woda w glebie – pomiary naziemne i satelitarne w

Transkrypt

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
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
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
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
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
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
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.
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).
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
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
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)
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)
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)
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.
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)
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.
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-
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
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:
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
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
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
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)
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)
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]:
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
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
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
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
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].
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)
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.
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:
⎧⎪ 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
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.
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
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-
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.
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-
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
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.
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
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
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
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
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).
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
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
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.
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
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-
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
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.
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.
(°)
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
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
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-
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
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-
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
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
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
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%.
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
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.
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
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
% 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
69
Tabela 8. Skład granulometryczny oraz niektóre właściwości fizykochemiczne gleby z Felin
k/Lublina.
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
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
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.
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)
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
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
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)
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
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
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)
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
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
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)
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
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
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)
77
BD: Isotropic Variogram
a)
Semivariance
0.03
0.02
0.01
0.00
0.00
0.03
0.06
0.09
Separation Distance (°)
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
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
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)
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
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
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
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)
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
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
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
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)
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
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
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
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)
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
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
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)
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
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
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)
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.
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)
c)
Semivariance
0.008
0.006
0.004
0.002
0.000
0
50
100
150
200
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
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) –
parametrami, (d) – wykres log-log semiwariancji od odległości z parametrami (opis parametrów
patrz Rys. 12)
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
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
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) –
patrz Rys. 12)
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)
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
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
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
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
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)
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
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
D0 = 1.801 (SE = 0.095; r2 = 0.955; n = 19)
Rys. 28. Geostatystyczna charakterystyka dyfuzyjności cieplnej gleby (TD) na Felinie, pole 1,
89
NonTransformed
Frequency
a)
40
30
20
10
0
0.15
0.20
0.25
0.30
WC (m^3/m^3)
b)
Semivariance
0.0010
0.0008
0.0006
0.0004
0.0002
0.0000
0
50
100
150
200
RSS = 5.296E-09)
c)
log(Semivariance)
-3.03
-3.11
-3.19
-3.27
-3.35
0.00
0.68
1.37
2.05
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)
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
RSS = 1.753E-04)
log(Semivariance)
d)
-1.34
-1.38
-1.43
-1.47
-1.51
0.00
0.76
1.52
2.28
D0 = 1.988 (SE = 2.446; r2 = 0.037; n = 19)
Rys. 30. Geostatystyczna charakterystyka przewodnictwa cieplnego gleby (TC) na Felinie, pole 1,
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)
b)
Semivariance
0.03
0.02
0.01
0.00
0
50
100
150
200
RSS = 3.474E-06)
c)
log(Semivariance)
-1.62
-1.69
-1.76
-1.83
-1.90
0.00
0.72
1.43
2.15
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)
92
NonTransformed
Frequency
a)
50
40
30
20
10
0
4
5
6
7
8
9
10
TD x10^-7 (m^2/s)
Semivariance
b)
0.6
0.5
0.4
0.3
0.2
0.1
0.0
0
50
100
150
200
RSS = 0.0174)
log(Semivariance)
c)
-0.298
-0.343
-0.388
-0.433
-0.478
0.00
0.76
1.52
2.28
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)
NonTransformed
Frequency
a)
80
60
40
20
0
1.0
1.2
93
b)
1.4
1.6
BD (mg/m^3)
c)
Semivariance
0.008
0.006
0.004
0.002
0.000
0
50
100
150
200
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
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)
94
b)
NonTransformed
Frequency
a)
80
60
40
20
0
0.0
0.1
0.2
0.3
WC (m^3/m^3)
c)
Semivariance
0.0020
0.0015
0.0010
0.0005
0.0000
0
50
100
150
200
RSS = 5.881E-07)
log(Semivariance)
d)
-2.75
-2.89
-3.03
-3.17
-3.31
0.00
0.72
1.44
2.16
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)
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
RSS = 5.123E-03)
d)
log(Semivariance)
-0.60
-0.77
-0.94
-1.11
-1.29
0.00
0.72
1.44
2.16
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)
96
Frequency
a)
b)
NonTransformed
60
40
20
0
1.00
1.25
1.50
1.75
2.00
HC (MJ/m^3K)
c)
Semivariance
0.05
0.04
0.03
0.02
0.01
0.00
0
50
100
150
200
RSS = 2.388E-04)
log(Semivariance)
d)
-1.35
-1.51
-1.68
-1.84
-2.00
0.00
0.72
1.44
2.16
D0 = 1.729 (SE = 0.196; r2 = 0.857; n = 15)
Rys. 36. Geostatystyczna charakterystyka pojemnośći cieplnej gleby (HC) na Felinie, pole 2: (a) –
patrz Rys. 12)
a)
b)
Frequency
Transformed
80
60
40
20
0
0.0
0.5
1.0
97
1.5
2.0
2.5
ln(TD)
c)
Semivariance
0.20
0.15
0.10
0.05
0.00
0
50
100
150
200
RSS = 1.322E-03)
log(Semivariance)
d)
-0.88
-1.04
-1.21
-1.38
-1.54
0.00
0.72
1.44
2.16
D0 = 1.770 (SE = 0.137; r2 = 0.928; n = 15)
Rys. 37. Geostatystyczna charakterystyka dyfuzyjności cieplnej gleby (TD) na Felinie, pole 2: (a) –
patrz Rys. 12)
98
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
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)
Rys. 38. Przestrzenny rozkład zawartości piasku (a) i pyłu (b) w warstwie gleby 0-10 cm na obszarze gminy Trzebieszów
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
a)
b)
Rys. 40. Przestrzenny rozkład zawartości kwarcu (a) i gęstości (b) w warstwie gleby 0-10 cm na
obszarze gminy Trzebieszów.
103
a)
b)
Rys. 41. Przestrzenny rozkład wilgotności gleby: metoda grawimetryczna (a) i TDR (b) w warstwie
0-10 cm w gminie Trzebieszów.
104
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.
105
a)
b)
Rys. 43. Przestrzenny rozkład w warstwie gleby 0-10 cm materii organicznej (a) i kwarcu (b) na
obszarze gminy Urszulin
106
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.
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
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).
109
a)
b)
c)
cieplnej gleby (c) w warstwie 0-10 cm na polu uprawnym 1, dzień 2 (Felin).
110
a)
b)
Rys. 48. Przestrzenny rozkład gęstości (a) i wilgotności gleby (b) w warstwie 0-10 cm na polu
uprawnym 2 (Felin).
111
a)
b)
c)
cieplnej gleby (c) w warstwie 0-10 cm na polu uprawnym 2 (Felin).
112
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-
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
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.
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
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-
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
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-
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
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.
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
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
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
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.
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
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-
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
– 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.
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
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-
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
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-
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.
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).
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
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.
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
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.
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
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-
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
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
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
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
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
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
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
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.
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
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
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
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
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-
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
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
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
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
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-
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
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.
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
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.
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
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.
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
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.
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.
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

woda w glebie – pomiary naziemne i satelitarne w

Transkrypt

Podobne dokumenty

Apol-Humus – nawóz humusowy usprawniający glebę - poli

DPD Dodatkowe zalecenia - elektronika i sprzęt RTV AGD

Rysunek architektoniczno

LAS RÓWNIKOWY

Obróbka materiałów dla przemysłu lotniczego NOWOCZESNE NARZĘDZIA Gu

stronniczy przegląd prasy - Echo Miechowa