WODA W GLEBIE â POMIARY NAZIEMNE I SATELITARNE ... - Lublin

WODA W GLEBIE â POMIARY NAZIEMNE I SATELITARNE ... - Lublin WODA W GLEBIE â POMIARY NAZIEMNE I SATELITARNE ... - Lublin

from users.ipan.lublin.pl More from this publisher

02.01.2015 Views

KA PAN WODA W GLEBIE POMIARY NAZIEMNE I SATELITARNE W BADANIACH ZMIAN KLIMATU B. Usowicz, W. Marczewski, J. Lipiec, J.B. Usowicz, Z. Sokołowska, H. Dąbkowska-Naskręt, M. Hajnos, M.I. Łukowski Polska Akademia Nauk // Komitet Agrofizyki // Wydawnictwo Naukowe FRNA //

KA PAN

WODA W GLEBIE

POMIARY NAZIEMNE I SATELITARNE

W BADANIACH ZMIAN KLIMATU

B. Usowicz,

W. Marczewski,

J. Lipiec,

J.B. Usowicz,

Z. Sokołowska,

H. Dąbkowska-Naskręt,

M. Hajnos,

M.I. Łukowski

Polska Akademia Nauk // Komitet Agrofizyki // Wydawnictwo Naukowe FRNA //

KA PAN

WODA W GLEBIE

POMIARY NAZIEMNE I SATELITARNE

W BADANIACH ZMIAN KLIMATU

B. Usowicz,

W. Marczewski,

J. Lipiec,

J.B. Usowicz,

Z. Sokołowska,

H. Dąbkowska-Naskręt,

M. Hajnos,

M.I. Łukowski

Polska Akademia Nauk // Komitet Agrofizyki // Wydawnictwo Naukowe FRNA //

Fundacja Rozwoju Nauk Agrofizycznych prowadzi Wydawnictwo Naukowe na rzecz

Komitetu Agrofizyki PAN oraz Instytutu Agrofizyki im. Bohdana Dobrzańskiego PAN.

Specjalizacją wydawnictwa jest Agrofizyka.

Agrofizyka - dyscyplina naukowa dotycząca zastosowań fizyki i nauk ścisłych w

obszarze badań rolniczych i przyrodniczych. Językiem podstawowym jest polski.

Komitet Agrofizyki PAN

Tytuł monografii

WODA W GLEBIE – POMIARY NAZIEMNE I SATELITARNE

W BADANIACH ZMIAN KLIMATU

Autorzy

B. Usowicz, W. Marczewski, J. Lipiec, J.B. Usowicz, Z. Sokołowska,

H. Dąbkowska-Naskręt, M. Hajnos, M.I. Łukowski

Autorzy pragną złożyć podziękowania Dyrekcji i Radzie Naukowej Poleskiego

Parku Narodowego za umożliwienie realizacji badań na terenie Poleskiego Parku

Opiniowali do druku

Prof. dr hab. Bohdan Dobrzański jr

Prof. dr hab. Henryk Sobczuk

Praca naukowa finansowana ze środków:

MNiSW w ramach projektów badawczych własnych, Nr N305 046

31/1707 i N305 107 32/3865, realizowanych w latach 2006-2009, w celu

wykorzystania danych do realizacji kampanii międzynarodowego

programu walidacyjnego, ESA SVRT Cal/Val AO-3275.

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... 3

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

4

B. USOWICZ, W. MARCZEWSKI I IN…

Możliwości wykorzystywania obserwacji SMOS dla celów badań środowiskowych

.........................................................................................................................126

Uzyskane wyniki analizy zdjęć satelitarnych ........................................................128

Przykłady rozproszenia międzykanalowego w zdjęciach MERIS .........................137

Wpływ kalibracji i filtracji na rozproszenie wartości pikseli ................................138

Klasyfikacja ...........................................................................................................140

Stała dielektryczna gleby z pomiarów naziemnych i satelitarnych .......................152

PODSUMOWANIE ...................................................................................................158

PIŚMIENNICTWO ....................................................................................................159

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 5

WSTĘP

Badanie globalnych zmian klimatu, poznawanie mechanizmów prowadzących

do tych zmian i szukanie przyczyn globalnego ocieplenia klimatu, w świetle obserwowanych

negatywnych skutków, jakie niosą te zmiany, jest już uznanym

kompleksem priorytetowych zadań społeczności naukowej. Najważniejszym elementem

środowiska, determinującym klimat jest woda. W atmosferze krąży zaledwie

0.0001% wszystkich zasobów wody na Ziemi. Równoważne zasoby wody są

utrzymywane w przypowierzchniowej warstwie gleby, na lądach tzn. na około ¼

powierzchni planety. Jaki jest udział tego zasobu wody z gleby, w cyrkulacji wody

przez atmosferę, i czy odpowiada on pokryciu powierzchni planety lądami, tego

nie wiadomo. A jest jedna z kilku kwestii kluczowych dla globalnych badań klimatu,

która musi znaleźć odpowiedź ilościową. Mimo że reszta ¾ powierzchni planety,

jest pokryta oceanami, i dominuje w tym bilansie wody, to udział wymiany

wody z glebą jest bardzo istotny bo ta wymiana podlega szybkim zmianom. W grę

wchodzą niewielkie ułamkowe części w miarach względnych, ale olbrzymie masy

wody i wiązane z nią ilości energii, która napędza cały cykl wodny. Woda jest

bardzo efektywnym nośnikiem energii, a gleba jednym z kilku najważniejszych

regulatorów wymiany energii. Zjawiska transportu mas i energii zachodzą niejednorodnie,

przy ich wielkiej różnorodności, i to stanowi o trudnościach wnioskowania

o zmianach klimatu. Nauki o Ziemi zakumulowały już wiele wiedzy o elementach

i złożoności tego cyklu obiegu wody, ale miary ilościowe globalne są wyzwaniem

głównym, i dlatego uznaje się je za priorytowe. Można nie ryzykować dokonywania

bilansu globalnego, znając swoje ograniczenia, ale trzeba podejmować

takie istotne tematy szczegółowe, które znajdą w nim swoje zapotrzebowanie, a

przynajmniej będą zgodne we współpracach z tymi programami, które do takiego

bilansu prowadzą.

Składanie globalnego bilansu wody i energii, z części to koncepcja prosta, lecz

w szczegółach bardzo trudna do przeprowadzenia. Liczba procesów jakie wchodzą

w grę, i ich współzależności czasowo-przestrzennych, wymaga koncepcyjnej

zgodności celów działania środkami technicznymi i statystycznymi. Osiągane oceny

uogólniające nie mogą gubić istotności związków między elementami złożonej

rzeczywistości. Cele stosowanych metod muszą być głęboko zbieżne, najczęściej

odnajdują się w fizyce, na gruncie miar energii i entropii. Bez takiej zbieżności

trudno o zachowanie istotności związków z tak różnymi dziedzinami jak biologia

czy ekonomia. O ile w miarę łatwo radzimy sobie z badaniami prowadzonymi w

laboratoriach w warunkach stanu stacjonarnego i ograniczenie umiejscowionych

6

B. USOWICZ, W. MARCZEWSKI I IN…

badaniach w warunkach stanu niestacjonarnego (naziemne stacje pomiarowe), o

tyle trudniej jest nam prowadzić badania zdalne z przestrzeni kosmicznej, na nieporównanie

większe skale. Kiedyś poszukiwano źródeł wielkich rzek. Dzisiaj Tybetańskie

plateau jest rozważane jako skupisko zlewni. Na to trzeba było zmiany

punktu widzenia procesów zbierania i odprowadzania wody. Innym przykładem

jest stale dokonująca się ewolucja poglądów na to jak badać, i po co, opad w skalach

kontynentalnej i globalnej. Badania kosmiczne już dawno wniosły nie tylko

nowy punkt widzenia z orbity, ale i nowe podejście do szczegółowych badań takich

zjawisk jak ewapotranspiracja, w związkach z fotosyntezą i zapotrzebowaniem

na energię. Dzisiaj badania szczegółowe z trudem mogą obywać się bez dostępu

do baz danych często nieosiągalnych miejscowo, jak np. w badaniach susz

rolicznych. To są nowe jakości przychodzące do agrofizyki wraz z postępem technicznym

i cywilizacyjnym. Meteorologia użytkowa na potrzeby lokalne nie traci

swojego znaczenia, ale zyskuje nowe konteksty jakie przed dekadą czy dwiema,

były trudne do przewidzenia. Priorytet ważności wilgotności gleb, badanej metodami

tradycyjnymi, miejscowo, jest dzisiaj powszechnie niedoceniany. Trzeba

dopiero chyba nowych odkryć na skalę globalną, aby przywracać świadomość

istotności niektórych zmiennych środowiskowych. Pewnych zaniechań w lokalnych

badaniach bezpośrednich, nie można podtrzymywać, kiedy okazuje się, że

wyniki uzyskane na Ziemi są potrzebne walidacjom badań kosmicznych. Postęp

techniczny stwarza złudzenia, że z obserwacji satelitarnych można „wiedzieć

wszystko”. Możliwości obserwacji technikami zdalnymi są rzeczywiście wielkie,

ale zmuszają również do wykorzystywania ich dokonań na drodze nie tylko bezpośredniej,

np. posługując się zdjęciami satelitarnymi, lecz i na drodze pośredniej

przez wykorzystywanie metod i technik pomiarów naziemnych, które mają już

swoje dobrze ustanowione nisze rynkowe na wyposażenie. Indeks liściowy LAI,

akumulację promieniowania na fotosyntezę fAPAR, mierzy ciągle niewielu, choć

środowiskiem, roślinnością, lasem zajmuje się wiele środowisk badawczych. Nie

można tego usprawiedliwiać brakiem instrumentów, technik, czy nawet biedą.

Trzeba w tym widzieć brak zapotrzebowania wynikający odległości cywilizacyjnej

do problemów jakie współczesne nauki o Ziemi i środowisku podejmują za priorytetowe.

Nawet jeżeli jest świadomość tego dystansu, to na ogół brak jest ciągle tak

istotnych i żywych kontaktów współpracy naukowych, które tworzą zapotrzebowanie

na ewolucyjną zmianę w poglądów na to co należy mierzyć, i jak charkateryzować

bardzo złożone środowisko naturalne na Ziemi. Jeżeli nie wiadomo co

zawiera lista zmiennych ECV (Environmental Climate Variable) [46], to i zapotrzebowania

na dane naziemne z miejscowych pomiarów wilgotności gleb SM

(Soil Moisture) nie ma. Nawet jeżeli wystarcza do tego wyposażenie tradycyjne.

Podobnie można sądzić o wykorzystywaniu metod i narzędzi statystycznych. Trzeba

dopiero technik GIS, aby podstawowa wiedza kartograficzna okazywała się

potrzebna na co dzień, i narzędzia statystyczne stosowane nabrały innej wagi w

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 7

badaniach, jakiej nie mogły znaleźć dotąd. Techniki GIS nie rozwiążą jednak problemów

wynikających z różnorodności środowiska, dopóki taka potrzeba nie będzie

włączana do celów badawczy, a nie jest jeśli cele nie są stawiane we właściwych

skalach. Aby postawić cele w skali regionalnej, i sformułować zadania wykonalne,

trzeba na to lepszego związku z badaniami kosmicznymi.

Poznanie natury procesów zachodzących na granicy atmosfery i gleby, określenie,

który z nich ma większy lub mniejszy wpływ na klimat może odbywać się

poprzez badanie bilansu cieplnego powierzchni czynnej. Bilans cieplny powierzchni

czynnej gleby wymaga określenia salda promieniowania, strumienia

ciepła jawnego, utajonego, i strumienia ciepła w glebie. Wśród czynników, które

wpływają na składowe bilansu ciepła są warunki klimatyczne, topografia środowiska,

właściwości cieplne gleby, pora roku i dnia, typ pogody i jej zmian w danym

dniu oraz rodzaj i właściwości powierzchni czynnej, na której zachodzi transformacja

i wymiana energii. Poszczególne składowe bilansu cieplnego gleby mogą

być mierzone lub oszacowywane ze znanych zależności matematycznych. Mimo,

iż osiągnięto znaczny postęp w badaniach strumienia ciepła w glebie, nadal jest on

w centrum zainteresowania wielu dziedzin nauki. Mierzony jest on przy użyciu

strumieniomierzy lub jest oszacowywany z iloczynu przewodnictwa cieplnego i

gradientu temperatury gleby, albo poprzez znane relacje z temperaturą powietrza

lub saldem promieniowania. Strumieniomierze, jak i funkcyjne relacje do innych

mierzonych wielkości są mało dokładne, a w przypadku strumieniomierza w

znacznym stopniu modyfikują środowiska w miejscu jego zainstalowania. Metody

obliczeniowe są rzadziej stosowane z uwagi na trudności w wyznaczaniu przewodnictwa

cieplnego gleby i dokładnego pomiaru gradientu temperatury w jej powierzchniowej

warstwie [5].

Cieplne właściwości gleby znacząco wpływają na podział energii na powierzchni

czynnej. Decydują one o rozkładzie temperatury w profilu glebowym

oraz o przepływie energii i wody w profilu glebowym. Dlatego też są one celem

badań wielu dziedzin nauki, takich jak: agrofizyka, klimatologia, meteorologia,

biologia oraz dziedzin technicznych związanych z energetyką. Dotychczasowe

badania wykazały, że decydujący wpływ na cieplne właściwości ma zawartość

wody w glebie, gęstość ośrodka, skład mineralogiczny gleby i zawartość materii

organicznej [27, 105, 117, 150, 154]. Temperatura gleby, ciśnienie i wilgotność

powietrza mają mniejszy wpływ na cieplne właściwości gleby [71]. Duża zmienność

wielkości fizycznych w glebie i duża zmienność przestrzenna cech składników

ośrodka powoduje, że bezpośrednie pomiary cieplnych właściwości są nadal

trudne i czasochłonne. Dlatego też należy poszukiwać takich metod wyznaczania

cieplnych właściwości, które wykorzystałyby te właściwości i wielkości fizyczne,

które niewiele zmieniają się w czasie w danym obszarze, są dostępne z literatury

czy z baz danych, stacji meteorologicznych, jak i tych, które są łatwo mierzalne.

Cechą gleby, która niewiele zmienia się w czasie jest jej skład granulometryczny,

8

B. USOWICZ, W. MARCZEWSKI I IN…

skład mineralogiczny, gęstość fazy stałej czy zawartość materii organicznej. Ta

ostatnia wielkość w mniejszym stopniu jest niezmienna w czasie niż pozostałe

składniki. Temperatura gleby i powietrza, wilgotność gleby, ciśnienie i wilgotność

powietrza wykazują dużą zmienność, są one jednak łatwe do mierzenia za pomocą

automatycznych systemów pomiarowych. Gęstość gleby istotnie wpływa na właściwości

cieplne gleby, a jej pomiar jest dość czasochłonny. Zatem należy ją wyznaczać

w sposób optymalny [15, 80, 92, 155, 162], tj. poprzez pobranie minimalnej

liczby próbek z określonego pola lub też poprzez pomiary wielkości fizycznych,

które są istotnie skorelowane z gęstością i są łatwe w pomiarach [83, 84]. W

tym przypadku może to być opór penetracji gleby.

Minimalną liczebność przy określonym błędzie szacowania gęstości można

określać za pomocą metod geostatystycznych, tj. semiwariogramów, krossemiwariogramów,

krigingu, kokrigingu i kroswalidacji [15, 75, 92, 110, 138, 157, 161,

162]. Metody te pozwolą również opisać powiązania pomiędzy zmiennymi trudno

mierzalnymi i łatwo mierzalnymi, wyznaczyć ich parametry przestrzennej zależności

i współzależności, jak i pozwolą na uzyskanie map przestrzennego rozkładu

każdej badanej cechy czy wielkości fizycznej gleby w sposób optymalny przy żądanym

błędzie estymacji [19, 52, 59, 60, 62, 98, 146-148, 155, 158, 163, 174].

Wyznaczone z modeli cieplne właściwości gleby wymagają jednak weryfikacji.

Może być ona przeprowadzona w oparciu o porównanie danych otrzymanych z

bezpośrednich pomiarów i danych wyliczonych z modeli.

Cel pracy

Głównym celem projektu badawczego było: – 1) dostarczenie danych o wilgotności

powierzchniowej warstwy gleby z wybranych miejsc na Polesiu i Podlasiu

dla walidacji obserwacji misji SMOS [125], w celu pomiaru wilgotności gleby w

skali globalnej, – 2) poszukiwanie istotnych korelacji między poszczególnymi

wielkościami fizycznymi, określanymi z pomiarów naziemnych oraz przygotowanie

i standaryzacja przetworzonych danych do postaci przydatnych dalszym badaniom

i porównaniom z danymi otrzymanymi z satelity, – 3) zbadanie przestrzennych

zmienności wilgotności, przewodnictwa cieplnego, pojemności cieplnej i

dyfuzyjności cieplnej w powierzchniowej warstwie gleby, na wybranych obszarach,

zgodnie ze współczesną praktyką stosowania metod geostatystycznych opisujących

tę zmienność.

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 9

METODYKA I OBIEKTY BADAŃ

Metody geostatystyczne – wprowadzenie

Metody statystyczne stosowane do opisu środowiska przyrodniczego, wykorzystują

zwykle informację przestrzenną ograniczenie. Metody te, już na początku

zakładają, że obserwacje są niezależne od siebie, co jest ograniczeniem istotnym,

przy opisie i analizie zjawisk. W badaniach środowiska przyrodniczego mamy do

czynienia z obserwacjami, które zawierają czynniki zależne, które mogą być

przedmiotem zainteresowania, i fizycznie niezależne, które mogą być źródłem

błędów, do wyeliminowania. Są jednak jeszcze i zależności lub niezależności statystyczne,

które muszą być przedmiotem zainteresowania dla określania błędów,

nawet jeśli źródła błędów pozostaną niezidentyfikowane. Wyniki badań środowiska,

muszą uwzględniać ich dwa aspekty – łącznie, przestrzeny i czasowy. W

aspekcie przestrzennym, trzeba stosować metody analizy pól losowych, na których

opiera się między innymi aparat matematyczny geostatystyki [15, 75, 91, 92, 110,

157, 162]. Wiedza o własnościach ośrodków i procesach, z natury jest fragmentaryczna,

bo ogranicza się do wybranych obszarów lub miejsc, z których pobrano

próbki. Różnorodność środowiska jest ogromna. Nie wiemy, co się dzieje pomiędzy

punktami pomiarowymi. Trzeba charakteryzować obszary w ich ogólności, i

temu służy geostatystyka. Obejmuje ona relacje między rzeczywistością przyrodniczą,

a jej charakterystyką wyrażaną modelami statystycznymi, w przyjętym zakresie

istotności charakterystyki. Te relacje, można przedstawić ogólnie diagramem

Penatiera [109] (Rys. 1).

10

B. USOWICZ, W. MARCZEWSKI I IN…

Modelowanie semiwariancji

ŚWIAT

REALNY

Obserwacje:

- próbkowanie

- informacja jakościowa

Działania:

- statystyki opisowe

-wstępne analizy danych

-wstępne wariogramy

Cele

operacyjne

Sprawdzenie

hipotezy

stacjonarności

MODEL

PROBABILISTYCZNY

Pojęcia podstawowe:

- zmienna losowa

- zmienna

zregionalizowana

- funkcja losowa

Działania:

-estymacja

-symulacje

Zastosowanie wyników analizy

probabilistycznej do rzeczywistości

Rys. 1. Koncepcja modelowania geostatystycznego wg. Penatiera [109].

Diagram przedstawia ogólen relacje pomiędzy obserwacjami a procesem modelowania

semiwariogramu, przy założeniu stacjonarności procesów, i konfiguruje je

względem wyników charakterystyki badanej rzeczywistości. Wykazuje i przypomina

o istnieniu sprzężenia zwrotnego między źródłami danych do modelowania, i

konieczności stosowania modeli procesów w analizie geostatystycznej, a modele

pozwalają na przewidywanie zachowań, wtedy gdy brakuje danych.

Geostatystykę trzeba uważać za metodologię, która pozwala na analizę przestrzenną

i czasową korelacji danych. Jej podstawowym narzędziem jest wariogram,

a dokładniej połowa wartości wariogramu nazywana semiwariogram. Geostatystyka

posługuje się badaniem funkcji wariogramu reprezentatywnej zmiennej. Funkcja

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 11

wariogramu z określonymi parametrami (tj. wartością samorodka, progiem i zakresem

zależności), przedstawia zachowanie badanej zmiennej przestrzennie regionalizowanej

[15-20, 49, 50, 118, 127], czym umożliwia wnioskowanie o obszarach,

które nie są reprezentowane przez jakiekolwiek dane pomiarowe [7, 26, 57, 59, 60,

62, 91, 138].

Metodyka prowadzenia pomiarów, a zwłaszcza wybór i rozkładu sieci punktów

pomiarowych, ma znaczenie szczególne. Pozwala na utrzymanie istotności opisu

badanego obiektu względem procesów, zarówno w aspekcie przestrzennymi jak i

czasowym. Wybrane elementy środowiska przyrodniczego trzeba traktować jako

układy powiązane między sobą, o związkach wyrażanych za pomocą funkcji matematycznych,

przy respektowaniu obu dziedzin – czasu i przestrzeni. Te funkcje

określają model wewnętrznie, i pozwalają na modyfikacje, korekcje, wynikające z

rozpoznawalnej zmienności otoczenia fizycznego (wejścia, wyjścia). Model pracuje

tymi funkcjami, a jego rezultaty, można wyrażać w kategoriach stacjonarnych

procesów losowych, i traktować w kategoriach statystycznych, np. współzależności

pól losowych.

