuje również takie specjalizacje jak: nauki przyrodnicze, rolnictwo, matematyka, fizyka, chemia, technika, informatyka, gospodarka, sztuka, muzyka, odpoczynek, hobby, sport, gospodarstwo domowe, historia, geografia i mapy. Wydawnictwo Naukowe FRNA, oprócz tradycyjnych form druku, wprowadziło nowoczesną metodę prezentacji książek na nośnikach elektronicznych (CD-ROM, DVD) sygnowane FRNA_CD_BOOK oraz KA_PAN_BOOK_CD. Adres redakcji Fundacja Rozwoju Nauk Agrofizycznych Wydawnictwo Naukowe FRNA Doświadczalna 4, 20-290 Lublin 27 Tel.: 081 744 50 61 wew. 163 Fax: 081 744 50 67 e-mail: frna @ipan.lublin.pl lub [email protected] http://www.ipan.lublin.pl/pl/organizacje/frna.html Bogusław Usowicz, Jerzy Lipiec, Zofia Sokołowska, Mieczysław Hajnos, Mateusz Iwo Łukowski Instytut Agrofizyki im. Bohdana Dobrzańskiego PAN w Lublinie Wojciech Marczewski Centrum Badań Kosmicznych PAN w Warszawie Jerzy Bogdan Usowicz Centrum Astronomii Uniwersytetu Mikołaja Kopernika w Toruniu Halina Dąbkowska-Naskręt Uniwersytet Technologiczno-Przyrodniczy w Bydgoszczy ISBN-13: 978-83-60489-07-9 ISBN: 978-83-60489-14-7 9 788360 489147