Poniżej podano szereg podstawowych pojęć i relacji statystycznych, wykorzystywanych

przy opracowywaniu danych. Szereg ten prowadzi do wyboru drogi

postępowania metodologicznego dla danych naziemnych, ale jest na tyle ogólny,

że można tę drogę postępowania odnaleźć i w szczególnych sposobach przetwarzaniu

danych satelitarnych narzędziami bardzo zaawansowanymi. Jeżeli te metody

interpretowania danych satelitarnych, wydają się bardzo specyficzne, to są one

jednak wspólnie zakotwiczone w tej samej statystyce, a specyfika danych satelitarnych

wynika przede wszystkim z użyciu takich modeli podstawowych, które odpowiadają

zaangażowaniu poszczególnych instrumentów (np. technika radarowa,

polaryzacyjna, analiza spektralna, etc.). Ta specyfika jest ograniczona i podporządkowane

statystyce, zwłaszcza w metodach najbardziej zaawansowanych. Niniejsza

praca ogranicza się do ogólnego objaśniania metod krigingu, w postępowaniu z

danymi naziemnymi, i wskazywania aspektów statystycznych metod zaawansowanych,

dla przetwarzania danych satelitarnych (BEAM, NEST, PolSARpro), które

idą dalej, aż po wykorzystywanie sieci neuronowyche w analizie multispektralnej,

lub filtrów nieliniowych (adaptacyjnych), czy też określania entropii i anizotropii.

Cele statystyczne przetwarzania danych naziemnych i satelitarnych, pozostają te

same. Różne są metody formułowania zadań i ich rozwiązywania. Celem jest zawsze

określenie charakterystyk statystycznych, przy minimalizacji lub eliminacji

uwarunkowań technicznych. Jeżeli jesteśmy w stanie odnaleźć wspólny grunt –

statystyczny, dla metod stosowanych na Ziemi, i metod przetwarzania danych satelitarnych,

wtedy specyfika obserwacji Ziemi z kosmosu staje się łatwiejsza do opanowania,

i ograniczona.

Współczesne techniki obserwacji zdalnych, i metod ich przetwarzania, stwarzają

pozorne przekonanie, że z kosmosu można obserwować lepiej i więcej niż na-

12

B. USOWICZ, W. MARCZEWSKI I IN…

kładem pracy naziemnej. Okazuje się, że obserwacje z orbity muszą być wspierane

z Ziemi, dla zapewnienia im odpowiedniej jakości. W tej pracy, autorzy zdobyli

przekonanie, że podstawowa i fundamentalna różnica, polega na operowaniu danymi

i innej liczebności. Na Ziemi jest ich stale za mało, na to aby sięgać po metody

przetwarzania przyswojone technikom kosmicznym. Jest to bardzo istotna różnica,

i jej skutki powinny skupiać uwagę na znaczeniu statystyki, i modeli fizycznych,

aby badacze z różnych dziedzin znajdowali korzyści ze współpracy, uzupełniali

się możliwościami obserwacyjnymi we wspólnych celach, i nawet wykorzystywali

takie same narzędzia.

Semiwariogram

Podstawowym założeniem geostatystyki potwierdzonym w wielu obserwacjach

środowiska przyrodniczego odnosi się do stwierdzenia, że obok punktu, do którego

przypisana jest określona wartość badanej cechy, istnieją inne punkty (lub ich continuum)

o wartościach zbliżonych lub podobnych, i przez to wartości te muszą być

ze sobą skorelowane [163]. Podstawą obliczeniową jest funkcja wariogramu, a

ściślej, połowa oczekiwanej różnicy wartości zmiennej Z(x) w punkcie x i wartości

Z(x+h), w punkcie oddalonym od niego o dystans h. Semiwariogram przedstawia

zachowanie (przestrzenne lub czasowe) danej zmiennej, zwanej zmienną „regionalizową”.

Ta zmienna zawiera aspekt losowy, tzn. zawiera również komponenty

lokalnie nieprawidłowe strukturalnie, które przesłaniają wielkoskalowe trendy

zjawiska (trend [51]). Zmienna zregionalizowana, z jednej strony wykazuje korelacje

związaną z przestrzennym rozkładem danych traktowanych globalnie, a z drugiej

strony może być – lokalnie, zmienną losową, charakteryzującą się określonym

rozkładem prawdopodobieństwa. Analiza wariogramu zmiennej regionalizowanej

ma dawać miarę i identyfikację struktury jej zmienności. Trzeba wyróżniać trzy

fazy analizy: – a) faza wstępnego badania zebranych danych i wykonania oceny

podstawowych statystyk, – b) faza obliczenia wariogramu empirycznego zmiennej

zregionalizowanej, oraz – c) faza dopasowania funkcji zmienności w modelu matematycznym

do przebiegu wariogramu empirycznego. Wymaga to znajomości

pierwszych dwóch momentów statystycznych funkcji losowych przypisanych do

danego zjawiska:

– momentu pierwszego (średniej) [15, 109, 110, 174],

[ Z ( x)

] m( x)

E = (1)

– i drugiego (wariancji, kowariancji, semiwariogramu – semiwariancji)

Var

{ }

2

{ Z( x)

} E [ Z( x) − m( x)

]

= . (2)

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 13

Jeśli zmienne losowe Z(x 1 ) Z(x 2 ) mają wariancję, to również mają kowariancję,

która jest funkcją położenia x 1 , x 2 :

C

( x x ) E{ [ Z( x ) − m( x )] ⋅[ Z( x ) − m( x )]} = E{ Z( x ) ⋅ Z( x )} − m( x ) ⋅ m( )

= (3)

1,

2

1

2

1 2

1

x2

Semiwariogram γ(x 1 ,x 2 ) jest definiowany jako połowa wariancji z różnicy

zmiennych losowych {Z(x 1 )– Z(x 2 )} [109, 161, 162]:

1

γ ( x1, x2

) = Var{ Z( x1

) − Z( x2

)}. (4)

2

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

2

{ } − m ∀x

( h) E Z( x + h) ⋅ Z( x)

= ,

– stacjonarność kowariancji implikuje stacjonarność wariancji i semiwariogramu

Var

2

{ } = C( 0) ∀x.

{ Z( x)

} E [ Z( x)

− m]

(6)

= (7)

Można wykazać, że istnieje powiązanie kowariancji z semiwariogramem [109]:

C

2

( h) = 2E{ Z( x + h ⋅ Z( x)

)} − 2m

= E Z( x + h)

2

[ E{ Z( x + h)

} − 2E{ Z( x + h) ⋅ Z( x)

} + E{ Z( x)

}]

( h) = 2C( 0) − 2γ

( h)

( h) = C( 0) − γ ( h)

2C

−

2C

2 2

[ { } − m ] + [ E{ Z( x)

} − m ]

(8)

14

B. USOWICZ, W. MARCZEWSKI I IN…

– dla wszystkich wartości wektora h różnica {Z(x+h) – Z(x)} ma skończoną wariancję

i nie zależy od x

{ } ∀x

1 1

2

γ ( h) = Var{ Z( x + h) − Z( x)

} = E [ Z( x + h) − Z( x)

] , . (9)

2

Kiedy wartość wektora h równa jest zero, to wartość semiwariancji jest również

równa zero. Semiwariogram jest symetryczny względem h:

( h) = γ ( − h)

γ . (10)

Empiryczny semiwariogram γ(h) dla odległości h obliczany jest z równania

[109, 161]:

N ( h)

1

2

γ =

(11)

( h)

2N

( h)

∑

i=

1

[ z( x ) − z( x + h)

]

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 A 0 określa ostatni krok postępowania z próbkowaniem (h). Model

liniowy opisuje się równaniem [45]:

⎡ ⎤

γ ( h) = C

⎛ ⎞

0

+

⎢

h⎜

C

⎟

⎣ ⎝ A ⎠⎥ (12)

0 ⎦

i

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 15

– model sferyczny, np. możliwy do opisania zmodyfikowaną wersją funkcji

kwadratowej. Zakres zależności wartości zmiennej od przestrzennych odległości

próbek, jest równy zasięgowi A 0 , poza którym dane przestają być już skorelowane.

Model sferyczny opisuje się równaniem:

3

⎧ ⎡ h ⎛ h ⎞ ⎤

⎪C

⎢ ⎜ ⎟ ⎥

0

+ C ⋅ 1.5 − 0. 5

≤

( ) ⎨ ⎢

h A0

γ h =

A0

⎥

⎪

⎣ ⎝ A0

⎠

, (13)

⎦

⎪⎩

C0

+ C

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:

2

⎡ h

−

⎤

2

( )

⎢ A

γ h = C 1

⎥ 0

0

+ C ⋅

⎢

− e

⎥

h > 0 (15)

⎢⎣

⎥⎦

gdzie: γ(h) – jest wartością semiwariancji dla kroku próbkowania h, h – jest krokiem

próbkowania, C 0 – jest wartością samorodka ≥ 0, C – jest wariancją strukturalną

(ang. structural variance) ≥ C 0 , A 0 – 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 =

A 0 . Model wykładniczy, ma efektywny zasięg A = 3A 0 , co odpowiada odległości,

dla której wartość (C + C 0 ) osiąga 95% wartości progowej. Model Gauss'owski, ma

efektywny zasięg A = 3 0.5 A 0 , i jest odległością, dla której wartość (C + C 0 ) osiąga

95% wartości progowej.

16

B. USOWICZ, W. MARCZEWSKI I IN…

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]:

( x) ( x) m( x)

z = ε +

(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:

( x) = z( x) − m( x)

ε . (17)

Dla jednowymiarowego przebiegu wartości równania trendu są następujące:

m

( x)

= a0

( x)

= a0

+ a1x

2

( x) = a + a x + a x

0

1

2

(18)

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 17

Jeżeli mamy do czynienie z trendem powierzchniowym o współrzędnych x, y to

równania trendu są następujące:

m

( x,

y)

= a0

( x,

y)

= ax + by + c

2 2

( x,

y) = ax + by + 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:

( h)

i=

1

(19)

N

1

2

γ ( h)

= ∑[ ε( xi

) − ε( xi

+ h)

] (20)

2N

gdzie N(h) – oznacza liczbę par punktów odległych o h. Równanie (20) określa

zróżnicowanie odchyleń wartości zmiennej ε(x i ) 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]:

γ

s

h=0

( h)

γ

=

σ ⋅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

B. USOWICZ, W. MARCZEWSKI I IN…

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

Z 1 i Z 2 za pomocą kowariancji krzyżowej (krosskowariancji) określanej jako

[161, 174]:

C

( h) E{ Z1( x) ⋅ Z

2( x + h)

} − m1

2

= (22)

12

m

i

oraz krossemiwariogramem definiowalnym jako:

C

( h) E{ Z

2

( x) ⋅ Z1( x + h)

} − m1

2

= (23)

21

m

1

γ

12

( h) = γ 21

( h) = E{ [ Z1( x + h) − Z1( x)

] ⋅[ Z

2

( x + h) − Z

2

( x)

]},

∀x

(24)

2

gdzie m 1 i m 2 są wartościami oczekiwanymi E{Z 1 (x)} i E{Z 2 (x)}. Wtedy krossemiwariogram

można zapisać następująco:

( ) = 2γ

( h) = 2C

( ) − C ( h) C ( h)

12

h

21

12

0

12 21

2γ −

(25)

Empiryczny krossemiwariogram − γ(h) dla odległości h obliczany jest z równania:

( h)

N

1

γ

12( h)

= ∑[ z1( xi ) − z1( xi

+ h)

] ⋅[ z2

( xi

) − z2

( xi

+ h)

] (26)

2N

i=

1

gdzie N(h) oznacza liczbę par punktów o wartości [z 1 (x i ), z 1 (x i +h)], [z 2 (x i ),

z 2 (x i +h)], odległych o h.

Obliczanie krossemivariogramu nie wymaga równej liczebności danych dla z 1 i

z 2 . Podobnie jak w semiwariogramie, tak i w krossemiwariogramie, wyróżnia się

trzy podstawowe parametry: – samorodek, – próg, i – zakres korelacji. Dla krosssemiwariogramu,

również dopasowuje się modelowe funkcje matematyczne, i

określa dopasowanie krossemiwariogramów empirycznych z obliczeniowymi.

Otrzymane funkcje semi- i kross-semiwariogramów wykorzystuje się do przestrzenno-czasowej

analizy autokorelacji, lub do wizualizowania zmiennej regiona-

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 19

lizowanej przez estymację, np. metodą krigingu lub kokrigingu w przestrzeni [35,

45,109].

Semiwariogramy wyodrębnianie trendów, określanie wariancji i kowariancji,

korelacji i koherencji, to tylko metody statystycznego ustalania zmienności i relacji

między zmiennymi. W przetwarzaniu danych naziemnych stosuje się je na zbiorach

danych mało licznych, i pewnie dlatego trudno jest o wyniki o znaczeniu rozszerzonym

na duże obszary. Przy przetwarzaniu danych satelitarnych, te zbiory są

bardzo liczne, masowe. Jedno zdjęcie ENVISAT-ASAR [37] o powierzchni ok.

80×110 km wypełnia archiwum o objętości 150-250 MB. Archiwum obserwacji

naziemnych z jednej kampanii, rzadko przekracza 1 MB.

Skupienie uwagi na statystycznej ocenie danych mało licznych, prowadzi do

zajmowania się nimi szczegółowo, nawet pojedynczymi próbkami. Wyniki trzeba

weryfikować na poziomie detalicznym, co jest to możliwe w wycinkach, prostych

semiwariogramach, czy parametrach rozkładu, bo zbiory są mało liczne. Takie

postępowanie staje się jednak zawodne gdy trzeba weryfikować poprawność wydzielania

trendów, klasterów, albo skuteczność metod filtracji, bo zbiory są mało

liczne. Inaczej jest ze zbiorami wielkimi. W nich też można prowadzić oceny statystyczne

szczegółowe, powtarzając je na różnych wycinkach, albo weryfikując w

różnych zasięgach. Oceny stają się bardziej konsekwentne, bo jest na to dość materiału

danych. Można też prowadzić je kompleksowo.

Badanie semiwariogramów, ustępuje wtedy badaniom faktur i tekstur. Daje

wnioski podobne ale oparte już na mocniejszych podstawach. Podobnie jest z ocenami

różnych metod filtracji. Nieliczne próbki nie dają możliwości oceny skuteczności

filtracji i ich efektów pasożytniczych, z powodu niedostatku próbek. W danych

mało licznych brak jest wielu możliwych kontekstów próbek. Nie ujawniają

się wtedy różne efekty przesuwania wartości oczekiwanych (bias, offset, aliasing).

Postępowania kompleksowe w przetwarzaniu danych liczniejszych, okazują się

skuteczniejsze. Przy współczesnej technice komputerowej, nawet operowanie

ogromnymi zbiorami jest szybsze, bo ciężar nadzorowania przetwarzania, przenosi

się na weryfikację procedur zasadniczych. Wysoko zaawansowane narzędzia programowe

dla interpretacji danych satelitarnych, posługują się procedurami już potwierdzonymi

w rutynowych testach walidacyjnych.

Tych narzędzi nie da się jednak przenosić na zastosowania dla danych mało

licznych. Cele przetwarzania są wprawdzie statystycznie podobne, a nawet te same,

przy opracowywaniu danych naziemnych i satelitarnych ale zasoby różnią się liczebnością

o wiele rzędów wielkości. Można z nich jednak wynosić korzyści,

przynajmniej w postaci sformułowania statystycznych celów, i uporządkowania

koncepcji przetwarzania statystycznego.

Praktyczne korzyści z posługiwania się danymi masowymi, polegają również

na wdrażaniu celowego posługiwania się strukturą danych, przez wykorzystywanie

meta-danych i języków do ich formułowania. W przypadku danych naziemnych

20

B. USOWICZ, W. MARCZEWSKI I IN…

stosuje się formaty i metody proste, bo metody zaawansowane sprowadzają się do

przypadków trywialnych.

Współczesne narzędzia geostatystyki i systemy ich wykorzystania (GIS), rozwinęły

się w takich właśnie kierunkach, które udostępniają zaawansowane metody

przetwarzania, w dziedzinach badań naziemnych mających niewiele wspólnego ze

specyfiką technik i obserwacji zdalnych z kosmosu. Przykładem mogą być numeryczne

modele elewacji DEM. Współcześnie są one podstawą współczesnej kartografii,

niezależnie od tego skąd – z jakiej techniki pochodzą. Po prostu wypracowano

standardy strukturalne zbiorów danych DEM, i już nie można z nich nie korzystać.

Te standardy powstały pod wymagania obsługi masowych zbiorów danych,

lecz mogą i powinny służyć takiemu strukturyzowaniu danych naziemnych.

Praktycznie w każdej dziedzinie badań naziemnych, powinno dochodzić do konfrontowania

wyników, z danymi obserwacji zdalnych. Do tego trzeba wspólnej

platformy i tych samych narzędzi przetwarzania, nawet jeśli znaczenie zmiennych

obserwowanych jest drastycznie różne, np. tak jak temperatura jasności BT (Brightness

Temperature [K]), wg prawa ciała czarnego Plancka, i wilgotność gleby

SM (Soil Moisture, w mierze objętościowej m 3 m –3 ). BT jest miarą [14, 137] właściwą

w radioastronomii, SM zaś miarą fizyczną pospolitą stosowaną powszechnie

w agrofizyce. Agrofizyka nie wykorzystuje BT, ale współczesne techniki badań

środowiskowych są na to przygotowane. Techniki obserwacji zdalnych z orbity,

stosują powszechnie takie wskaźniki miar wegetacyjnych jak LAI, NDVI, fAPAR,

LAIxCab [4, 38], ale te same miary w obserwacjach naziemnych bezpośrednich są

stosowane dużo rzadziej. Większość takich miar ma podstawę w analizie spektralnej

promieniowania, lecz w agrofizyce analizę spektralną stosuje się niezmiernie

rzadko, chyba tylko tam gdzie wykorzystuje się dane z obserwacji satelitarnych.

Praktyka zaspakajania potrzeb ważnych – lokalnie, nie zmusza jeszcze do sięgania

po „specyficzne techniki kosmiczne”.

Wdrażanie zastosowań danych satelitarnych ma swoje skutki nie tylko w

aspekcie statystycznym, lecz i fizycznym. Współczesne sposoby charakteryzowania

środowisk polegają na określaniu indeksów wegetacyjnych, wyrażających bezpośrednie

relacje – fizyczne i statystyczne, w miarach absolutnych lub uniwersalnych.

Wszelkie obserwacje fizyczne, są możliwe tylko poprzez zaangażowanie wymiany

energii pomiędzy instrumentem obserwacyjnym a obiektem obserwowanym.

Ale również wszystkie procesy – fizyczne zachodzą w warunkach ich napędzania

energią wymienianą pomiędzy środowiskami.

Wszystkie procesy chemiczne, i biologiczne w środowisku przyrodniczym zachodzą

przy udziale energii i zaangażowaniu jej nośników, z których na Ziemi

najważniejsza jest – woda.

Specyfiką współczesnych badań środowisk przyrodniczych jest to, że następuje

kompleksowa fuzja wiedzy dla wypracowywania metod badawczych w aspektach:

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 21

– fizycznym, – chemicznym, – biologicznym, i niemal każdym innym, z pełnego

zakresu nauk fizyczno-matematycznych, i nauk o Ziemi. Narzędzia dla tych metod,

komplikują się, ale i standaryzują w zakresie wyboru możliwych zmiennych obserwacyjnych.

NDVI, LAI, fAPAR można mierzyć i z kosmosu, i z Ziemi. Środki

techniczne będą bardzo różne na pokładzie satelity, i w ręku badacza w terenie.

Sposoby przetwarzania danych – też, z wyjątkiem zaangażowania zasady analizy

spektralnej. Same indeksy LAI, fAPAR, mimo że w miarach niemianowanych, i

wyprowadzane z prostych definicyjnych założeń, jak np. geometryczna definicja

LAI, są jednak rozwiązaniem równania transferu energii w środowisku, spełniającym

powszechne prawo zachowania energii. Mają więc bardzo mocne podstawy

fizyczne, na tyle na ile stosowane ich modele zostały zweryfikowane.

Są również i inne zasady uniwersalne, zaczerpnięte z matematyki, które przenikają

na wskroś praktyczne metody postępowania z danymi (niezależnie od ich

liczebności) z różnych dziedzin nauki, jak np. zasady i sposoby normalizacji. Dane

rzeczywiste z obserwacji, mogą charakteryzować się rozpiętością poza granicami

dziedziny pomiaru, usprawiedliwionej zasadą wykorzystywanych instrumentów a

powodowane rozmaitością warunków, błędów i zakłóceń pracy techniki. Np. wtedy

gdy przychodzi analizować zmienne z zakresu niemal od + do – nieskończoności.

Takim przykładem są np. zdjęcia obserwacji zdalnych w różnych warunkach

oświetlenia, mimo że zakres zmienności wartości pikseli jest ograniczony, a nie

nieskończony. Można je standaryzować tak jak w definicji podstawowej, gdzie

odnosi się do siebie relacje między kanałami R („red”) i IR („infrared”) wg zasady

stosunku różnicy do sumy NDVI=(R – IR)/(R + IR). Nawet nieskończony zakres

zmienności kanałów R i IR, zostaje sprowadzany do zakresu znormalizowanego [–

1, +1]. Ta zasada normalizacji może być wykorzystywana przy porównywaniu

innych zmiennych, nawet bez związku z kanałami spektralnymi, i jest często wykorzystywana

w modelach zmienności. Ona też ma bardzo mocne uzasadnienie w

ustalaniu relacji, nie tylko dwóch zmiennych, znane i daleko rozwinięte w algebrze,

w ogólnym zagadnieniu wartości i wektorów własnych. Jest ona np. obecna

w analizie polaryzacyjnej odbicia radarowego przy pomocy 4-ro elementowego

wektora Stokesa, którego dwa pierwsze i najważniejsze wyrazy są sumami i różnicami

komponentów hermitowskich. Analiza polaryzacyjna, w zakresie wykorzystania

tych dwóch wyrazów odpowiada polaryzacyjnej analizie intensywności echa

radarowego, i nie ma nic wspólnego ze „specyfiką spektralną” jaką ma definicja

NDVI. Podobnych przykładów zasad i sposobów unifikujących, stosowanych w

przetwarzaniu danych z obserwacji satelitarnych, jest wiele. Mają one niezwykle

duże znaczenie dla innych dziedzin niż obserwacje satelitarne, o ile tylko zostaną

docenione w swojej skuteczności. Można je czerpać bezpośrednio z wiedzy matematycznej,

bez pośrednictwa znajomości technik obserwacji satelitarnych. Tak

jednak składa się, że w tych technikach zastosowano je bardzo skutecznie, i z tych

zastosowań można wynieść przekonanie, że zdalne badania Ziemi z satelitów mogą

22

B. USOWICZ, W. MARCZEWSKI I IN…

bardzo wiele wnieść do badań bezpośrednich na Ziemi, nie tylko przez wyniki

obserwacji ale i przez propagację zasad postępowania w przetwarzaniu danych, na

poziomie podstawowym.

Specyfika obserwacji zdalnych jest ograniczona do szczegółów technicznych, i

do wykorzystywanych zmiennych podporządkowanych zasadom fizycznym działania

instrumentów. Każdy pomiar realizuje się jednak fizycznie, i stąd musi wynikać

wniosek, że środki charakteryzowania środowisk przyrodniczych, w rozumieniu

zmiennych mierzonych (i regionalizowanych) mogą korzystnie przyjmować

doświadczenie z dziedziny obserwacji zdalnych.

Pospolite jest przekonanie, że współczesne techniki satelitarne dominują nad

metodami badań naziemnych skutecznością. Mniej pospolite jest przekonanie, że

dostępność instrumentów i danych satelitarnych jest jednak ograniczona. Np. trudno

jest o uzyskiwanie udanych zdjęć satelitarnych swojego terenu – co tydzień

przez rok. Przyczyna leży nie tylko w zmienności warunków zachmurzenia, lecz i

w zasadach ruchu orbitalnego. Logistyczne ograniczenia dostępności zdjęć satelitarnych,

i fundamentalna potrzeba walidowania obserwacji zdalnych badaniami

naziemnymi, czynią badania naziemne potrzebnymi technikom satelitarnym.

Wariancje, semiwariancje, korelacje, nie mówiąc już o koherencji są w obu

dziedzinach jednakowo ważne lecz wyniki zależą od tego jakim wnioskom końcowym

mają służyć. Na Ziemi trudno o wygenerowanie obrazu zmienności przestrzennej

i czasowej, i pozostają oceny na skończonych, krótkich transektach lub w

wycinkach obszarów nie łatwo poddających się rozszerzeniom. Bariery liczebności

danych nie można pokonywać ekstensywnym nakładem pracy na Ziemi. Można

jednak zmieniać cele interpretacji naziemnych tak, aby korespondowały one z celami

obserwacji zdalnych i otwierały się możliwości sięgania po dane rozszerzające

interpretacje naziemne na większe skale, w czasie i przestrzeni.

Kriging

Przestrzenne rozkłady cech środowiska przyrodniczego w badaniach naziemnych

otrzymywane są z pomiarów punktowych, gdyż nie jesteśmy w stanie dokonać

pomiarów we wszystkich punktach badanego obszaru. Otrzymanie jak najbardziej

wiarygodnych przestrzennych rozkładów badanych cech wymaga użycia

metod, które wykorzystują informację o przestrzennej zależności z jednej strony i

minimalizują błąd szacowania w miejscach gdzie nie zostały pobrane próbki z drugiej

strony. Szacowanie wartości w miejscach gdzie nie pobrano prób może być

prowadzone za pomocą metody estymacji zwanej metodą krigingu. Metoda ta daje

najlepsze nieobciążone oszacowanie wartości punktowych lub blokowych badanej

zmiennej regionalizowanej Z(x). Otrzymujemy również za pomocą tej metody minimalną

wariancję podczas procesu estymacji. Wartości wariancji krigingu zależą

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 23

od położenia próbek względem szacowanej lokalizacji, od wag przypisanych próbkom

oraz od parametrów modelu semiwariogramu.

Estymatorem krigingu jest równanie liniowe wyrażone wzorem [161]:

z

N

( x ) = z( x )

•

o

∑

i=

1

λ (27)

gdzie N jest liczbą pomiarów, z(x i ) – zmierzona wartość w punkcie x i , z*(x o ) – wartość

estymowana w punkcie estymacji x o , λ i – wagi. Jeśli z(x i ) jest realizacją funkcji

losowej Z(x i ) to estymator funkcji losowej można zapisać jako:

Z

N

( x ) = Z( x )

•

o

∑

i=

1

i

λ . (28)

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 σ k 2 i może być obliczany dla

każdego obrazu opróbkowania i konfiguracji obszaru estymacji. Zasadniczym problemem

w określeniu funkcji losowej jest znalezienie wag λ i . Wagi te są wyznaczane

z układu równań po uwzględnieniu warunku nieobciążalności estymatora:

•

{ Z ( x ) − Z( )} = 0

o

x o

i

E (29)

i jego efektywności:

2

k

{ } = min

•

( x ) = Var Z ( x ) − Z( x )

σ . (30)

o

Po podstawieniu estymatora średniej ważonej do wartości oczekiwanej otrzymujemy:

E

•

{ Z ( x ) − Z( x )} = E{ Z( x )} − E{ Z( x )} = m λ − m 0

o

∑ i i

o ∑ i

=

i

λ . (31)

Jak widać z powyższego równania, wartość oczekiwana jest równa zero kiedy:

N

∑

i=

1

λ = 1. (32)

i

24

B. USOWICZ, W. MARCZEWSKI I IN…

Natomiast podstawiając do wariancji estymator funkcji losowej można wykazać,

że:

2

k

lub (poprzez semiwariancję):

( x

o

) = ∑∑λ

iλ

jC( xi

, x

j

) + C( 0) − 2∑λ

iC( xi

, xo

)

σ (33)

2

k

i

j

( x

o

) = −∑∑ λ

iλ

jγ

( xi

, x

j

) + 2∑λ

iγ

( xi

, xo

)

σ . (34)

i

j

Minimalizacji wariancji można dokonać techniką Lagrangina, w których N

równań różniczek cząstkowych jest równych zero:

i

⎡

∂ ⎢σ

⎣

( )

2

k

x o

− 2μ

∂ λ

i

∑

i

⎤

λ

i ⎥

⎦

= 0 , (35)

gdzie μ oznacza mnożnik Lagrangina. Po zróżniczkowaniu i redukcji równania

można dojść do rozwiązania:

( , x ) + 2γ

( x , x ) − 2μ

0

− 2 ∑λ

jγ

x

i j

i o

= . (36)

j

Uwzględniając warunek na sumę wag krigingu otrzymamy układ równań:

⎧

⎪

⎨

⎪

⎩

N

∑

j=

1

N

∑

i=

1

λ

λ = 1

i

j

γ

( x , x ) + μ = γ ( x , x )

i

j

i

o

i = 1doN

(37)

Rozwiązując powyższy układ równań wyznaczamy wagi krigingu – λ i . Wagi te

pozwalają wyznaczyć również estymowana funkcje losową Z* i jej wariancję ze

wzoru:

2

k

N

( x ) = μ + λ γ ( x , x )

o

∑

σ . (38)

i=

1

i

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 25

Kokriging

W miarę jednorodne obszary środowiska przyrodniczego mogą być opisywane

za pomocą zmiennych odnoszących się do poszczególnych jego cech. Jednak często

bywa, że środowisko przyrodnicze jest bardzo skomplikowane i nie poddaje się

prostemu opisowi za pomocą zmiennych rozseparowanych, które odnoszą się do

poszczególnych cech czy wielkości fizycznych tego środowiska. Jedną z metod,

która pozwalają badać obiekty bardziej skomplikowane jest metoda kokrigingu.

Kokriging stanowi specyficzną metodę analizy pól losowych [161, 173]. Polega na

ustaleniu dla określonych parametrów glebowych Z 1 i Z 2 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 x o może być prowadzone

za pomocą metody estymacji zwanej metodą kokrigingu. Matematyczną

podstawę kokrigingu stanowi twierdzenie o liniowej zależności nieznanego estymatora

Z 2 * (x o ) wyrażonego wzorem [161, 173]:

N1

N2

( xo

) = ∑ 1i

Z1( x1

i

) + ∑λ

2i

Z

2

( x

ij

)

∗

Z

2

i=

1

j=

1

λ , (39)

gdzie λ 1i i λ 2j są wagami stowarzyszonymi z Z 1 i Z 2 . N 1 i N 2 jest liczbą sąsiadów Z 1

i Z 2 włączonych do estymacji w punkcie x o . Wagi kokrigingu są wyznaczane z

układu równań po uwzględnieniu warunku nieobciążalności estymatora:

*

{ Z ( x ) − Z ( x )} 0

E (40)

2 o 2 o

=

i jego efektywności:

2

k

{ } = min

*

( x ) Var Z ( x ) − Z ( x )

σ . (41)

o

=

2 o 2 o

Podstawiając estymator średniej ważonej do wartości oczekiwanej otrzymujemy:

E

N1

*

{ Z ( x ) − Z ( x )} = λ E Z ( x )

= m

1

2

∑

i

o

1i

2

λ + m

2

o

∑

j

2 j

∑

i=

1

1i

λ − m

2

N2

{

1 1i

} + ∑λ

2i

E{ Z

2

( x2ij

)} − E Z

2

( xo

)

= 0

j=

1

{ }

. (42)

26

B. USOWICZ, W. MARCZEWSKI I IN…

Z powyższego równania widać, że wartość oczekiwana jest równa zero, kiedy:

N1

∑

i=

1

λ 0 i λ 1

(43)

= 1 i

N2

∑

j=

1

2 j

=

Po podstawieniu do wariancji estymatora otrzymamy:

2

*

{ } + E{ Z ( x )} − 2E{ Z ( x ) Z ( x )}

*2

( ) = E Z ( x )

σ (44)

2

ck

xo

2 o

2 o 2

podstawiając do wariancji estymator funkcji losowej można wykazać, że [173]:

σ

+

2

ck

− 2

( x ) = λ λ C ( x , x ) + λ λ C ( x , x )

∑∑

j

∑

k

o

k

λ

1k

∑∑

i

2 j

λ C

k

λ C

21

1k

i 1k

11 1i

1k

∑∑ 1i

2l

12 1i

i l

( x2

j

, x1

k

) + ∑∑λ

2 jλ

2lC22

( x2

j

, x2l

)

( x , x ) −2

λ C ( x , x ) + C ( 0)

o

1

21

1k

∑

l

Minimalizacji wariancji można dokonać techniką Lagrangina, w których N 1 i N 2

równań różniczek cząstkowych jest równych zero:

i

⎡

∂ ⎢σ

⎣

( )

2

ck

x o

− 2μ

∂ λ

2l

2

j

∑

l

22

l

o

2l

22

o

2l

(45)

⎤

λ

2l

⎥

⎦

= 0 , (46)

⎡

∂ ⎢σ

⎣

( )

2

ck

x o

− 2μ

∂ λ

1k

1

∑

k

⎤

λ

1k

⎥

⎦

= 0 , (47)

gdzie μ 1 i μ 1 są mnożnikami Lagrangina. Po zróżniczkowaniu i redukcji równania

oraz uwzględniając warunek na sumę wag kokrigingu otrzymamy układ równań

[173]:

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 27

⎧

⎪

⎨

⎪

⎩

N

1

∑

i=

1

N

1

∑

i=

1

N

1

∑

i=

1

N

2

∑

j=

1

λ C

1i

λ C

λ

1i

2 j

11

21

λ = 0

2

( x1

i,

x1

k

) + ∑ λ

2 jC12( x1

k

, x2

j

) − μ1

= C21( xo,

x1

k

)

2

( x2l

, x1

i

) + ∑ λ

2 jC22

( x2

j

, x2l

) − μ2

= C22( xo,

x2l

)

= 1

N

j=

1

N

j=

1

k = 1, N

l = 1, N

2

1

(48)

Rozwiązując układ powyższy równań wyznaczamy wagi kokrigingu – λ i . Wagi

te pozwalają wyznaczyć również estymowana funkcje losową Z 2 * i jej wariancję ze

wzoru [173]:

2

ck

Wymiar fraktalny

N1

N2

( xo

) = C22

( 0) + μ −∑λ

1iC21( xo,

x1

i

) −∑λ

2 jC22

( x2

j

, xo

)

σ . (49)

i=

1

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

j=

28

B. USOWICZ, W. MARCZEWSKI I IN…

właściwości obiektów, które mogą zawierać w swej strukturze cechy fraktali naturalnych

lub też te, które mogą być wiązane z definicją fraktali [9, 10, 16].

W ostatnich latach analizę fraktalną wykorzystywano nie tylko do opisu geometrii

materiałów, ale także do badania zmienności przestrzennej właściwości ośrodka

porowatego, między innymi: składu granulometrycznego, elektrycznej konduktywności,

oporu penetrometrycznego, gęstości, zawartości różnych soli w glebie

czy wpływu frakcji koloidalnej na erozję gleby [1, 2, 8, 18]. Wymiar fraktalny

wyznaczano poprzez współczynnik nachylenia semiwariogramu wykreślonego w

logarytmicznym układzie współrzędnych. Wymiar fraktalny D określano na bazie

semiwariogramu ze wzoru [16, 17, 45]:

H

D = 2 − , (50)

2

gdzie H jest nachyleniem prostej semiwariogramu, wykreślanego w logarytmicznym

układzie współrzędnych.

Metody krigingu i kokrigingu, omówiono powyżej jako przykład narzędzia

często wykorzystywanego w przetwarzaniu danych naziemnych. Jest długa tradycja

historyczna ich wykorzystywania np. w kartografii. Jednocześnie, są to metody

stale rozwijane, z powodu potrzeby radzenia sobie z danymi o ograniczonej liczebności,

zwłaszcza w obserwacjach bezpośrednich. W dziedzinie obserwacji zdalnych,

stosuje się metody bardziej kompleksowe, prowadzące do klasyfikacji klasterów,

w tym również z uwzględnianiem wymiaru fraktalnego. Szczególną problematyką

w analizie zdjęć satelitarnych, jest wykorzystanie charakterystyki tekstury

jako cechy kompleksowo ujmującej ziarnistą budowę zwartych obszarów reprezentowanych

danymi. Tekstura oznacza pewien wzór wypełnienia, zachowujący zasadę

cykliczności lub powtarzania pewnych jego elementów z zależnościami pomiędzy

próbkami. Tekstura określa rozwijanie wzoru nie tylko w płaszczyźnie obrazu

2-wymiarowego, ale i w innych wymiarach, pomiędzy więcej niż dwiema zmiennymi

obserwowanymi. Jest to typ zasady powtarzania wzoru w kilku wymiarach

lub aspektach. Wymiar fraktalny może dobrze służyć determinowaniu tekstury

matematycznie. Potoczne rozumienie tekstury jest jednak na ogół nie precyzyjne.

Tekstura wynika również z występowania samorodków w semiwariogramie.

Jest szereg narzędzi rozwiniętych dla przetwarzania zdjęć satelitarnych, które służą

do wydobywania lub redukcji tekstury. Należą do nich filtry adaptatywne, i zaawansowane

metody klasyfikacji klasterujących. Na ogół efektem postępowania

bywa obraz 2-wymiarowy, lub mapa. Obraz może być jednak rezultatem zależności

między zmiennymi obserwowanymi, niekoniecznie w dziedzinie zmiennych

przestrzennych określających obraz na płaszczyźnie. Celem analizy mogą być nie

tylko obrazy potrzebne dla rozróżnień i charakterystyk obiektów, ale miary ilościowe,

i obszarowe – charakteryzujące np. różnorodność pokrywy roślinnej, albo

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 29

całkowitą zawartość obserwowanej wody w obszarze, bez potrzeby rozpoznawania

obiektów. Obiekty mogą być rozpoznawane z innego oglądu (innych zdjęć) albo z

innej wiedzy bezpośredniej. Natomiast statystyczna ocena zawartości komponentów

może być istotna bez potrzeby identyfikacji detali.

Przy takim podejściu, często okazuje się, że ocena bywa niepewna w miarach

absolutnych i nie ma dobrych sposobów na usunięcie tej niepewności, ani w zakresie

technik satelitarnych ani naziemnych. Ograniczone zdolności obserwacji zdalnych,

ujawniają się inaczej niż brak wysoko rozdzielczych szczegółów. Wiele

wskazuje na to, że obserwacje wilgotności gleb (SM) przez SMOS, nawet jeśli

precyzyjne radiometrycznie, dadzą niepewną ocenę zawartości wody, w mierze

objętości wody lub jej masy, na całym pikselu w obszarze widzenia. SMOS reaguje

na promieniowanie warstwy gleby nienasyconej wodą, ale o grubości ograniczonej

do głębokości przenikania fali – 5, może 10 cm, a może nawet kilku mm zależnie

od wartości wody. Środowisko przyrodnicze, rodzaje gleb, i ich pokrycie są bardzo

różnorodne. Głębokość optyczna, odpowiadająca głębokości wnikania fali, będzie

ewentualnie znana w miejscach pomiaru naziemnego (na ile taki pomiar jest celowy

i możliwy!). Częściej, głębokość optyczna pozostanie oszacowaniem pomocniczym,

znanym tylko z założonych (i walidowanych) wartości głębokości optycznych

różnych klas gleb i pokrycia, jakich użyto w modelu dla przetwarzania temperatury

jasności BT na wilgotność SM. Z pewnością będą miejsca o dużej wilgotności,

za całą głębokość wnikania, która pozostanie niewielka z powodu wilgotności

powierzchniowej, podczas gdy warstwy głębsze będą nasycone wodą mniej, a

tego w tych miejscach nie okreslano, tak jak nie określano budowy i składu gleby.

Nie można zmierzyć i scharakteryzować wszystkich własności we wszystkich

miejscach na obszarze obserwowanym. Pozostaje integrujący efekt działania modeli

emisyjności, użytych do konwersji BT na SM. Takie modele zebrano dla programu

Cal/Val SMOS w kompleksowym modelu CMEM (Community Microwave

Emission Model) [24]. Te właśnie modele mają być uzgadniane, walidowane, dla

oprogramowania przetwarzającego dane SMOS z BT na SM. Wynik musi być

obciążony błędem zależnym od niejednorodności środowiska. Nie będzie ostrej

determinacji, na jaką głębokość gleby w obszarze jednego piksela, należy szacować

ilość wody na jednostkę objętości gleby. Oszacowanie, jaką masę wody reprezentuje

wartość piksela SMOS, pozostanie niepewnym. Taka sytuacja obserwacyjna,

że miary absolutne są niepewne, występuje typowo w wielu dziedzinach.

Redukcja tej niepewności, musi brać w rachubę różnorodność własności głębokości

optycznej, związną z różnorodnością pokrycia i różnorodnością własności

fizycznych gleb. Można prowadzić oszacowanie za jedną i tę samą głębokość

optyczną np. 5 cm, albo 10 cm, w całym obszarze, otrzymując za każdym razem

inną wartość ilości wody w mierze masy. Można wagować głębokość optyczną

według klas własności, klasterów, etc., ale po to prowadzi się pomiar zdalny aby

uwolnić się od potrzeby rozróżniania elementów niejednorodności. Koncepcja

30

B. USOWICZ, W. MARCZEWSKI I IN…

wymiaru fraktalnego i określania tekstury obszaru, może okazać się pomocna w

minimalizowaniu tej niepewności szacunku.

Jest jednak i taka okoliczność, że własności pokrycia terenu i różnorodność terenu

obserwowanego będą zawierać elementy stałe, przynajmniej od zdjęcia do

zdjęcia. Tzn., że różnorodność będzie się zmieniała wolno od przelotu do przelotu

satelity, przynajmniej w części wolno zmiennego składnika błędu. W takim razie,

może okazać się że pewniejsze są nie tyle miary absolutne masy wody, co miary

przyrostowe między oszacowaniami – od przelotu do przelotu. Pewniejsze okażą

się oceny, oznaczające jaka masa wody przybyła lub ubyła sumarycznie z pola

widzenia między przelotami. Taki jest cel obserwacji SMOS, który ma dostarczyć

dane o tempie wymiany wody między lądami a atmosferą. Ta wymiana jest determinowana

i napływem/odpływem wody, przy jego napędzaniu motorycznym z

ruchu mas atmosferycznych, i z wymiany energii związanej z własnościami termicznymi

gleby, w cyklicznie zmieniających się warunkach nasłonecznienia.

Trzeba podkreślić, że ta cykliczność będzie próbkowana przez SMOS raz na trzy

dni, w przelocie wg orbity zstępującej, przy przejściu przez równik o godzinie około

6:00, czasu lokalnego. Orbity od przelotu do przelotu, w miejscu rewizytowanym,

mają pokrywać danymi całą Ziemię w czasie trzech dni. Cykl 3-dniowy może

być śledzony w środowisku na miejscu tylko ze stacji obserwacyjnych na Ziemi.

Ta informacja ma podkreślać wagę obu aspektów danych, przestrzennego i temporalnego.

Wyznaczanie właściwości cieplnych gleby

Podział energii na powierzchni czynnej w dużej części determinowany jest

przez właściwości cieplne gleby: pojemność cieplną i przewodnictwo cieplne gleby

[72, 107]. Decydują one o strumieniu przepływającego ciepła w profilu glebowym

[154]. Jak pokazano w wielu pracach, że istotny wpływ na cieplne właściwości ma

skład mineralogiczny gleby, zawartość wody w glebie, zawartość materii organicznej

i gęstość ośrodka [3, 27, 58, 70, 79, 102, 103, 123, 150]. Temperatura gleby,

wilgotność powietrza glebowego i ciśnienie mają mniejszy wpływ na cieplne właściwości

gleby [58]. W glebie występuje duża zmienność wielkości fizycznych i

duża zmienność przestrzenna cech składników ośrodka. Powoduje to, że bezpośrednie

pomiary cieplnych właściwości w takim ośrodku są nadal trudne, czasochłonne

i kosztowne [104]. Wyznaczania cieplnych właściwości metodami, które

wykorzystałby te właściwości i wielkości fizyczne, które niewiele zmieniają się w

czasie w danym obszarze, są dostępne z literatury, map czy z baz danych, stacji

meteorologicznych, jak i tych, które są łatwo mierzalne wydaje się być uzasadnione

[12,28-30, 64, 99, 132, 134, 139, 140, 159]. Cechą gleby, która niewiele zmienia

się w czasie jest jej skład granulometryczny, skład mineralogiczny, gęstość

fazy stałej czy zawartość materii organicznej. Ta ostatnia wielkość w mniejszym

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 31

stopniu jest niezmienna w czasie niż pozostałe składniki. Temperatura gleby i powietrza,

wilgotności gleby, ciśnienie i wilgotność powietrza wykazują dużą zmienność,

są one jednak łatwe do mierzenia za pomocą automatycznych systemów pomiarowych

[107]. Gęstość gleby, która istotnie wpływa na właściwości cieplne

gleby, jest dość uciążliwa do wyznaczania. Zatem, musi być ona wyznaczana w

sposób optymalny, tj. poprzez pobranie minimalnej liczby próbek z określonego

pola. Minimalną liczebność przy określonym błędzie szacowania gęstości można

określać za pomocą metod geostatystycznych [161].

Proces przenoszenia energii cieplnej w ośrodku stałym, płynnym i gazowym

jest procesem podlegającym prawom prawdopodobieństwa, który wynika bezpośrednio

z prawa Fouriera. Proces ten jest bardzo skomplikowany. Energia wprowadzona

z jednego końca próbki nie przepływa wprost po linii prostej do drugiego

końca, lecz cząstki drgając wokół stanu równowagi ulegają licznym zderzeniom

między sobą przekazując energię sąsiadom. Ta skomplikowana forma przepływu

powoduje to, że w wyrażeniu na strumień ciepła występuje gradient temperatury.

Prawo przewodzenia ciepła – prawo Fourier – w ośrodku porowatym w warunkach

stanu ustalonego mówi nam, że gęstość strumienia cieplnego q (W m –2 ) dla jednorodnego

i izotropowego ośrodka, jest proporcjonalna do gradientu temperatury

∂T/∂z (K m –1 ) mierzonego wzdłuż kierunku przepływu ciepła:

∂T

q= − λ . (51)

∂ z

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

B. USOWICZ, W. MARCZEWSKI I IN…

A

a) b) c)

λ l

i=u

i=u-1

....

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]:

4π

λ (52)

xkj

)

r

= L P(

x1

j ,...,

u∑

j= 1 x1

jλ

1 1 +

( T ) r + ... x λ ( T )

gdzie: u – liczba połączeń równoległych cząstek gleby traktowanych jako oporniki

cieplne, L jest liczbą wszystkich możliwych kombinacji ułożenia cząstek, x 1 , x 2 ,...,

x k – liczba cząstek poszczególnych składników ośrodka o przewodnictwie cieplnym

λ 1 , λ 2 ,..., λ k (T – temperatura) i promieniach cząsteczek r 1 , r 2 ,..., r k , przy

czym:

k

∑

i=1

x

ij =

u , j=1,2,...,L, P(x ij ) – prawdopodobieństwo zaistnienia danej konfiguracji

cząstek. Spełniony musi być też warunek: ∑ ( X = x j

) = 1

L

j=

1

u!

P ( x

...

kj

k

P .

x1

j x kj

1 j ,..., xkj

) = f1

f

k

(53)

! !

x1

j ... xkj

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 33

P(x ij ) – podaje prawdopodobieństwo tego, że w u niezależnych próbach uzyskamy

dokładnie x ij wyników typu j, jeśli prawdopodobieństwo wyniku i w pojedynczej

próbie wynosi f i , i = 1, 2, ..., k, ! – silnia. W tym przypadku f 1 , f 2 , ..., f k (m 3 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 o C)

Źródło a Parametry b Wyrażenie, wartość b

λ q , W m –1 K –1 9,103 – 0,028 T

2 λ mi , W m –1 K –1 2,93

2 λ o , W m –1 K –1 0,251

1 λ w , W m –1 K –1 0,552 + 2,34⋅10 –3 T – 1,1⋅10 –5 T 2

1 λ a , W m –1 K –1 0,0237 + 0,000064 T

a 1. [71]; 2. [27], b przewodnictwo cieplne: kwarcu, λ q , innych minerałów, λ mi , materii organicznej,

λ o , wody lub roztworu, λ w , powietrza, λ a .

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 θ v /φ przedstawiono na

(Rys. 3), gdzie θ v (m 3 m –3 ) − wilgotność gleby, φ(m 3 m –3 ) − porowatość.

Ekwiwalentny promień kul r k (m) dla wszystkich składników gleby określano ze

wzoru [150]:

r 0 ,036 f + 0,044

(54)

k

=

o

gdzie: f o (m 3 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

B. USOWICZ, W. MARCZEWSKI I IN…

14

12

10

8

u

6

4

2

0

0 0.2 0.4 0.6 0.8 1

Nasycenie wodą - Water saturation (θv/φ)

Rys. 3. Liczba równoległych połączeń oporników cieplnych (u) w funkcji nasycenia gleby (θ v /φ)).

Skokowe przejście wartości u w funkcji nasycenia gleby wodą, θ v /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, θ v (u), θ v (u+1), a

następnie z równania liniowego podanego poniżej wyznaczano wartość przewodnictwa

cieplnego dla szukanej wartości wilgotności ośrodka, θ v :

( u)

v

θ

v

−θ

v

( u)

( λ( u + ) − λ( u)

)

( u + 1) −θ

( u)

λ= λ +

1

θ

v

. (55)

Zgodność modelowanych i zmierzonych danych określano za pomocą średniego

błędu kwadratowego (σ b ) i maksymalnego błędu względnego (η b ):

n

∑ ( f mi − f ci

)

2

i=

1

σ b =

, (56)

k

gdzie f mi – wartość zmierzona, f ci – wartość obliczona, k = n – 1 jeśli n < 30 i k = n

jeśli n > 30, n – liczba danych. Maksymalny błąd względny wyliczano z równania:

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 35

⎪⎧

f

⎪⎫

mi − f ci

η b = max ⎨ ⋅100%

⎬ . (57)

i=

1,2, L,

n⎪⎩

f mi ⎪⎭

Wyznaczono również równania regresji liniowej przewodnictwa cieplnego gleby

oraz współczynniki determinacji R 2 .

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 R 2 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 – C v (MJ m –3 K –1 ) obliczano używając

empirycznej formuły podanej przez de Vries [27]:

6

( 2,0 2,51 4,19 ) 10

C = x + x + x ⋅ (58)

v s o w

gdzie: x s , x o , x w (m 3 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:

λ

α= . (59)

C v

Pomiary własności cieplnych gleb

Pomiary własności cieplnych gleb, przeprowadzano w projekcie: – a) metodą

tradycyjną – za pomocą płytek do pomiaru strumienia cieplnego w glebie, i – b) za

pomocą – sond eksperymentalnych według opracowania CBK PAN dla DLR, Berlin,

do eksperymentu kosmicznego MUPUS [88, 89, 129], w kometarnej misji ESA

Roseta.

Płytki strumieniomierzy, np. HFP01, znane są od dawna i dostępne komercyjnie

z firmy Hukseflux, Campbell, i innych. Umożliwiają pomiar strumienia ciepła

wpływającego do gleby, lub oddawanego przez glebę. Pomiar polega na kontrolowaniu

napięcia stosu termopar, zawartego w płytce. Ten pomiar ma swoje wady

polegające głównie na ograniczonej precyzji, zwłaszcza przy niskich strumieniach

mocy. Znane są też takie warianty podobnych przyrządów, które zawierają mały

grzejnik, dla kalibracji, ale umożliwiają też pomiar przewodności i dyfuzyjności.

36

B. USOWICZ, W. MARCZEWSKI I IN…

Pomiar tych własności wymaga kontrolowanego dostarczenia mocy cieplnej do

ośrodka. Płytki strumieniomierzy, wymagają jednak dobrego dopasowania ich

własności cieplnych do własności ośrodka glebowego, i zwykle trzeba dysponować

kilkoma wariantami płytek, dopasowanymi dyfuzyjnie do rodzaju gleb.

Jednak metodą podstawową do pomiaru dyfuzyjności i przewodności cieplnych

jest metoda liniowego źródła ciepła, zwana również metodą gorącego drutu. Metoda

wywodzi się z klasycznego dzieła Carslaw i Jeagera [21], i ma kilka wariantów,

specjalizowanych dla różnych zastosowań. Jednym z nich jest sonda TP01 dla badań

glebowych, firmy Hukseflux. W pracy stosowano sondę według rozwiązania

dla eksperymentu MUPUS [88], i programu aplikacyjnego EXTASE, wykonanego

również dla DLR, Berlin. Pierwsze zastosowania tej sondy do pomiaru strumieni

cieplnych w glebie, wykonano w IA PAN, w latach 2000-2002 r. [88], i najpierw

wykazano jej zdolność do pomiaru małych natężeń strumieni ciepła w glebie, na

Ziemi. Ta sonda jest jednak dedykowana głównie pomiarom własności przewodnictwa

i dyfuzyjności cieplnych. Jej zaletą w zastosowaniach planetarnych ma być

zdolność do mierzenia niskich dyfuzyjności i przewodności cieplnych. Sondy

TP01, Hukseflux mają ograniczenie zastosowań dla przewodności cieplnych poniżej

0,1 (W m –1 K –1 ), a takie wartości dla gleb zdarzają się rzadko w warunkach

glebowych na Ziemi. Gleby na Ziemi mają przewodności powyżej 0,1 (W m –1 K –

1 ), nawet do 4 (W m –1 K –1 ). Współpraca IA PAN z CBK PAN w zakresie pomiaru

przewodności tą sondą została podjęta, z jednej strony dlatego, aby opanować precyzję

pomiaru, a z drugiej dlatego, aby dostarczyć danych eksperymentalnych do

weryfikacji modelu statystyczno-fizycznego własności gleb, B. Usowicza.

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 37

20

15

Temperatura (°C)

30

25

20

15

10

5

3000 3200 3400 3600 3800 4000 4200

)T [EC] IA_02_1_soil_T.dat /Heating Intervals

4

L

3.5

Rth

3

2.5

2

1.5

1

delay 3.5 sec applied

0.5

0

LN (time) [sec]

-0.5

1 2 3 4 5 6 7 8

10

5

1000 2000 3000 4000 5000 6000 7000 8000

Czas (s)

Rys. 4. Zapis dobowego cyklu w glebie na 16 poziomach do 32 cm głębokości, z pomiarem sondowania

własności cieplnych w cyklicznych interwałach grzania. Na wklejce od góry, powiększony

zakres ok. 1200 s. Na wklejce z prawej, zestawiono 16 pojedynczych interwałów grzania na wszystkich

poziomach, po sprowadzeniu ich do wspólnej umownej temperatury 0°C, tj. odpowiadającej

temperaturze na danym poziomie, w chwili najbliższej włączeniu grzania, tzn. dla pierwszej próbki.

Asymptota (L) oznacza docelowe liniowe zbocze wzrostu temperatury. Asymptota Rth wskazuje na

obecność drugiego niezamierzonego zbocza niby liniowego, powodowane skończoną rezystancją

cieplną od sondy do ośrodka (Rth), na drodze propagacji ciepła do ośrodka.

Metoda liniowego źródła ciepła jest klarowna teoretycznie, ale w praktyce

trudna do opanowania, bo warunek utrzymania cienkiego i długiego źródła (gorący

drut) można spełniać skończenie i niedoskonale. Po pierwsze, zawsze jest jakaś

rezystancja cieplna (Rth) na drodze dyfuzji ciepła od źródła przez sondę do ośrodka.

Po drugie, zawsze jest jakaś skończona pojemność cieplna własna źródła grzejnego,

i własne przewodnictwo cieplne sondy, które odprowadza ciepło poza ośrodek,

ku granicom układu cieplnego (warunki brzegowe). To są ograniczenia pierwsze

– na drodze ciepła, i zasadnicze. Drut musi bardzo cienki, mieć minimalną masę,

i najlepiej wielki stosunek długości do średnicy. Sonda wg rozwiązania w eksperymencie

MUPUS/EXTASE, jest pod tym względem gruba i krótka. Jest to rurka

kompozytową o średnicy 10 mm, i długości 320 mm. Różni producenci podobnych

sond, do zastosowań naziemnych, radzą sobie z ograniczeniami metody, bez

38

B. USOWICZ, W. MARCZEWSKI I IN…

minimalizacji masy i pojemności cieplnej, ale za pomocą procedur kalibracyjnych i

nie ujawniają sposobów wykorzystania wyników kalibracji. Za to wymagają dopasowania

przewodności cieplnej do własności gleb.

Współpraca CBK PAN, z IA PAN, nad wykorzystaniem rozwiązania kometarnego

w warunkach na Ziemi, ma pomóc rozwiązać tę kwestię, zarówno z pożytkiem

dla precyzji eksperymentu kometarnego MUPUS, jak i dla miernictwa tej

przewodności cieplnej gleby w potrzebach naziemnych.

Problem z pomiarem, polega on na tym, że zakłada się wykrywanie i określanie

tempa wzrostu temperatury grzejnika sondy, podczas grzania, według identyfikacji

zbocza liniowego (L). To nachylenie zbocza zależy od skuteczności odbierania

ciepła przez ośrodek, a więc od jego własności. Liniowe zbocze ma zapewnić,

że proces dyfuzji już się wystarczająco rozwinął, wg. logarytmicznej miary czasu.

Wystarczy poczekać, 3-5 min. Tak jest w materiałach o wystarczająco dużej przewodności.

Jednak w materiałach o przewodności niskiej, wzrost temperatury nasyca

się lecz zbocza liniowego albo nie ma, albo daje wyniki bardzo fałszywe. Stabilizacja

wzrostu może wynikać z istotności warunków brzegowych. Wtedy, pojawia

się pytanie dlaczego pomiar nie był możliwy Zamiast stałego zbocza, po długim

czasie grzania, nastaje pozornie bezładne płynięcie temperatury. A jest ono tylko

świadectwem zmian temperatury otoczenia, np. w cyklu dziennym. Dla perfekcyjnego

układu cieplnego, wg Carlsaw i Jeagera, powinien być tylko nieograniczony i

prawie liniowy wzrost temperatury, w logarytmicznej mierze czasu.

Zarówno dla ośrodków dyfuzyjnie ciężkich, jak i lekkich, występują inne części

wzrostu temperatury, na początku, zaraz po włączeniu grzania. Dla ośrodków ciężkich,

taki początek pokazano jako Rth, na Rys. 4. Dla ośrodków lekkich dyfuzyjnie,

jest to nieliniowy wzrost temperatury, sugerujący opóźnienie procesu oddawania

ciepła. Tym razem nie przez opór cieplny, a przez konieczność naładowania

pojemności cieplnej sondy (Cth). To opóźnienie można kompensować, bo wnosi

ono odpowiedni błąd przy wszystkich zakresach przewodności. Nie występuje

tylko wtedy, gdy przewodność materiału sondy i ośrodka są dopasowane, tzn. bliskie

sobie. Powinna mieć zastosowanie analogia termiczna, do elektrycznych linii

lub układów drabinkowych RC, z wszystkimi konsekwencjami sterowania źródłami

wymuszeń (prądowe, napięciowe, dopasowane), warunkami ciągłości, immitancjami

charakterystycznymi, i dopasowaniem immitancji charakterystycznych. Te

analogie są stosowane w inżynierii cieplnej, lecz dla takiego pomiaru są płytkie i

niekompletne, i w tej dziedzinie pomiaru własności cieplnych problem ciągle czeka

na rozwiązanie.

Koncepcja rozwijana w tej pracy, została przedstawiona przez W. Marczewskiego

i innych [89]. Polega ona na tym, aby do wszystkich danych o chwilowej

temperaturze sondy, wprowadzać stałe opóźnienie czasowe, pozostające w związku

z czasem potrzebnym na ładowanie pojemności własnej sondy. To opóźnienie jest

wprowadzane do danych, po wykonaniu pomiaru, w jego interpretacji. Trzeba zna-

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 39

leźć, dobrać takie opóźnienia, aby liniowo rosnące zbocze zaczynało się moż-liwie

najwcześniej, po włączeniu grzania. Ale nawet wtedy liniowe zbocze jest skończone,

i powstaje dylemat, która jego część jest już niezadowalająca dla pomiaru, bo

stopniowo staje się coraz bardziej reprezentacją warunków brzegowych, zamiast

reprezentacją ładowania ciepłem ośrodka co określają jego własności, a nie warunki

brzegowe.

Sens propozycji z artykułu W. Marczewski et al, 2009 [89], jest taki, aby interpretację

własności ośrodka podporządkować nie tyle poszukiwanej liniowości zbocza,

co porównywaniu zachowania sondy w czasie, w trzech materiałach, dwóch

znanych własności cieplnych i różniących się wzajemnie przewodnością i dyfuzyjnością,

z zachowaniem w materiale mierzonym i nieznanym, przy czym czas wyrażany

za pośrednictwem liczby Fouriera, wiążącej czas z dyfuzją ciepła. Kolejne

fazy transportu są podobne, ale podobieństwo stwierdza się na podstawie wartości

liczby Fouriera. Można uznać, że proces rozwijania się procesu cieplnego ma swoje

miary czasu, określające na ile jest on mniej lub bardziej zaawansowany w rozwoju.

Liczba Fouriera ma tu znaczenie fundamentalne. Materiały referencyjne,

znane co do własności, mogą być zmierzone dla kalibracji raz. Natomiast samo

porównanie rozwijającego się procesu grzania, powinno odwoływać się do zrównywania

wartości liczb Fouriera, skalowanych odpowiednio do ich dyfuzyjności.

Takie postępowanie jest zbieżne z definiowaniem liniowego zbocza wzrostu temperatury,

dla pewnego zakresu wystarczająco dużych przewodności ośrodka mierzonego.

Ocena oparta na zrównywaniu się wartości odpowiednio interpretowanych

liczb Fouriera, wydaje się oceną odwołującą się do najpierwotniejszych fundamentów

rozwijania się procesów cieplnych w warunkach nie koniecznie doskonałej

geometrii. Znane są nieoczekiwane wyniki pomiarów własności cieplnych,

kiedy wynik nie może się ustabilizować i stale płynie, mimo zdawałoby się klarownej

sytuacji pomiarowej.

40

B. USOWICZ, W. MARCZEWSKI I IN…

)T [EC] IA_02_1_soil_T.dat /Heating Intervals

4

3.5

3

2.5

2

1.5

1

0.5

0

J = 0.05 sec

J = 3.55 J = 8.05

-0.5

-4 -2 0 2 4 6 8

LN (time) [sec]

Rys. 5. Trzy grupy 16-tu tych samych interwałów grzania (jak na Rys. 4, wklejka z prawej), ale po

zastosowaniu trzech różnych wartości opóźnienia, wprowadzanego do danych po pomiarze. Gruba

linia styczna do wszystkich odpowiedzi, pokazuje jakiego charakteru odpowiedzi należy oczekiwać

od perfekcyjnego systemu pomiarowego, wg metody źródła liniowego, i klasycznych zależności dla

nieograniczenie długiej konfiguracji cylindrycznego rozchodzenia się ciepła..

Okazuje się jednak, że pierwszy pomiar po włączeniu grzania, bardzo odbiega

od następnych, jeśli respektować logarytmiczną skalę czasu (Rys. 5). Pomiar

pierwszy znajduje swoje miejsce w porządku innych dopiero po wprowadzeniu

około 3,5 s opóźnienia do wszystkich innych, a efekt tej korekcji odbija się na

zmianie nachylenia zbocza quasi-liniowego wzrostu i po kilku minutach czasu

bieżącego. Powstaje błąd, lub jego korekcja. Można uważać, że tak małe poprawki

opóźnienia są efektem konieczności naładowania własnej pojemności cieplnej sondy,

zanim zacznie przyrastać jej temperatura. Skutek nie jest pozbawiony znaczenia

dla błędu pomiarowego. Ten błąd narasta niepomiernie, gdy dyfuzyjność cieplna

ośrodka jest mała lub bardzo mała. Wtedy wszystkie próbki temperatury bieżącej

narastają nieliniowo, nie osiągając spodziewanego zbocza liniowego w ogóle.

Kiedy wydaje się, że wreszcie ten poziom osiągnęły, to okazuje się że ten poziom

ulega ciągłym wahaniom bo zmienia się temperatura otoczenia w cyklu dobowym,

i sonda powtarza te zmiany. Długie grzanie jest bezcelowe.

W takiej sytuacji pozostaje wykonać pomiar bardzo szybko, pobierać próbki

częściej (niż 5 s) nawet o rzędy wielkości częściej, i wprowadzać opóźnienia ko-

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 41

rekcyjne prostujące zbocze początkowe do prawie liniowego. Ta część charakterystyki

reprezentuje wtedy pomiar własności związanej z dyfuzyjnością ośrodka.

Aby zmierzyć własność ośrodka, trzeba jednak znaleźć przyczynę, dla której zakres

zbocza liniowego (L) (Rys 4, wklejka z prawej), nie zaczyna się liniowo od

próbek najwcześniejszych. Jeśli jej nie zidentykować, to można uzyskać inny odcinek

zbocza liniowego (Rth) i brać go za reprezentanta własności ośrodka, z wynikiem

fałszywym. Taki odcinek liniowy można otrzymać korekcją opóźnienia, które

jednak nie skutkuje dla opóźnień ujemnych. Opóźnienia ujemne nie mogą spowodować

przekroczenia wartości czasu logarytmicznego w zakres ujemny, bo brakuje

początkowych próbek do korygowania. Trzeba mieć ich więcej, w początkowym

zakresie funkcji wzrostu temperatury podczas grzania. Początek funkcji może się

wyprostować, a czas pomiaru skrócić.

Jest przekonanie, że na tej drodze można jednak znaleźć metodę pomiaru własności

cieplnych, szybką i krótkotrwałą, tak jak w działaniu zmysłu dotyku, który

pozwala człowiekowi rozróżniać niemal natychmiastowo, czy ręka dotyka materiału

o małej czy dużej pojemności cieplnej, bez oczekiwania na stabilizację wg rozpoznania

abstrakcyjnie liniowego wzrostu temperatury. Czas pomiaru powinien

ważyć tylko na precyzji określania przewodności i dyfuzyjności, z ograniczeniem

do czasu, aż pomiar trwa już za długo, i w grę wchodzą warunki brzegowe zewnętrzne

coraz odleglejszych części systemu cieplnego. Dla takiej metody można

nawet kompromisowo poświęcać precyzję. Takiej metody jeszcze nie wypracowano,

a ta praca jest inspirowana przekonaniem o jej możliwości.

Temat tego pomiaru włączono do projektu SWEX dlatego, że dla ostatecznych

celów walidacji i wykorzystania obserwacji SMOS, potrzebny jest bilans energetyczny

obszarowy na Ziemi. Tego bilansu nie można wykonać w jednym miejscu,

a taką sondę można wykorzystać tylko miejscowo. Z drugiej strony, oparcie takiego

bilansu wyłącznie na wielkoobszarowych ocenach satelitarnych, zmiennych

wegetacyjnych, powoduje dużą niepewność miar absolutnych. SMOS jest zaś powołany

dla takich celów jak ocena wymiany wody z atmosferą, co jest uwarunkowane

energetycznie. Pytania takie jak to, – jaka jest intensywność ewapotranspiracji

w obszarze, czyli pytanie jak tworzą się chmury nad różnymi regionami, może

być zaspokojone tylko bilansem energetycznym, i stwierdzeniem co dzieje się z

energią pochłanianą. Tu decyduje wprawdzie precyzja bilansu, ale niekoniecznie

ta, która określa np. dokładność miar wegetacyjnych. O poziomie błędu może decydować

istotność statystycznej metody wagowania klas wegetacyjnych, i ich

uogólnianie w ocenach zbiorczych. Obserwacje zdalne są spójne, lecz zawsze wymagają

walidacji, nawet miejscowych. Dla potrzeb bilansu energetycznego, z poziomu

satelitów, wykorzystuje się dane spektralne w podczerwieni (np. z instrumentu

ENVISAT-AATSR) [36], i odpowiedniego procesora SEBS w programie

BEAM [4]. Takie oceny trzeba potem konfrontować z ocenami in-situ, i w tym

celu podjęto pracę nad bezpośrednim pomiarem własności cieplnych gleb, i stru-

42

B. USOWICZ, W. MARCZEWSKI I IN…

mieni ciepła w glebie. Sonda może być niewygodna do użycia w wielu miejscach.

Wymaga pomiarów stosunkowo długich, i warunków przekazywania ciepła z glebą

dobrze ustabilizowanych. Najlepiej stosować ją dla co najmniej jednego cyklu

dobowego, co nie jest możliwe przy zmianach miejsca testowego. Pomiary własności

cieplnych wykonuje się zwykle długo, w wielu cyklach. Rys. 4 pokazuje prawie

pełen cykl dobowy z wieloma pomiarami przewodności, w naturalnym ośrodku

glebowym, na miejscu testowym w Kulczynie. Pomiar temperatury jest powtarzany

co 5 s, na 16 poziomach od powierzchni do 30 cm poniżej, a cyklicznie włącza się

moc grzania około 100-400 mW, i śledzi wzrost temperatury.

Położenie terenu badań Niziny Południowopodlaskiej

Pierwszy teren badań o powierzchni około 140 km 2 położony jest w gminie

Trzebieszów w środkowej części Równiny Łukowskiej [108, 156]. Równina Łukowska

obejmuje około 2570 km 2 powierzchni [76], rozpościerającej się we

wschodniej i południowo-wschodniej części Niziny Południowopodlaskiej. Równinę

otaczają od zachodu Wysoczyzna Żelechowska, od południa Pradolina Wieprza,

od strony północno-zachodniej Wysoczyzna Siedlecka, w części północnowschodniej

Podlaski Przełom Bugu, a od strony wschodniej Zaklęsłość Łomazka,

zaliczana już do innego makroregionu – Polesia Zachodniego. Gmina Trzebieszów

wchodzi w skład powiatu łukowskiego województwa lubelskiego. Na Rys. 6 pokazano

szeroko skomplikowany układ sieci hydrologicznej w regionie, uwarunkowany

morfologią. Wyróżniono miejsca testowe: Krowie Bagno, i Bagno Bubnów, w

okolicach Kulczyna. Na Rys. 7 pokazano ogólny plan gminy Trzebieszów, z pokryciem

leśnym i pokryciem użytkami rolnymi w gminie.

Teren Równiny Łukowskiej jak i gminy Trzebieszów jest względnie płaski, o

deniwelacjach na ogół nieprzekraczających 20 m, z podmokłymi dolinami rzek

Krzny Południowej i Północnej. W znacznym procencie równinę stanowią rozmyte

pokrywy sandrowe. Przeważają tu gleby wytworzone z piasków luźnych, słabogliniastych,

naglinowych i gliniastych [142].

Gmina Trzebieszów ma wybitnie rolniczy charakter. Użytki rolne obejmują

80,5% powierzchni gminy, na grunty orne przypada 62,3%, a na użytki zielone

18,2% powierzchni [169]. Lasy zajmują około 13,5% powierzchni. Kompleksy

leśne znajdują się w części południowo-wschodniej i zachodniej gminy.

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 43

Rys. 6. Morfologia regionu na podstawie modelu elewacji DEM (Digital Elevation Model) z Centre

for Tropical Agriculture (CIAT), http://srtm.csi.cgiar.org. Model SRTM (Shuttle Radar Topography

Measurement) [130] jest globalną kolekcją obrazów radarowych w paśmie C, wykonywanych z

pokładów Space Shuttle przez prawie dekadę, i analizowanych wysokościowo dla geoidy (WGS-

84DD). Wersję SRTM 4.1 (3 arcsec, 90 m ground range) aktualizowano w sierpniu 2008. Legenda na

barwnym pasku u dołu, oznacza odpowiedniość barw wysokościom elewacji w terenie w (m). Żółte

krzyżyki wskazują stacje meteorologiczne własne i miejsca testowe programu SWEX. Mapa elewacji

nie wyróżnia wód otwartych i rzek, ani też nie wyróżnia lasów od terenów otwartych, a wyłącznie

elewację, skutkiem czego widoczne są koryta starorzeczy zamiast wód płynących. Trzy jeziora uwidoczniono

piktogramami aby wprowadzić oczywiste (jak wybrane miasta) punkty orientacyjne dla

wzmocnienia czytelności mapy. Powierzchnia odpowiada około 20 pikselom obserwacji SMOS, z

pokosu śladem 500 lub 1000 km.

44

B. USOWICZ, W. MARCZEWSKI I IN…

Rys. 7. Mapa przeglądowa gminy Trzebieszów (http://maps.geoportal.gov.pl/webclient/ )

Charakterystyka stosunków klimatycznych

Nizina Południowopodlaska, i mezoregiony sąsiadujące stanowią makroregion

o specyficznej odrębności krajobrazowej, wyróżniającej się fizjograficznie od regionów

sąsiadujących: Nizina Północnopodlaska, Polesie Lubelskie, Wyżyna Lubelska,

i Nizina Południowomazowiecka (Rys. 8). Dużych odrębności klimatycznych,

właściwie nie wyróżnia się.

Klasyfikacja terenu Niziny Południowopodlaskiej, na podstawie stosunków

termicznych i opadowych, nakazuje włączyć ją do o wiele większych obszarowo

jednostek otaczających. Według Romera [119], o podziałach Polski na regiony

klimatyczne, teren ten należy do rozległej Krainy Chełmsko-Podlaskiej. Według

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 45

Wiszniewskiego i Chełchowskiego [168], leży on w Regionie Mazowiecko-

Podlaskim, a wg Okołowicza [106] w krainie drugiego Regionu Mazowiecko-

Podlaskiego. W podziale Gumińskiego [53], na dzielnice rolniczo-klimatyczne,

Nizina Południowopodlaska znalazła się wraz z Niziną Północnopodlaską i Polesiem

Lubelskim, w Dzielnicy IX Wschodniej. W regionalizacjach opracowanych

na podstawie częstości występowania określonych typów pogody [171] lub struktury

bilansu cieplnewgo [112], wykazywano brak zróżnicowania klimatycznego

obszaru Niziny Południowo- i Północnopodlaskiej oraz Polesia Lubelskiego. Natomiast

zachodnia granica Niziny Południowopodlaskiej, jest w przybliżeniu równoznaczna

z granicą regionów (lub podregionów) klimatycznych wydzielonych

przez Paszyńskiego i Krawczyk [112] oraz Okołowicza [106], a na odcinku Wysoczyzny

Siedleckiej – również Wosia [171]. Należy dodać, że w jednej tylko regionalizacji

Polski – na regiony termiczne [121, 122] – wyodrębniony został obszar

odpowiadający w przybliżeniu Nizinie Południowopodlaskiej jako oddzielny Region

Siedlecki.

Obszar obejmujący Nizinę Mazowiecko-Podlaską oraz Wyżynę Lubelską, na

tle innych regionów Polski, wyróżnia się zwiększonym kontynentalizmem klimatu

[11, 73, 74]. Wcześniejsze badania wykazały, że cała Polska pozostaje pod przeważającym

wpływem cyrkulacji zachodniej. Masy powietrza napływające są najczęściej

powietrzem polarnomorskim. Jest ich około 65% dni w roku [13,65]. Jednocześnie

notowano tu największą liczbę dni z typem sytuacji synoptycznej antycyklonalnej

(wyżowej) przy zaleganiu masy powietrza kontynentalnego [77, 78]. O

zwiększonym kontynentalizmie klimatu tego obszaru świadczy przede wszystkim

duże wartości amplitudy rocznej temperatury powietrza (kontynentalizm termiczny),

a także znaczna przewaga opadów letnich nad zimowymi (kontynentalizm

pluwialny) [65, 81, 119].

46

B. USOWICZ, W. MARCZEWSKI I IN…

Rys. 8. Szerokie tło, w postaci mapy elewacji DEM (SRTM [130]), morfologicznego usytuowania

regionu całego Podlasia.

Obszar Niziny Południowopodlaskiej oraz sąsiednie regiony, zwłaszcza Wyżyna

Lubelska i Polesie pod względem warunków solarnych – drugiego obok cyrkulacji

atmosferycznej podstawowego czynnika kształtującego klimat – należą do

najbardziej uprzywilejowanych w Polsce. Notowane są tu jedne z najwyższych w

Polsce sum rocznych usłonecznienia rzeczywistego, średnio ponad 1600 godzin

[23, 82, 97], jak i promieniowania słonecznego całkowitego rzędu 3700-3800 MJ·m –2

[93, 111, 113]. Obszar ten jeszcze wyraźniej wyróżnia się przy rozpatrywaniu sum

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 47

całkowitego promieniowania słonecznego w okresie wegetacyjnym [114], gdzie

w średnich wieloletnich wynoszą one ponad 3100 MJ·m –2 .

Charakteryzowane w oparciu o wieloletnie dane dotyczące średniej rocznej oraz

średnich miesięcznych i sezonowych wartości temperatury powietrza warunki termiczne

na Nizinie Południowopodlaskiej są mało zróżnicowane i zbliżone do występujących

w sąsiednich regionach [66, 67, 160, 175]. Różnice średnich rocznych

wartości temperatury między stacjami położonymi na Nizinie Południowopodlaskiej

wynoszą zaledwie 0,4°C, a w poszczególnych miesiącach i porach roku –

najwyżej 0,6°C. Średnia roczna temperatura powietrza w regionie wynosi około

7,3°C, przy czym nieco niższe wartości notowano w jego części północnej, a wyższe

w części południowej i południowo-zachodniej.

Oceny warunków termicznych dokonano na podstawie danych przebiegu roczny

temperatury powietrza pochodzących z położonej niemal w centrum regionu i

najbardziej dla niego reprezentatywnej stacji w Siedlcach (tabela. 2). Wobec

znacznych wahań temperatury powietrza z roku na rok, warto zwrócić również

uwagę na zakres występowania ich wartości zanotowany w trakcie 50-letniego

(1949-1998) ciągu obserwacji. Według tych danych, miesiącem najcieplejszym był

lipiec (17,7°C), a najchłodniejszym styczeń (–3,6°C). Należy podkreślić, że najchłodniejszym

miesiącem w poszczególnych latach był nie tylko styczeń (44%

przypadków), ale i luty (34%), grudzień (14%) oraz marzec i listopad (po 4%), a

najcieplejszym – obok lipca (62% przypadków) – również czerwiec (16%) i sierpień

(22%). Amplituda roczna temperatury powietrza w Siedlcach obliczona ze

średnich miesięcznych stycznia i lipca wynosiła 21,3°C, ale z różnic średniej

temperatury miesiąca najcieplejszego i najchłodniejszego w poszczególnych

latach 23,4°C.

Rozkład opadów atmosferycznych w ciągu roku w Siedlcach (tabela 2), wskazują

na występowanie najwyższych opadów w miesiącach czerwcu i lipcu (ponad

70 mm), najniższych (poniżej 30 mm) w miesiącach styczeń, luty i marzec. Występuje

tu znaczna przewaga opadów letnich (212 mm) nad zimowymi (83 mm). Suma

opadów w okresie wegetacyjnym (IV-IX) – 350,9 mm – stanowiła 65,4% sumy

rocznej, ale w ciągu rozpatrywanych 50 lat wahała się od 224 do 530 mm.

Zróżnicowanie przestrzenne sum miesięcznych i rocznych opadów na obszarze

Niziny Południowopodlaskiej, a zwłaszcza w jej części wschodniej, jest małe [67],

rzędu 70 mm w sumach opadów rocznych, a do 20 mm w sumach opadów miesięcznych

(w średnich wieloletnich) (tabela 3). Zestawione dane odnoszące się

bezpośrednio do rejonu przeprowadzonych badań, tj. miejscowości Trzebieszów i

jego okolic wykazują one bardzo niewielkie zróżnicowanie, za wyjątkiem opadów

w Międzyrzecu Podlaskim (najwyższych spośród rozpatrywanych miejscowości),

które mogą być wynikiem wpływów lokalnych (położenia stacji).

48

B. USOWICZ, W. MARCZEWSKI I IN…

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

–14,2

2,5

–2,8

–13,4

4,4

0,9

–4,9

5,9

7,3

3,9

10,3

13,1

9,2

15,9

16,3

13,9

19,9

17,7

14,5

20,7

17,1

14,9

20,8

12,7

10,2

16,2

7,7

4,8

11,0

2,6

–3,4

6,0

24,8 23,5 26,0 35,5 53,1 73,9 71,3 66,5 50,5 37,4 38,7

2 1 5 6 14 30 18 3 12 1 8

59 53 59 91 114 194 179 195 141 180 88

51,5 75,0 117,6 167,4 248,3 233,2 258,6 241,3 135,7 114,7 52,6

17 52 63 121 173 155 188 199 72 64 18

87 130 169 222 299 309 396 300 186 179 84

–1,2

–8,7

2,7

35,1

5

90

35,9

16

67

Rok

Year

7,3

5,5

8,9

536,5

364

721

1731,7

1542

1869

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 49

Tabela 3. Średnie miesięczne i roczne sumy opadów atmosferycznych (w mm) w latach 1961-80 w Trzebieszowie oraz najbliżej położonych

posterunkach opadowych i stacji meteorologicznej w Siedlcach [156]

Miejscowość

Locality

Współrzędne

Coordinates

Trzebieszów φ 51 o 59’

λ 22 o 33’

Łuków φ 51 o 55’

λ 22 o 22’

Wólka Kam. φ 52 o 04’

λ 22 o 31’

Międzyrzec φ 51 o 59’

λ 22 o 47’

Kąkolewnica φ 51 o 54’

λ 22 o 41’

Siedlce φ 52 o 11’

λ 22 o 16’

I II III IV V VI VII VIII IX X XI XII

Rok

Year

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

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

50

B. USOWICZ, W. MARCZEWSKI I IN…

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 Środ-

1 Paragraf opracował dr Józef Paszczyk.

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 51

kowej. Jest jedynym w Polsce obszarem większego zgrupowania 67 jezior, pozostającego

poza zasięgiem lądolodu ostatniego zlodowacenia [96].

Budowa geologiczna, litologia i rzeźba terenu

Badany obszar Pojezierza Łęczyńsko-Włodawskiego położony jest w peryferyjnej

strefie prekambryjskiej platformy wschodnioeuropejskiej, zbudowanej ze

skał wieku archaicznego. W całości znajduje się w obrębie Zapadliska Włodawskiego

– struktury tektonicznej, na którą składają sie skały głębokiego, krystalicznego

i wulkanicznego podłoża, przykrytego miąższą serią osadów młodszych:

paleozoicznych, mezozoicznych oraz kenozoicznych [54, 55, 176].

Najstarszymi utworami pojawiającymi się lokalnie na powierzchni lub w pobliżu

powierzchni terenu są górnokredowe skały mastrychtu, wykształcone w

postaci margli i kredy piszącej. Ukształtowanie stropu serii wspomnianych skał

węglanowych charakteryzuje silne urozmaicenie. Obok licznych wzniesień kredowych,

występują tu wyraźne obniżenia krasowe i głębokie doliny erozyjne.

Mają one założenia strukturalne, ich kierunki są na ogół zgodne z przebiegiem

uskoków tektonicznych zaobserwowanych w głębszym podłożu mezozoicznym

[55]. Obok form erozyjnych w podłożu kredowym istnieją także obniżenia o charakterze

rozległych kotlin krasowych.

Wszystkie wymienione formy podłoża kredowego wypełniają osady plejstoceńskie

i holoceńskie. Na wyniesieniach utwory plejstoceńskie reprezentowane są

przede wszystkim przez gliny zwałowe bądź piaski i żwiry zlodowacenia Odry.

W obniżeniach natomiast, w strefie spągu, mają one postać glin ilastych i żwirów

deluwialnych, na których zalegają piaski ze żwirami oraz gliny zwałowe zlodowacenia

Sanu. W stropie serii skał plejstoceńskich występują utwory fluwioglacjalne

i glacjalne piaski i żwiry oraz gliny zwałowe zlodowacenia Odry. Lokalnie

są one nadbudowane mułkami rzecznymi i jeziorno-rozlewiskowymi górnego

plejstocenu. W obrębie większych obniżeń dolinnych i kotlin warstwę osadów

mineralnych pokrywają utwory organogeniczne – głównie torfy i gytje, których

proces sedymentacji rozpoczął się u schyłku ostatniego zlodowacenia Wisły.

Do największych obszarów torfowiskowych w terenie badań należą Krowie

Bagno oraz Bagno Bubnów i Staw. Są to torfowiska niskie, w części także rzadko

spotykane w Polsce torfowiska węglanowe [6, 22, 54, 141]. Stanowią one najbardziej

płaską i monotonną część Pojezierza Łęczyńsko-Włodawskiego.

Warto zaznaczyć, że typową cechą współczesnej rzeźby opisywanego terenu

jest zdecydowana przewaga powierzchni równinnych, o niewielkim zróżnicowaniu

wysokości bezwzględnych i względnych. Według Wilgata, [165, 166] tworzą

one cztery typy genetyczne: dwie akumulacyjne i dwie denudacyjne. Spośród

nich najszerzej rozprzestrzenione są równiny akumulacyjne: wyższa – plejstoceńska

i niższa – holoceńska. Pierwsza z nich wznosi się niewiele ponad 170 m

52

B. USOWICZ, W. MARCZEWSKI I IN…

n.p.m. i obniża się nieznacznie w kierunku wschodnim, ku dolinie Bugu. Druga

natomiast pokrywa się z zasięgiem najniżej położonych dolin rzecznych, torfowisk

i zbiorników wodnych. Obie równiny, mimo niewielkich różnic wysokości,

charakteryzuje wyraźny kontrast krajobrazowy, związany z rodzajem gleb oraz

typem użytkowania i pokrycia terenu [141[. W obrębie równin holoceńskich w

przewadze występują gleby hydrogeniczne, zajęte głównie przez zakrzaczenia i

podmokłości. W strefie wyższego poziomu akumulacyjnego, gdzie spotykane są

gleby semihydrogeniczne i fitogeniczne, duże powierzchnie zajmują łąki i pastwiska

oraz lasy. Zwarte tereny upraw rolnych i obszarów zabudowanych koncentrują

się przede wszystkim w obrębie równin denudacyjnych, dla których typowe są

gleby autogeniczne. Ich dwudzielność genetyczna wiąże się z rodzajem utworów

powierzchniowych, na jakich się wykształciły – na plejstoceńskich osadach moreny

dennej oraz w strefie wyniesień kredowych i płytkiego zalegania utworów

węglanowych.

Stosunki wodne

Charakter stosunków wodnych badanego obszaru zależy przede wszystkim od

budowy geologicznej i rzeźby powierzchni topograficznej oraz warunków klimatycznych

obiegu wody. Szczególną cechę hydrograficzną opisywanego terenu

stanowi płytkie występowanie i słabe zróżnicowanie gradientów powierzchni

zwierciadła wód podziemnych [54, 94, 95, 141, 167]. Warstwę wodonośną pierwszego

poziomu użytkowego stanowią najczęściej żwiry i piaski, przedzielone

niekiedy słabiej przepuszczalnymi utworami pyłkowo-mułkowymi. Głębokości

występowania wody nawiązują do rzeźby terenu. Obszary najniżej położone –

pozostające w strefie holoceńskiej równiny akumulacyjnej – z reguły są stale

nasycone wodą, pochodzącą z opadów i spływu z wyżej wyniesionych obszarów.

W rejonach występowania torfów i namułów torfiastych zwierciadło wód poziemnych

rzadko sięga głębiej niż 1,0 m p.p.t. Większą miąższością strefy aeracji

(1,5-3,0 m) charakteryzują się tereny wyższej równiny akumulacyjnej, a maksymalne

głębokości zwierciadła wód podziemnych (4,0-8,0 m) pokrywają się z zasięgiem

równin denudacyjnych. Wody podziemne pozostają w ścisłym związku

hydraulicznym z wodami powierzchniowymi. Są jednak bardzo słabo drenowane.

Gęstą sieć wód powierzchniowych tworzą rowy melioracyjne, uregulowane

cieki oraz jeziora i sztuczne zbiorniki wodne. Cały analizowany obszar odwadniany

jest przez system wodny Włodawki i jej większych lewych dopływów:

Krzewianki (w obrębie Krowiego Bagna znanej jako Więzienny Rów) i Krzemianki.

Większość lokalnych działów wodnych zlewni ma charakter strefowy.

Skomplikowany układ sztucznie przekopanych cieków, powiązanych dodatkowo

z systemem melioracyjnym Kanału Wieprz-Krzna, w znacznym stopniu zmienił,

bowiem sposób naturalnego rozrządu wody. Do zlewni górnej Włodawki w wy-

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 53

niku prac regulacyjnych przyłączone zostały, niemające wcześniej odpływu, bagna

Bubnów i Staw.

Większość drenujących cieków badanego obszaru, z wyjątkiem rzeki głównej

– Włodawki, prowadzi niewielkie ilości wody. Odpływy jednostkowe sięgają tu

2,0-3,0 dm 3 s –1 km –2 i są niższe od średnich, ustalonych dla całego obszaru Pojezierza

Łęczyńsko-Włodawskiego (4,0-4,5 dm 3 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 Lubartowsko-

Parczewskiej dziedziny klimatycznej.

Warunki pogodowe tej części Polski pozostają, w ponad 80% przypadków,

pod wpływem mas powietrza polarnego pochodzenia morskiego (PPm) i kontynentalnego

(PPk) [54, 68, 69]. Według Warakomskiego [54] wśród sytuacji barycznych

niewielką przewagę mają układy wyżowe (51% przypadków). Maksimum

ich występowania przypada na sierpień, a minimum na listopad. Niże baryczne

– odwrotnie – pojawiają się najczęściej w listopadzie, a najrzadziej w

sierpniu i październiku. We wszystkich miesiącach roku częstość wystąpień frontów

atmosferycznych chłodnych ( średnio 20% ilości dni), przeważa nad częstością

pojawiania się frontów ciepłych (10%) oraz zokludowanych i stacjonarnych

(7%). Największą ilość frontów wszystkich rodzajów notuje się w grudniu, listopadzie

i kwietniu, a najmniejszą w okresie miesięcy letnich [54].

Badany obszar Pojezierza Łęczyńsko-Włodawskiego pod względem warunków

solarnych – drugiego obok cyrkulacji atmosferycznej ważnego czynnika

decydującego o cechach klimatu – należy do najbardziej uprzywilejowanych regionów

w Polsce [54, 69, 175]. Charakteryzuje się, bowiem wielkością rocznego

usłonecznienia rzeczywistego sięgającego 1650 godzin, a rocznego promieniowania

słonecznego całkowitego 3700-3800 MJ m –2 , przy czym w sumie tej na okres

wegetacyjny przypada aż 3100 MJ m –2 [54, 69, 175].

O charakterze stosunków termicznych w badanych obszarze informują wyniki

obserwacji reprezentatywnej dla badanego obszaru stacji we Włodawie (Tabela 4)

w okresie 1951-1990 [69].

Tabela 4. Średnie wieloletnie (T_średnie) i skrajne (T_min i T_max (w °C)) wielkości

średnich miesięcznych wielkości temperatur powietrza we Włodawie w latach 1951-1990.

54

B. USOWICZ, W. MARCZEWSKI I IN…

I II III IV V VI VII VIII IX X XI XII

T_min –13,8 –12,5 –5,9 4,9 9,9 13,8 15,4 15,3 10,9 5,0 –2,1 –8,2

T_średnie –4,1 –3,3 0,8 7,4 13,2 16,5 17,9 17,2 12,7 7,9 2,6 –1,4

T_max 3,2 5,7 7,9 10,8 16,7 20,4 21,6 20,4 15,9 11,7 6,0 3,6

Średnia wieloletnia temperatura roczna na tej stacji wynosiła 7,3°C. Najchłodniejszym

miesiącem roku okazał się styczeń (–4,1°C), a najcieplejszym

lipiec (17,9°C). Amplituda roczna temperatur miesięcznych była znaczna, przekraczała

bowiem 21°C. W warunkach polskich jest ona efektem narastającego w

kierunku wschodnim wpływu klimatu kontynentalnego.

Średnia wieloletnia temperatura w półroczu zimowym wynosiła około 0,3°C,

a w okresie ciepłym 14,2°C. Typowe długości trwania poszczególnych termicznych

pór roku w opisywanym rejonie [53] przedstawiają się następująco: wiosna

52, lato 96, jesień 64 i zima 78 dni, a pór przejściowych: przedwiośnia i przedzimia

wynoszą od 35 do 40 dni. Okres wegetacyjny trwa tu przeciętnie 210-220

dni, a liczba dni z przymrozkami przekracza 45 [53].

Przeciętne warunki opadowe w obszarze opracowania obrazują dane dla stacji

Włodawa przedstawione w tabeli 5. Średnie suma roczna opadu wyliczona dla

okresu 1951-1990 wynosiła 542 mm [54, 69], a w skrajnych przypadkach roku

suchego (1982) i wilgotnego (1970) sięgała 424 i 778 mm. Zakres zmienności

sum rocznych w stosunku do średniej wieloletniej mieścił się w szerokim przedziale

od 78% do 153%. Opady półrocza letniego roku hydrologicznego (V-X),

mające decydujące znaczenie dla wegetacji i produkcji roślinnej, wykazują wyraźną

przewagę nad opadami półrocza zimowego (XI-IV). Wyliczone sumy opadów

półrocza letniego dla roku przeciętnego wynosiły 349 mm (64,4%) a zimowego

193 mm (35,6% sumy rocznej). Sumy opadowe jesieni (IX-XI) były wyższe

od opadów okresu wiosny (III-V). W cyklu rocznym maksymalne miesięczne

sumy opadów zanotowano w lipcu i czerwcu (70-85 mm), a minimalne w styczniu

i lutym (20-30 mm). W ciągu roku w ogólnej sumie opadów na badanym terenie

przeważają opady deszczu – udział opadów stałych na przekracza na ogół

17%, a pokrywa śnieżna utrzymuje się średnio przez 70-75 dni [53].

Syntetyczną miarą zmienności sezonowej warunków hydroklimatycznych,

charakteryzujących badany obszar, jest zestawienie przeciętnego klimatycznego

bilansu wodnego (tabela 5), obliczonego dla poszczególnych miesięcy w formie

różnicy wieloletnich średnich miesięcznych sum opadu i parowania rzeczywistego,

oszacowanego metodą Thornthwaite’a i Mathera [170]. Z przedstawionych w

tabeli 5 danych wynika, że z hydrologicznego punktu widzenia istotne znaczenie

mają nadwyżki wodne zgromadzone w okresie jesienno-zimowym. Ujemne wartości

P – E, oznaczające niedobory wodne, przepadające na sezon IV – IX, są

natomiast niekorzystne dla rolnictwa i gospodarki wodnej.

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 55

Tabela 5. Zestawienie średnich wieloletnich miesięcznych wielkości bilansu klimatycznego według

danych dla stacji Włodawa w okresie 1951 – 1990

I II III IV V VI VII VIII IX X XI XII I - XII

P 28 27 27 35 55 67 81 61 47 38 39 37 542

E 0 1 10 44 87 98 89 70 48 27 8 1 483

P-E 28 26 17 –9 –32 –31 –8 –9 –1 11 31 36 59

P – oznacza miesięczne sumy opadu, E jest wielkością parowania rzeczywistego oszacowaną metodą

Thornthwaite’a i Mathera [170]

Rozpatrywane obiekty badań, parametry i metody ich określania

Pomiary i badania prowadzone były na dwóch obiektach o powierzchni około

140 km 2 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

B. USOWICZ, W. MARCZEWSKI I IN…

(°)

Rys. 10. Rozkład punktów pomiarowych na obszarze gminy Trzebieszów i Urszulin.

Doświadczenie polowe

Pomiary prowadzono na polach koło Instytutu Agrofizyki w Lublinie (Felin

51°13'29" N, 22°38'42" E). Glebę na Felinie zaliczono do typu gleb płowych

wytworzoną z utworu lessopodobnego niecałkowitą na utworze kredowym. Na

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 57

badanych polach zaobserwowano następujący profil glebowy: od 0 do około 25

cm poziom próchniczny o barwie brunatno–szarej, wyraźnie odcinający się od

warstwy następnej o barwie rdzawej, poniżej 30 cm nieco jaśniejszej z żółtymi

plamami o dużej zawartości piasku. Od głębokości około 45-50 cm pojawiają się

okruchy zwietrzałej skały wapiennej stanowiącej poniżej 90 cm znaczący składnik

materiałowy.

Ziemniaki

Kapusta Buraki cukrowe Pszenica ozima

Kukurydza

Pole 1

Kukurydza

Pszenica jara

Pole 2

Rys. 11. Rozkład punktów pomiarowych na polach uprawnych.

Dla każdego obiektu badań określono podstawowe parametry statystyczne, tj.

wartość średnią, standardowe odchylenie, współczynnik zmienności (CV), wartość

maksymalną i minimalną oraz wartości charakteryzujące rozkład danej cechy

tj. skośność i kurtozę. Przestrzenną charakterystykę rozpatrywanych danych przeprowadzono

metodami geostatystycznymi. Statystyki, histogramy, transformowanie

danych funkcjami ln i pierwiastkiem kwadratowym, semiwariogramy, krossemiwariogramy,

wymiar fraktalny, estymację badanych cech gleby metodą kri-

58

B. USOWICZ, W. MARCZEWSKI I IN…

kingu i kokrigingu i ich mapowanie otrzymywano za pomocą programów komputerowych

GS+9 i Statistica 8 [45, 131].

Pomiar gęstości i wilgotności gleby

Wilgotność gleby na badanych obiektach mierzono za pomocą miernika opartego

na metodzie reflektometrii domonowo-czasowej (Time Domain Reflectometry

– TDR) produkcji Easy Test Ltd., Lublin, Polska [86]. Równocześnie, w tych

samych punktach pobierano próbki gleby do cylinderków o objętości 100 cm 3 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

katalizatora Ag 2 SO 4 ). 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:

( a − b)

n ⋅ 0,0006 ⋅100

C = [%] (60)

c

gdzie: a – ilość soli Mohra zużyta na miareczkowanie 10 cm 3 roztworu K 2 Cr 2 O 7

o stężeniu 0,07 M, b – ilość soli Mohra zużyta do miareczkowania nadmiaru

K 2 Cr 2 O 7 pozostałego po utlenieniu węgla w naważce gleby, n – poprawka na

miano soli Mohra, c – naważka gleby pobranej do analizy oraz przy założeniu, że

1 cm 3 soli Mohra o stężeniu 0,2 M jest równoważny 0,0006 g węgla organicznego.

Odczynu gleby (pomiar pH gleby) mierzono metodą elektrometryczna poprzez

pomiar różnicy potencjałów w ogniwie składającym się z elektrody porównawczej

(tj. elektrody o stałym potencjale) oraz elektrody pomiarowej, zanurzonych

w zawiesinie glebowej (najlepiej w roztworze nad osadem po sedymentacji za-

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 59

wiesiny) powstałej po wymieszaniu gleby i roztworu w stosunku 1:2,5 [100, 120,

172]. Pomiar odczynu (pH) gleb obejmują: stosunek gleby do roztworu jak 1:2,5;

dokładne wymieszanie składników suspensji, pozostawienia mieszaniny przez

okres 24 godz. celem ustalenia się równowagi w układzie oraz pomiar pH

w roztworze nad osadem. Pomiary wykonywano w trzech powtórzeniach przy

użyciu pH-metru firmy Radiometr Copenhagen oraz elektrody zespolonej firmy

Orion Research.

Pomiar zawartości kwarcu w glebie

Zawartość kwarcu w glebie określano w/g zmodyfikowanej metody Jacksona i

in. [61, 85] polegającej na wydzieleniu kwarc z próbek glebowych. Do separacji

kwarcu wykorzystano kwas sześciofluorokrzemowy (H 2 SiF 6 ). 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 H 2 SiF 6 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 CuK α , filtrem Ni, przy parametrach roboczych

20 KV i 15 mA (prąd lampy). Impulsy zbierano w zakresie kątowym 10-50

50 2 °θ. Dyfraktogramy opracowano z wykorzystaniem programu komputerowego

ORIGIN.

O obecności wyłącznie kwarcu w badanych próbkach świadczy występowanie

dubletu silnych linii dyfrakcyjnych (0,334 nm i 0,426 nm) odpowiadającym

(101) oraz (100). Słaba linia 0,246 nm odpowiada refleksowi (110) kwarcu.

Normy i standardy używane podczas pomiarów próbek glebowych

ISO 12 277 – Oznaczanie składu granulometrycznego w mineralnym materiale

glebowym. Metoda sitowa i sedymentacyjna.

PN-R-04032: 1998 – Gleby i utwory glebowe – Pobieranie próbek i oznaczenie

składu granulometrycznego.

60

B. USOWICZ, W. MARCZEWSKI I IN…

PN-R-04033: 1998 – Gleby i utwory mineralne – Podział na frakcje i grupy

granulometryczne.

ISO 14 235 – Oznaczanie zawartości węgla organicznego przez utlenianie

dwuchromianem w środowisku kwasu siarkowego.

PN-ISO 10390, 1997. Jakość gleby. Oznaczanie pH.

PN-R-04027, 1997. Analiza chemiczno-rolnicza gleby. Oznaczanie kwasowości

hydrolitycznej w glebach mineralnych.

PN-EN 1307, 2002. Środki poprawiające glebę i podłoża uprawowe. Oznaczanie

pH.

PN ISO 13536:2002 Oznaczanie potencjalnej pojemności wymiennej kationowej

i kationów wymiennych z zastosowaniem zbuforowanego roztworu chlorku

baru o pH = 8,1.

PN ISO 11260:1999 Oznaczanie efektywnej pojemności wymiennej kationowej

i stopnia wysycenia zasadami z zastosowaniem roztworu chlorku baru.

PN-ISO 11461: 2003 Oznaczanie wilgotności objętościowej gleby z zastosowaniem

pierścienia. Metoda wagowa.

PN-EN 13041: 2002 Oznaczanie właściwości fizycznych. Gęstość objętościowa

suchej próbki, pojemność powietrzna, pojemność wodna, kurczliwość

i porowatość ogólna.

Dane satelitarne

Badania w projekcie, są częścią szerszego polskiego programu SWEX (Soil

Water and Energy Exchange) jako zadania dla typu krajobrazu bagiennego w

Polsce. Obszar wybrano na Polesiu. Program SWEX jest polskim wkładem w

inny szerszy program globalny SVRT (Cal/Val SMOS Validation and Retrieval

Team) prowadzony przez Misję ESA SMOS (Soil Moisture and Ocean Salinity)

[41]. Misja SMOS ma za cel globalne monitorowanie wilgotności gleb na lądach,

i zasolenia oceanów, w celach ustalania globalnych warunków wymiany wody z

atmosferą, w związku z badaniami globalnych zmian klimatu.

Wymiana wody z atmosferą ustala warunki zmian klimatu, i zasadniczo zależy

od stanu warunków hydrologicznych na powierzchni Ziemi, oraz zdolności wymiany

energii między Ziemią a atmosferą i promieniowaniem słonecznym. Wymiana

energii wiąże się ściśle z termicznymi własnościami gleb, i pokrycia roślinnego,

z zawartością wody w nienasyconych warstwach gleb, i zdolnością pokrywy

roślinnej do ewapo-transpiracji (ET).

Zadania walidacji obserwacji satelitarnych SMOS, wymagają aby na Ziemi

prowadzić badania środowiska pozostające w związku z wodą, i bilansem energetycznym.

Badania naziemne mają służyć walidowaniu obserwacji satelitarnych.

Głównym ograniczeniem możliwości charakteryzowania środowiska na skale

regionalne, przy pomocy badań naziemnych, jest trudność w uchwyceniu związ-

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 61

ków między zależnościami tych zmiennych środowiskowych ECV (Environmental

Climate Variable) [46], które stanowią najmocniej o związkach z klimatem na

duże skale regionalne. Do takich zmiennych ECV, zalicza się wilgotność gleb.

Dlatego powołano misję SMOS do działania. Misja wystartowała 2 listopada

2009 r., ma działać przez 3-5 lat, i ma dostarczać obserwacji powierzchni Ziemi z

cyklicznością 3-4 dni, dla tego samego miejsca na Ziemi. Żadne metody naziemne

nie są w stanie dostarczyć tak konsekwentnie długich szeregów, przy rytmicznym

odświeżaniu danych, i przy jednoczesności obserwacji na tak wielkich obszarach.

Na Ziemi można zapewnić nawet bardzo dokładne i częstsze monitorowanie

wybranych zmiennych ECV, ale tylko w wybranych i stosunkowo nielicznych

miejscach. Monitorowanie obszarów wielkich wymaga środków zdalnych, z

poziomu lotniczego i satelitarnego. Badania naziemne uogólnia się na obszary

wielkie bardzo trudno, z powodu nie tylko kosztów, ale i różnorodności warunków

wykonywania pomiarów, różnorodności źródeł błędów (fizycznych i technicznych),

oraz z powodu różnorodności pokrycia obszarów środowiskiem biologicznym.

Te trudności można pokonywać dopiero środkami obserwacji zdalnych,

z orbity.

Obserwacje satelitarne dają bardzo szerokie pole widzenia spójnego, ale kosztem

wzrostu niepewności wyniku w miarach absolutnych. Wynik może być spójny

na skalę kontynentu, ale przy braku pewności jak jest zawyżony lub zaniżony,

a nawet zredukowany w precyzji, w porównaniu do tego jaki można uzyskać na

Ziemi, dla ustalonego miejsca stacji obserwacyjnej. Po to jest program Cal/Val

SVRT, dla SMOS, i inne projekty walidacyjne dla innych misji, aby wyniki weryfikować

– na Ziemi, wprowadzać niezbędne korekcje w modelowych procesorach

przetwarzania danych, przez misję SMOS, i później dostarczać ogółowi użytkowników

dane pewniejsze.

Wyniki walidowania obserwacji SMOS na Polesiu, i w kilkunastu innych programach

międzynarodowych realizowanych globalnie, mają wspólnie, i rozdzielnie

– uwiarygodniać obserwacje SMOS. Takie postępowanie walidacyjne jest

rutynową praktyką wszystkich misji obserwacji Ziemi. Im większy jest obszar

ocen prowadzonych lokalnie na Ziemi, tym większa może być wartość obserwacji

z satelity. Ten interes zbiega się zgodnie z potrzebami ocen środowiskowych na

Ziemi.

Dlatego została podjęta tematyka niniejszego programu. Trzeba prowadzić

istotne obserwacje naziemne, na Polesiu (okolice Kulczyna), odnosić je do obserwacji

w terenie kontrastującym hydrologicznie i środowiskowo na Podlasiu

(okolice Trzebieszowa), potem określać charakterystyki – czasowe i przestrzenne,

według zdjęć satelitarnych naszego regionu z różnych dostępnych misji satelitarnych

(ENVISAT ASAR, MERIS, AATSR, MODIS, LandSat, ALOS, RADAR-

SAT), a na koniec porównywać wyniki z misją SMOS.

62

B. USOWICZ, W. MARCZEWSKI I IN…

Zakres tematów niezbędnych dla takiego poszerzania skal, w kolejnych stopniach

weryfikacji jest ogromny, ale i dobrze ugruntowany praktyką wykorzystywania

obserwacji satelitarnych do ocen środowiskowych. W niniejszej pracy wykorzystano

posiadane już doświadczenie i kompetencje w zakresie badań własności

termicznych gleb, w związku z wodą, i metody statystyczne stosowane do

wyznaczania rozkładów przestrzennych.

Dane satelitarne potrzebne w projekcie, umożliwiają poszerzanie skal przestrzennych,

ale początkowe wyznaczanie rozkładów własności trzeba prowadzić z

danych naziemnych. Metody statystyczne wykorzystywane na Ziemi mają swoje

przedłużenia w metodach statystycznych wykorzystywanych do interpretacji danych

satelitarnych. Obserwacje naziemne różnią się tym od obserwacji satelitarnych,

że dostarczają mało danych. Stale odczuwa się niedobór danych, na to by

były statystycznie reprezentatywne. Inaczej jest z danymi satelitarnymi. Te dostarczają

ogromne ilości danych, ale bywają dostępne rzadko. To są ważne różnice

dotyczące reprezentatywności, do pokonywania na gruncie geostatystyki, i stąd

wynikła orientacja niniejszego programu na metody statystyczne.

Dane satelitarne z Polesia Zachodniego dla tej pracy, pozyskano w ramach

programu ESA na udostępnianie obserwacji satelitarnych Cat-1 [40], dla celów

naukowych związanych z walidacją obserwacji SMOS w projekcie SWEX [136].

Pozyskano około 50 zdjęć w ciągu 3 lat, do projektu SWEX, ale tylko kilkanaście

dla Polesia. Są to zdjęcia ENVISAT-ASAR (radarowe), o rozdzielczości około 30

m, ENVISAT-MERIS (optyczne) wielkoskalowe o rozdzielczości 300 m, na skalę

połowy Polski, ENVISAT-AATSR (w podczerwieni) wielkoskalowe o rozdzielczości

około 1000 m, na zakres globalny – od bieguna do równika, lub od bieguna

do bieguna. Trzeba wybierać własny wycinek, np. ze zdjęcia AATSR, i korzystać

z wyspecjalizowanych procedur SEBS (Surface Energy Balance Simulator) w

programie BEAM [4, 42], lub inne procedury w programie NEST [101] dla zdjęć

ASAR. Są to narzędzia publicznie dostępne, darmowe, uprzystępnione dla użytkowników

z wszelkich dziedzin obserwacji Ziemi, i do tego bogato udokumentowane

na poziomie pozwalającym wprowadzać własne procedury. Współcześnie,

nie wykorzystywanie obserwacji satelitarnych można usprawiedliwić tylko brakiem

potrzeby, a nie brakiem środków lub źródeł wiedzy.

Praktyka posługiwania się zdjęciami w projekcie, wykazała, że dostępność

zdjęć jest względnie łatwa bo bez opłat, ale i trudna bo trudno uzyskać akceptację

zamówienia indywidualnego na zdjęcie własnego terenu, w wybranych datach z

częstością powtarzania np. 3 zdjęć w roku. Jest duże zapotrzebowanie od innych

użytkowników, i zamówienia są realizowane z niewielkim powodzeniem. Tym

niemniej w archiwach można znaleźć wiele zdjęć z różnych misji, z Polski, choć

nie zawsze z pożądanego okresu. Praktycznie można liczyć na jedno zdjęcie

ASAR w roku, w trybie niepłatnym Cat-1. Tak jest ze zdjęciami dedykowanymi

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 63

konkretnemu użytkownikowi dla konkretnej lokalizacji i czasu. Inaczej jest ze

zdjęciami wykonywanymi przez misje rutynowo, i cyklicznie. Na przykład zdjęcia

wielkoskalowe instrumentów ENVISAT MERIS i ASAR, są dostępne cyklicznie

prawie wszystkim użytkownikom, w przedziałach czasowych wg ustalonego

porządku skanowania. Okresy powtarzania zdjęć, z tych samych obszarów

są kilku, kilkunasto, lub około 35-dniowe. Użytkowanie zdjęć w tym projekcie,

przekonuje że najlepszą reprezentatywność dla swojego terenu można osiągać w

trybach zdjęć wielkoskalowych, a i to z ograniczeniami do rozkładu jazdy satelity

i koniecznego porządku ruchu orbitalnego, który trzeba poznać (np. wykorzystując

publiczne programy EOLISA, ESOV, i tym podobne [42]).

Dzieje się tak dlatego, że najwyższy priorytet badawczy, dla społeczności naukowych

mają obserwacje Ziemi wielkoskalowe, co wynika z globalnych priorytetów

naukowych. Współczesna nauka w dziedzinie obserwacji Ziemi jest kierowana

na naukowe cele mesoskalowe. Takie też są współczesne cele badawcze

najważniejszych misji środowiskowych.

Ograniczone powodzenie w posługiwaniu się zdjęciami satelitarnymi w tym

programie, prowadzi do wniosku merytorycznego, że jednak obserwacje satelitarne

są rzadkie. Częste uzyskiwanie zdjęć jest osiągalne w innych trybach współpracy

z agencjami kosmicznymi, a to jest albo kosztowne, albo wymaga akceptacji

i włączenia własnego programu w programy międzynarodowe.

Misja SMOS gwarantuje monitorowanie rytmiczne co 3-4 dni, prze 3-5 lat, i w

tym jest jej wielka potencjalna wartość obserwacji. Każde miejsce na Ziemi, na

małych i średnich szerokościach geograficznych, będzie monitorowane nie rzadziej

niż 3-4 dni, każdego dnia o tej samej godzinie (około 6:00 rano czasu lokalnego),

w tym samym miejscu. Czasowa zmienność wilgotności gleb, będzie

próbkowana co 3-4 dni, a więc stosunkowo często (w porównaniu z innymi zdjęciami

satelitarnymi), ale i rzadko bo tylko co 3 lub 4 cykl znajdzie swoją reprezentację.

Stwarza to kolejne wymagania dla wyznaczania czasowej zmienności

rozkładów przestrzennych wilgotności na Ziemi. Każde zdjęcie SMOS będzie

integrowało efekty 3-4 cykli dziennych, kiedy zmienność warunków atmosferycznych,

temperatury, opadów będzie wymuszana wieloma wydarzeniami meteorologicznymi,

co trzeba będzie respektować opracowując dane naziemne statystycznie,

i czerpać tę wiedzę z innych źródeł. Zresztą i SMOS jest misją, która

czerpie potrzebne dane nie tylko ze swojego instrumentu, ale i z innych źródeł

zewnętrznych.

64

B. USOWICZ, W. MARCZEWSKI I IN…

WYNIKI

Analiza statystyczna obserwacji naziemnych

Statystyki zawartości frakcji granulometrycznych, odczynu gleby (pH), zawartości

materii organicznej i kwarcu w warstwie 0-10 cm z obszaru gminy Trzebieszów

i Urszulin zestawiono w tabelach 6 i 7. Dla pól uprawnych zestawiono dane odnoszące

się do zawartości frakcji granulometrycznych, odczynu gleby (pH), zawartości

materii organicznej i gęstości fazy stałej dla warstwy przypowierzchniowej (0-15

cm) i podornej (30-40 cm) i warstwie 80-90 cm (tab. 8).

Wartości średnie, które są szczególnie istotną miarą tendencji centralnej rozkładu

danej zmiennej i pozwalają one wstępnie odpowiedzieć na pytanie na ile

badany rozkład jest zgodny z rozkładem normalnym. Ta informacja jest konieczna

do dalszej analizy geostatystycznej. W przypadku, gdy badany rozkład odbiega

od rozkładu normalnego dane są poddawane transformacji, po to żeby przybliżyć

go do rozkładu normalnego.

Przeprowadzona analiza zebranych danych z obszaru gminy Trzebieszów dotycząca

składu granulometrycznego gleby (tab. 6) wykazała, że średnio w warstwie 0-

10 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 H 2 O

4,82. Minimalne wartości pH próbek gleby wynosiły 3,47 (KCl) i 3,88 (H 2 O), a

maksymalne odpowiednio 6,98 i 7,29 (tab. 6).

Zawartość materii organicznej w glebie na terenie gminy Trzebieszów była

niewielka i wynosiła 0,84% w warstwie powierzchniowej 0-10 cm, Najmniejsza i

największa zawartość materii organicznej, jaką zanotowano w pojedynczym

punkcie pomiarowym w warstwie powierzchniowej to 0,002 i 3,75%.

Średnia wartość pojemności kationowymiennej wynosiła około 10 cmol·kg –1 ,

choć w poszczególnych próbkach zmieniała się znacznie (w przedziale od 3,69 do

27,6 cmol·kg –1 ).

Analizy danych z gminy Urszulin odnoszące się do składu granulometrycznego

gleby (tab. 7) wykazała również, że średnio w warstwie 0-10 cm najwięcej było

piasku (82,9%), więcej było go o 11% niż w gminie Trzebieszów. Pyłu było

znacznie mniej (15,5%), podobnie jak w gmninie Trzebieszów najmniej było iłu

(1,6%). Minimalne zawartości tych frakcji (w zbiorze 86 danych) wynosiły odpowiednio

58, 3 i 0%, a maksymalne 96, 31 i 15%.

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 65

Odczyn gleb w gminie Urszulin, generalnie był obojętny. Średnia wartość pH

w warstwie 0-10 cm mierzona w KCl wynosiła 6,2, a w H 2 O 6,6. Minimalne wartości

pH próbek gleby wynosiły 3,7 (KCl) i 4,7 (H 2 O), a maksymalne odpowiednio

7,7 i 7,8 (tab. 7).

Zawartość materii organicznej w glebie na terenie gminy Urszulin była znacząco

większa niż w gminie Trzebieszów i wynosiła 3,2% w warstwie powierzchniowej

0-10 cm (tab. 7). Najmniejsza i największa zawartość materii organicznej,

jaką zanotowano w pojedynczym punkcie pomiarowym w warstwie

powierzchniowej to 0,4 i 48,8%.

Zmienność charakteryzowana przez współczynnik zmienności (CV) wykazuje,

że największą zmienność dla zawartości materii organicznej (187,2%) i frakcji iłu

(104,9%) zanotowano w gminie Urszulin. W gmninie Trzebieszówe wartości CV

badanych cech (47,2, 67,5) były znacznie mniejsze niż w gminie Urszulin. Najmniejszą

zmienność odnotowano dla frakcji piasku w obu gminach.

Skośność, która charakteryzuje stopień asymetrii rozkładu wokół jego średniej,

w przypadku rozpatrywanych zmiennych była w większości dodatnia, część

z raczej umiarkowaną asymetrią i część ze znaczną asymetrią, głównie ił, pH gleby

i materia organiczna.

Różnice między wartościami średnimi a medianami dla poszczególnych

zmiennych jak i wartości asymetrii i kurtozy (tabela 6 i 7) wskazują, że większość

badanych zmiennych z dość dobrą dokładnością można opisywać rozkładem

normalnym. Tam gdzie te różnice były znaczne podczas analizy geostatystycznej

dane zostały poddane transformacji (funkcje matematyczne – ln, pierwiastek

kwadratowy) po to żeby osiągnąć dobrą zgodność z rozkładem normalnym. Zawartość

iłu i materii organicznej na obu obiektach, przewodnictwo cieplne i dyfuzyjność

cieplna na drugim polu były poddane transformacji logarytmem normalnym.

Kwarc

Gleba jest mieszaniną minerałów pierwotnych i wtórnych o różnej średnicy

ziaren. Przeważającym składnikiem spośród minerałów pierwotnych jest kwarc

oraz skalenie. Zawartość kwarcu – składnika relatywnie odpornego na działanie

czynników fizycznych i chemicznych (procesów wietrzenia) jest często wykorzystywana

do oszacowania wieku oraz genezy gleb [61, 126]. Kwarc jest również

minerałem pierwotnym, który decyduje o przewodnictwie cieplnym i wilgotności

gleby [39, 116].

Kwarc w badanych glebach jest składnikiem frakcji piasku, frakcji pyłu oraz

występuje we frakcji ilu grubego (kwarc drobnoziarnisty). Hardy i in. [56] stwierdzili

obecność kwarcu we frakcji > 2 µm.

66

B. USOWICZ, W. MARCZEWSKI I IN…

W badanych próbkach jest to głównie kwarc odmiany β tzw. kwarc niskotemperaturowy,

o czym świadczą słabe refleksy wyższego rzędu na dyfraktogramach

wszystkich analizowanych próbek (d = 0,228 µm, d = 0,213 µm).

Pewna rozbieżność między wynikami zawartości kwarcu uzyskanymi metodą

chemicznej izolacji wg Jacksona [61], którą zastosowano w niniejszej pracy oraz

zawartością frakcji piasku oznaczonego metodę sedymentacyjną może wynikać z

obecności kwarcu drobnokrystalicznego we frakcjach drobnych gleb.

Średnia zawartość kwarcu w gminie Trzebieszów wynosiła 69,5% i była ona

zbliżona do zawartości frakcji piasku 71,9. W tym przypadku można wnosić, że

we frakcji piasku występuje głównie kwarc, który z kolei ma istotny wpływ na

stałą dielektryczną gleby. Ta stała dielektryczna jest konieczna do walidacji wilgotności

gleby zmierzonej, raz poprzez satelitę, drugi raz poprzez miernik TDR

oparty na pomiarze czasu propagacji fali elektromagnetycznej w glebie.

W przypadku gminy Urszulin średnia zawartości kwarcu (65,7%) była znacząco

mniejsza niż frakcji piasku (82,9%). Z tego porównania można wnosić, że

oprócz kwarcu na obszarze tej gminy we frakcji piasku są inne składniki mineralogiczne,

które należy uwzględnić przy oznaczaniu stałej dielektrycznej gleby.

Porównując standardowe odchylenia w obu gminach wyraźnie wyróżnia się

gmina Urszulin (15,6) z odchyleniem ponad 5-krotnie większym niż w gminie,

Trzebieszów (2,97). Minimalne i maksymalne wartości kwarcu potwierdzają

większe zróżnicowanie kwarcu w gminie Urszulin (18,7-84,8%) niż w gminie

Trzebieszów (65,5-75,5%).

Główne składniki mineralogiczne gleby, tj. kwarc i inne minerały określono z

rozkładu granulometrycznego przyjmując, że frakcja 1-0,02 mm zawiera głównie

kwarc, we frakcji poniżej 0,02 mm występują inne minerały [27, 164]. W tabeli 8

przedstawiono skład granulometryczny i niektóre właściwości fizykochemiczne

gleby z Felina k/Lublina.

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 67

Tabela 6. Statystyka zawartości frakcji granulometrycznych, odczynu (pH), zawartości materii organicznej (OM), pojemności kationowymienej

(CEC) i zawartości kwarcu w warstwie 0-10 cm z obszaru gminy Trzebieszów (Podlasie Południowe) [156]

Gmina – Commune

Parametr – Parameter

% zawartość frakcji

% zawartość

% content of fractions pH [KCl] pH [H 2 O] OM CEC kwarcu

1-0,05

(mm)

0,05-0,002

(mm)

68

B. USOWICZ, W. MARCZEWSKI I IN…

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)

Gmina – Commune

Parametr – Parameter

% zawartość frakcji

% zawartość

% content of fractions pH [KCl] pH [H 2 O] OM kwarcu

1-0,05

(mm)

0,05-0,002

(mm)

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 69

Tabela 8. Skład granulometryczny oraz niektóre właściwości fizykochemiczne gleby z Felin

k/Lublina.

Wastwa

(cm)

1-0,1 0,1

-0,05

% zawartość frakcji

0,05 0,02

-0,02 -0,006

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 (R 2 > 0,8) oraz niewielkie wartości sumy kwadratów reszt

(RSS

70

B. USOWICZ, W. MARCZEWSKI I IN…

Stwierdzono przestrzenną zależność badanych cech na wszystkich badanych

obiektach (Rys. 12-37). Kształt zależności przestrzennej w zdecydowanej większości

był sferyczny. Zależnością wykładniczą charakteryzowała się nieznaczna

część badanych zmiennych. Parametry samiwariogramów wskazują, że przy wielu

badanych zmiennych występuje efekt samorodka (Rys 12-37). Świadczy to o

tym, że zmienność badanych cech jest mniejsza niż przyjęta w pomiarach polowych

minimalna odległość pobieranych próbek glebowych. W przypadku, gdy

wartości samorodka nie wiele się różni od wysycenia (progu), a zakres przestrzennej

zależności jest niewielki w takim przypadku można przyjąć, że występuje

czysty efekt samorodka, a do reprezentatywnego opisu badanej zmiennej

wystarczą dwie wartości – średnia i wariancja. Można też w następnych pomiarach

zmniejszyć krok próbkowania celem dokładniejszego wyznaczenia charakteru

zmian wariancji strukturalnej, czy też potwierdzenia, że dana zmienną nie wykazuje

przestrzennej zależności na badanym obiekcie. Jak pokazano na wszystkich

rysunkach (Rys. 12-37) wartości wysycenia semiwariancji są porównywalne

z wartościami wariancji wyznaczonej w sposób klasyczny, oznacza to, że nie

występują istotne składowe deterministyczne (trendy) w badanych rozkładach. W

gminie Trzebieszów i Urszulin wartości wysycenia semiwariogramów były pochodną

zawartości poszczególnych frakcji. Największe ich wartości obserwowano

dla frakcji piasku i pyłu w Trzebieszowie i kwarcu w gminie Urszulin. Inne

zmienne charakteryzowały się znacząco mniejszymi wartościami.

Analizując zakresy przestrzennej zależności składu granulometrycznego, gęstości

i wilgotności gleby w gminie Trzebieszów i Urszulin można stwierdzić, że

mieściły się one w zakresie od 0,01 do 0,06° (Rys. 12-37c, i na niektórych rysunkach

a i e). W gmine Trzebieszów piasek, pył i wilgotność gleby osiągały górną

wartość, ił, materia organiczna, kwarc i gęstość dolną. W przypadku gminy Urszulin

największe wartości przestrzennej zmienności obserwowano dla kwarcu,

gęstości i wilgotności gleby, pozostałe zmienne miały dolne wartości.

Dla obszaru testowego w gminie Urszulin, wyznaczano krossemiwariogramy

pomiędzy frakcjami granulometrycznymi pokazane na Rys. 18e-20e. Otrzymane

empiryczne krossemiwariogramy i dobrane do nich modele posłużyły w dalszej

analizie metodą kokrigingu uzyskać mapy rozkładu badanych cech o wiele dokładniejsze

niż gdyby to było wykonane za pomocą metody krigingu. Pomiędzy

zawartością piasku i pyłu wystąpiły między tymi zmiennymi zależność ujemna

krossemiwariancji, natomiast między zawartością iłu i pyłu dodatnia zależność.

Zakres przestrzennej zależności wynosił około 0,01°.

Zmienność przestrzenną gęstości, wilgotności i właściwości cieplnych w glebie

na polach Felina badano również przy użyciu semiwariogramów. Określano wartości

samorodków, progi i zakresy autokorelacji przestrzennej oraz dopasowywano

modele semiwariogramów do empirycznych wartości jak i określono parametry

dopasowania modeli (Rys. 24-37). Stwierdzono autokorelację przestrzenną dla

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 71

wszystkich badanych cech. Kształt zależności autokorelacji przestrzennej dla większości

badanych zmiennych był sferyczny. W dwóch przypadkach wilgotności gleby

i dyfuzyjności w drugim dniu pomiarów był wykładniczy (eksponencjalny).

Największe wartości zakresu autokorelacji zanotowano dla wilgotności gleby,

przewodnictwa, pojemności i dyfuzyjności na polu pierwszym w pierwszym dniu, i

polu drugim (około 180 m). Najmniejsze zaś dla gęstości na obu polach i w drugim

dniu dla pozostałych rozpatrywanych zmiennych. (~8-40 m). W drugim rozpatrywanym

dniu, pole pierwsze, zaobserwowano znacznie większą wilgotność gleby niż

w pierwszym dniu i na drugim polu. Wyniki te wskazują, że cieplne właściwości i

ich zmienność jak i zakresy są silnie determinowane przez dwie zmienne wilgotności

i gęstość gleby. Przy niższym uwilgotnieniu gleby cieplne właściwości przyjmują

zakres wilgotności gleby, zaś przy większym uwilgotnieniu gleby przyjmują one

zakres zmienności gęstości gleby. Ta informacja wskazuje, która zmienną aktualnie

istotnie determinuje zmienność przestrzenną, chociaż na wartości bezwzględne

cieplnych właściwości mają wpływ obie zmienne oraz dominujący mineralogiczny

czy organiczny składnik gleby.

Analiza wymiaru fraktalnego

Obliczone w oparciu o log-log semiwariogramy wymiary fraktalne oraz parametry

dopasowania prostej do empirycznych danych semiwariancji w logarytmicznym

układzie współrzędnych przedstawiono na Rys 12d-16d, 18d-22d, 24d-

37d lub c). Parametry dopasowania tj. standardowy błąd dopasowania, współczynnik

determinacji, r 2 , 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

B. USOWICZ, W. MARCZEWSKI I IN…

Frequency

50

NonTransformed

a) b)

40

30

20

10

0

45 55 65 75 85 95

Sand (%)

c)

120

Sand: Isotropic Variogram

Semivariance

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.)

d)

log(Semivariance)

Sand: Isotropic Analysis

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 (C 0 – wartość samorodek, C 0 +C – wariancja strukturalna, A 0 – zakres przestrzennej

zależności, r2 – współczynnik determinacji, RSS – resztowa suma kwadratów), (d) – wykres loglog

semiwariancji od odległości z parametrami (D0 – wymiar fraktalny, SE – błąd standardowy, r2

– współczynnik determinacji, n – liczebność kroków próbkowania, h – krok próbkowania w (°)

gminy i (m) Felin)

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 73

Frequency

NonTransformed

a) b)

40

30

20

10

0

0 15 30 45 60

Silt (%)

c)

Semivariance

120

90

60

30

Silt: Isotropic Variogram

0

0.00 0.03 0.06 0.09

Separation Distance (h)

Spherical model (Co = 34.60000; Co + C = 96.30000; Ao = 0.05; r2 = 0.934;

RSS = 189.)

d)

log(Semivariance)

Silt: Isotropic Analysis

2.02

1.52

1.01

0.51

0.00

-2.25 -1.86 -1.46 -1.07

log(Separation Distance [h])

D0 = 1.860 (SE = 0.282; r2 = 0.861; n = 9)

Rys. 13. Geostatystyczna charakterystyka zawartości pyłu (Silt) w gminie Trzebieszów: (a) – histogram,

(b) – semiwariogram powierzchniowy, (c) – izotropowy semiwariogram z modelem i parametrami,

(d) – wykres log-log semiwariancji od odległości z parametrami (opis parametrów patrz Rys.

12)

74

B. USOWICZ, W. MARCZEWSKI I IN…

120

Transformed

a) b)

Frequency

90

60

30

0

0.0 0.4 0.8 1.2 1.6 2.0

ln( [Clay] + 1)

c)

0.20

Clay: Isotropic Variogram

Semivariance

0.15

0.10

0.05

0.00

0.00 0.03 0.06 0.09

Separation Distance (h)

Spherical model (Co = 0.0121; Co + C = 0.1452; Ao = 0.01; r2 = 0.619;

RSS = 3.262E-04)

d)

Clay: Isotropic Analysis

log(Semivariance)

-0.802

-0.831

-0.861

-0.890

-0.919

-2.25 -1.86 -1.46 -1.07

log(Separation Distance [h])

D0 = 1.966 (SE = 0.560; r2 = 0.638; n = 9)

Rys. 14. Geostatystyczna charakterystyka zawartości iłu (Clay) w gminie Trzebieszów: (a) – histogram,

(b) – semiwariogram powierzchniowy, (c) – izotropowy semiwariogram z modelem i parametrami,

(d) – wykres log-log semiwariancji od odległości z parametrami (opis parametrów patrz Rys.

12)

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 75

Frequency

Transformed

a) b)

50

40

30

20

10

0

0.0 0.4 0.8 1.2 1.6

ln( [OM] + 1)

c)

Semivariance

0.072

0.054

0.036

0.018

OM: Isotropic Variogram

0.000

0.00 0.03 0.06 0.09

Separation Distance (h)

Exponential model (Co = 0.01160; Co + C = 0.06340; Ao = 0.01; r2 = 0.527;

RSS = 1.876E-04)

d)

log(Semivariance)

OM: Isotropic Analysis

-1.14

-1.19

-1.23

-1.27

-1.32

-2.25 -1.86 -1.46 -1.07

log(Separation Distance [h])

D0 = 1.941 (SE = 0.396; r2 = 0.774; n = 9)

Rys. 15. Geostatystyczna charakterystyka zawartości materii organicznej (OM) w gminie Trzebieszów:

(a) – histogram, (b) – semiwariogram powierzchniowy, (c) – izotropowy semiwariogram z

modelem i parametrami, (d) – wykres log-log semiwariancji od odległości z parametrami (opis

parametrów patrz Rys. 12)

76

B. USOWICZ, W. MARCZEWSKI I IN…

NonTransformed

a)

Frequency

5

4

3

1

0

65 70 75 80

QC (%)

b)

Semivariance

QC: Isotropic Variogram

15

12

9

6

3

0

0.00 0.03 0.06 0.09

Separation Distance (h)

Spherical model (Co = 1.38000; Co + C = 9.77000; Ao = 0.02; r2 = 0.325;

RSS = 46.9)

c)

log(Semivariance)

QC: Isotropic Analysis

1.13

0.85

0.57

0.28

0.00

-2.23 -1.90 -1.58 -1.26

log(Separation Distance [h])

D0 = 1.794 (SE = 0.455; r2 = 0.795; n = 6)

Rys. 16. Geostatystyczna charakterystyka zawartości kwarcu (QC) w gminie Trzebieszów: (a) –

histogram, (b) – izotropowy semiwariogram z modelem i parametrami, (c) – wykres log-log semiwariancji

od odległości z parametrami (opis parametrów patrz Rys. 12)

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 77

BD: Isotropic Variogram

0.03

a)

Semivariance

0.02

0.01

0.00

0.00 0.03 0.06 0.09

Separation Distance (°)

Spherical model (Co = 0.00907; Co + C = 0.01675; Ao = 0.02; r2 = 0.108;

RSS = 1.161E-04)

WCgrav: Isotropic Variogram

b)

Semivariance

0.008

0.006

0.004

0.002

0.000

0.00 0.03 0.06 0.09

Separation Distance (°)

Spherical model (Co = 0.00127; Co + C = 0.00550; Ao = 0.04; r2 = 0.721;

RSS = 5.147E-06)

WC TDR: Isotropic Variogram

c)

0.008

Semivariance

0.006

0.004

0.002

0.000

0.00 0.03 0.06 0.09

Separation Distance (°)

Spherical model (Co = 0.00178; Co + C = 0.00405; Ao = 0.05; r2 = 0.429;

RSS = 5.403E-06)

Rys. 17. Geostatystyczna charakterystyka (izotropowy semiwariogram z modelem): (a) – gęstości

gleby (BD), (b) – wilgotności grawimetrycznej (WCgrav), (c) – wilgotności gleby (WC TDR) w

gminie Trzebieszów (opis parametrów patrz Rys. 12)

78

B. USOWICZ, W. MARCZEWSKI I IN…

Frequency

NonTransformed

a) b)

15

12

9

6

3

0

50 60 70 80 90 100

Sand (%)

c)

Sand: Isotropic Variogram

Semivariance

100

80

60

40

20

0

0.00 0.03 0.06 0.09 0.12 0.15

Separation Distance (h)

Spherical model (Co = 5.60000; Co + C = 72.48000; Ao = 0.01; r2 = 0.099;

RSS = 674.)

Sand: Isotropic Analysis

d) e)

log(Semivariance)

1.99

1.49

0.99

0.50

0.00

-2.32 -1.89 -1.45 -1.02

log(Separation Distance [h])

D0 = 1.978 (SE = 2.013; r2 = 0.108; n = 10)

Semivariance

80

40

0

-40

Sand x Silt: Isotropic Cross Variogram

-80

0.00 0.03 0.06 0.09 0.12 0.15

Separation Distance (h)

Spherical model (Co = -0.10000; Co + C = -65.96000; Ao = 0.01; r2 = 0.062;

RSS = 504.)

Rys. 18. Geostatystyczna charakterystyka zawartości piasku (Sand) w gminie Urszulin: (a) – histogram,

(b) – semiwariogram powierzchniowy, (c) – izotropowy semiwariogram z modelem i parametrami,

(d) – wykres log-log semiwariancji od odległości z parametrami, (e) – izotropowy krossemiwariogram

z modelem i parametrami (opis parametrów patrz Rys. 12)

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 79

a) b)

NonTransformed

Frequency

15

12

9

6

3

0

0 5 10 15 20 25 30 35

Silt (%)

c)

Silt: Isotropic Variogram

100

Semivariance

75

50

25

0

0.00 0.04 0.08 0.11 0.15

Separation Distance (h)

Spherical model (Co = 0.10000; Co + C = 62.24000; Ao = 0.01; r2 = 0.040;

RSS = 421.)

d) Silt: Isotropic Analysis

e)

Silt x Sand: Isotropic Cross Variogram

log(Semivariance)

1.87

1.40

0.94

0.47

0.00

-2.07 -1.72 -1.37 -1.01

log(Separation Distance [h])

Semivariance

80

40

0

-40

-80

0.00 0.03 0.06 0.09 0.12 0.15

Separation Distance (h)

D0 = 1.994 (SE = 7.832; r2 = 0.013; n = 7)

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

B. USOWICZ, W. MARCZEWSKI I IN…

Frequency

Transformed

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

0.1

0.0

0.00 0.03 0.06 0.09 0.12 0.15

Separation Distance (h)

Spherical model (Co = 0.0097; Co + C = 0.1594; Ao = 0.01; r2 = 0.444;

RSS = 6.715E-04)

log(Semivariance)

Clay: Isotropic Analysis

d) e)

-0.739

-0.779

-0.818

-0.858

-0.898

-1.93 -1.64 -1.34 -1.05

log(Separation Distance [h])

Semivariance

Clay x Silt: Isotropic Cross Variogram

2.0

1.6

1.2

0.8

0.4

0.0

0.00 0.03 0.06 0.09 0.12 0.15

Separation Distance (h)

D0 = 1.956 (SE = 1.917; r2 = 0.258; n = 5)

Spherical model (Co = 0.1790; Co + C = 1.2290; Ao = 0.01; r2 = 0.107;

RSS = 0.280)

Rys. 20. Geostatystyczna charakterystyka zawartości iłu (Clay) w gminie Urszulin: (a) – histogram,

(b) – semiwariogram powierzchniowy, (c) – izotropowy semiwariogram z modelem i parametrami,

(d) – wykres log-log semiwariancji od odległości z parametrami, (e) – izotropowy krossemiwariogram

ił-pył z modelem i parametrami (opis parametrów patrz Rys. 12)

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 81

a) b)

20

Transformed

Frequency

15

10

5

0

0.0 1.0 2.0 3.0 4.0

ln( [OM] + 1)

c)

1.5

OM: Isotropic Variogram

Semivariance

1.0

0.5

0.0

0.00 0.03 0.06 0.09 0.12 0.15

Separation Distance (h)

Exponential model (Co = 0.190; Co + C = 1.124; Ao = 0.00; r2 = 0.203;

RSS = 0.164)

d)

log(Semivariance)

OM: Isotropic Analysis

0.183

0.098

0.013

-0.071

-0.156

-2.92 -2.34 -1.75 -1.17

log(Separation Distance [h])

D0 = 1.949 (SE = 0.851; r2 = 0.304; n = 14)

Rys. 21. Geostatystyczna charakterystyka zawartości materii organicznej (OM) w gminie Urszulin:

(a) – histogram, (b) – semiwariogram powierzchniowy, (c) – izotropowy semiwariogram z modelem

i parametrami, (d) – wykres log-log semiwariancji od odległości z parametrami (opis parametrów

patrz Rys. 12)

82

B. USOWICZ, W. MARCZEWSKI I IN…

a)

Frequency

NonTransformed

5

4

3

1

0

15 25 35 45 55 65 75 85

QC (%)

QC: Isotropic Variogram

b)

Semivariance

650

520

390

260

130

0

0.00 0.03 0.06 0.09 0.12 0.15

Separation Distance (h)

Spherical model (Co = 0.00000; Co + C = 244.10000; Ao = 0.06; r2 = 0.396;

RSS = 377287.)

c)

QC: Isotropic Analysis

log(Semivariance)

2.97

2.22

1.48

0.74

0.00

-2.39 -1.92 -1.45 -0.98

log(Separation Distance [h])

D0 = 1.828 (SE = 0.826; r2 = 0.352; n = 11)

Rys. 22. Geostatystyczna charakterystyka zawartości kwarcu (QC) w gminie Urszulin: (a) – histogram,

(b) – izotropowy semiwariogram z modelem i parametrami, (c) – wykres log-log semiwariancji

od odległości z parametrami (opis parametrów patrz Rys. 12)

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 83

a)

b)

c)

Rys. 23. Geostatystyczna charakterystyka (izotropowy standaryzowany semiwariogram z modelem):

(a) – gęstości gleby (BD), (b) – wilgotności grawimetrycznej (WCgrav), (c) – wilgotności

gleby (WC TDR) w gminie Urszulin.

84

B. USOWICZ, W. MARCZEWSKI I IN…

a) NonTransformed

b)

Frequency

30

23

15

8

0

1.1 1.2 1.3 1.4 1.5 1.6

BD (Mg/m^3)

c)

Semivariance

BD: Isotropic Variogram

0.008

0.006

0.004

0.002

0.000

0 50 100 150 200

Separation Distance (h)

Spherical model (Co = 0.00001; Co + C = 0.00505; Ao = 20.10; r2 = 0.265;

RSS = 3.069E-06)

d)

BD: Isotropic Analysis

log(Semivariance)

-2.24

-2.28

-2.32

-2.36

-2.40

0.00 0.76 1.52 2.28

log(Separation Distance [h])

D0 = 1.974 (SE = 1.104; r2 = 0.158; n = 19)

Rys. 24. Geostatystyczna charakterystyka gęstości gleby (BD) na Felinie, pole 1, dzień 1 i 2: (a) –

histogram, (b) – semiwariogram powierzchniowy, (c) – izotropowy semiwariogram z modelem i

parametrami, (d) – wykres log-log semiwariancji od odległości z parametrami (opis parametrów

patrz Rys. 12)

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 85

a) NonTransformed

b)

Frequency

30

20

10

0

0.0 0.1 0.2 0.3

WC (m^3/m^3)

c)

Semivariance

WC: Isotropic Variogram

0.004

0.003

0.002

0.001

0.000

0 50 100 150 200

Separation Distance (h)

Spherical model (Co = 0.000001; Co + C = 0.003042; Ao = 178.20; r2 = 0.978;

RSS = 4.119E-07)

d)

WC: Isotropic Analysis

log(Semivariance)

-2.51

-2.72

-2.93

-3.14

-3.36

0.00 0.76 1.52 2.28

log(Separation Distance [h])

D0 = 1.588 (SE = 0.079; r2 = 0.960; n = 19)

Rys. 25. Geostatystyczna charakterystyka wilgotności gleby (WC) na Felinie, pole 1, dzień 1: (a) –

histogram, (b) – semiwariogram powierzchniowy, (c) – izotropowy semiwariogram z modelem i

parametrami, (d) – wykres log-log semiwariancji od odległości z parametrami (opis parametrów

patrz Rys. 12)

86

B. USOWICZ, W. MARCZEWSKI I IN…

Frequency

NonTransformed

a) b)

30

20

10

0

0.5 1.0 1.5 2.0

TC (W/mK)

Isotropic Variogram

c)

Semivariance

0.20

0.16

0.12

0.08

0.04

0.00

0 50 100 150 200

Separation Distance (m)

Spherical model (Co = 0.04010; Co + C = 0.17520; Ao = 160.00; r2 = 0.971;

RSS = 8.861E-04)

d)

TC: Isotropic Analysis

log(Semivariance)

-0.73

-0.87

-1.00

-1.14

-1.27

0.00 0.76 1.52 2.28

log(Separation Distance [h])

D0 = 1.769 (SE = 0.088; r2 = 0.960; n = 19)

Rys. 26. Geostatystyczna charakterystyka przewodnictwa cieeplnego gleby (TC) na Felinie, pole 1,

dzień 1: (a) – histogram, (b) – semiwariogram powierzchniowy, (c) – izotropowy semiwariogram z

modelem i parametrami, (d) – wykres log-log semiwariancji od odległości z parametrami (opis

parametrów patrz Rys. 12)

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 87

a) NonTransformed

b)

Frequency

30

23

15

8

0

1.3 1.5 1.7 1.9 2.1 2.3

HC (MJ/m^3K)

c)

Semivariance

HC: Isotropic Variogram

0.060

0.045

0.030

0.015

0.000

0 50 100 150 200

Separation Distance (h)

Spherical model (Co = 0.00430; Co + C = 0.05300; Ao = 164.40; r2 = 0.978;

RSS = 8.506E-05)

d)

HC: Isotropic Analysis

log(Semivariance)

-1.26

-1.43

-1.60

-1.77

-1.93

0.00 0.76 1.52 2.28

log(Separation Distance [h])

D0 = 1.692 (SE = 0.079; r2 = 0.965; n = 19)

Rys. 27. Geostatystyczna charakterystyka pojemności cieplnej gleby (HC) na Felinie, pole 1, dzień

1: (a) – histogram, (b) – semiwariogram powierzchniowy, (c) – izotropowy semiwariogram z modelem

i parametrami, (d) – wykres log-log semiwariancji od odległości z parametrami (opis parametrów

patrz Rys. 12)

88

B. USOWICZ, W. MARCZEWSKI I IN…

a) NonTransformed

b)

Frequency

30

20

10

0

1 2 3 4 5 6 7 8 9 10

TD x10^-7 (m^2/s)

c)

Semivariance

TD: Isotropic Variogram

3

2

1

0

0 50 100 150 200

Separation Distance (h)

Spherical model (Co = 0.75400; Co + C = 2.58900; Ao = 159.00; r2 = 0.966;

RSS = 0.188)

d)

TD: Isotropic Analysis

log(Semivariance)

0.438

0.321

0.205

0.089

-0.028

0.00 0.76 1.52 2.28

log(Separation Distance [h])

D0 = 1.801 (SE = 0.095; r2 = 0.955; n = 19)

Rys. 28. Geostatystyczna charakterystyka dyfuzyjności cieplnej gleby (TD) na Felinie, pole 1,

dzień 1: (a) – histogram, (b) – semiwariogram powierzchniowy, (c) – izotropowy semiwariogram z

modelem i parametrami, (d) – wykres log-log semiwariancji od odległości z parametrami (opis

parametrów patrz Rys. 12)

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 89

NonTransformed

a)

Frequency

40

30

20

10

0

0.15 0.20 0.25 0.30

WC (m^3/m^3)

WC: Isotropic Variogram

b)

Semivariance

0.0010

0.0008

0.0006

0.0004

0.0002

0.0000

0 50 100 150 200

Separation Distance (h)

Exponential model (Co = 0.000289; Co + C = 0.000931; Ao = 38.80; r2 = 0.974;

RSS = 5.296E-09)

WC: Isotropic Analysis

c)

log(Semivariance)

-3.03

-3.11

-3.19

-3.27

-3.35

0.00 0.68 1.37 2.05

log(Separation Distance [h])

D0 = 1.849 (SE = 0.100; r2 = 0.975; n = 11)

Rys. 29. Geostatystyczna charakterystyka wilgotności gleby (WC) na Felinie, pole 1, dzień 2: (a) –

histogram, (b) – izotropowy semiwariogram z modelem i parametrami, (c) – wykres log-log semiwariancji

od odległości z parametrami (opis parametrów patrz Rys. 12)

90

B. USOWICZ, W. MARCZEWSKI I IN…

a) NonTransformed

b)

Frequency

40

30

20

10

0

0.5 1.0 1.5 2.0

TC (W/mK)

c)

Semivariance

0.20

0.16

0.12

0.08

TC: Isotropic Variogram

0.04

0.00

0 50 100 150 200

Separation Distance (h)

Spherical model (Co = 0.00010; Co + C = 0.03950; Ao = 20.20; r2 = 0.281;

RSS = 1.753E-04)

d)

TC: Isotropic Analysis

log(Semivariance)

-1.34

-1.38

-1.43

-1.47

-1.51

0.00 0.76 1.52 2.28

log(Separation Distance [h])

D0 = 1.988 (SE = 2.446; r2 = 0.037; n = 19)

Rys. 30. Geostatystyczna charakterystyka przewodnictwa cieplnego gleby (TC) na Felinie, pole 1,

dzień 2: (a) – histogram, (b) – semiwariogram powierzchniowy, (c) – izotropowy semiwariogram z

modelem i parametrami, (d) – wykres log-log semiwariancji od odległości z parametrami (opis

parametrów patrz Rys. 12)

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 91

a)

Frequency

NonTransformed

40

30

20

10

0

1.5 1.7 1.9 2.1 2.3 2.5

HC (MJ/m^3K)

HC: Isotropic Variogram

b)

Semivariance

0.03

0.02

0.01

0.00

0 50 100 150 200

Separation Distance (h)

Spherical model (Co = 0.006890; Co + C = 0.019180; Ao = 40.10; r2 = 0.928;

RSS = 3.474E-06)

HC: Isotropic Analysis

c)

log(Semivariance)

-1.62

-1.69

-1.76

-1.83

-1.90

0.00 0.72 1.43 2.15

log(Separation Distance [h])

D0 = 1.906 (SE = 0.290; r2 = 0.783; n = 14)

Rys. 31. Geostatystyczna charakterystyka pojemności cieplnej gleby (HC) na Felinie, pole 1, dzień

2: (a) – histogram, (b) – izotropowy semiwariogram z modelem i parametrami, (c) – wykres log-log

semiwariancji od odległości z parametrami (opis parametrów patrz Rys. 12)

92

B. USOWICZ, W. MARCZEWSKI I IN…

a)

Frequency

NonTransformed

50

40

30

20

10

0

4 5 6 7 8 9 10

TD x10^-7 (m^2/s)

b)

Semivariance

TD: Isotropic Variogram

0.6

0.5

0.4

0.3

0.2

0.1

0.0

0 50 100 150 200

Separation Distance (h)

Exponential model (Co = 0.02800; Co + C = 0.43900; Ao = 8.90; r2 = 0.394;

RSS = 0.0174)

c)

log(Semivariance)

TD: Isotropic Analysis

-0.298

-0.343

-0.388

-0.433

-0.478

0.00 0.76 1.52 2.28

log(Separation Distance [h])

D0 = 1.960 (SE = 0.580; r2 = 0.402; n = 19)

Rys. 32. Geostatystyczna charakterystyka dyfuzyjności cieplnej gleby (TD) na Felinie, pole 1,

dzień 2: (a) – histogram, (b) – izotropowy semiwariogram z modelem i parametrami, (c) – wykres

log-log semiwariancji od odległości z parametrami (opis parametrów patrz Rys. 12)

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 93

Frequency

NonTransformed

a) b)

80

60

40

20

0

1.0 1.2 1.4 1.6

BD (mg/m^3)

BD: Isotropic Variogram

c)

Semivariance

0.008

0.006

0.004

0.002

0.000

0 50 100 150 200

Separation Distance (h)

Spherical model (Co = 0.000010; Co + C = 0.005770; Ao = 32.30; r2 = 0.890;

RSS = 2.536E-06)

d)

BD: Isotropic Analysis

log(Semivariance)

-2.19

-2.33

-2.48

-2.63

-2.77

0.00 0.72 1.44 2.16

log(Separation Distance [h])

D0 = 1.840 (SE = 0.347; r2 = 0.684; n = 15)

Rys. 33. Geostatystyczna charakterystyka gęstości gleby (BD) na Felinie, pole 2: (a) – histogram,

(b) – semiwariogram powierzchniowy, (c) – izotropowy semiwariogram z modelem i parametrami,

(d) – wykres log-log semiwariancji od odległości z parametrami (opis parametrów patrz Rys. 12)

94

B. USOWICZ, W. MARCZEWSKI I IN…

a) NonTransformed

b)

Frequency

80

60

40

20

0

0.0 0.1 0.2 0.3

WC (m^3/m^3)

c)

0.0020

WC: Isotropic Variogram

Semivariance

0.0015

0.0010

0.0005

0.0000

0 50 100 150 200

Separation Distance (h)

Spherical model (Co = 0.000140; Co + C = 0.001670; Ao = 149.00; r2 = 0.850;

RSS = 5.881E-07)

d)

log(Semivariance)

WC: Isotropic Analysis

-2.75

-2.89

-3.03

-3.17

-3.31

0.00 0.72 1.44 2.16

log(Separation Distance [h])

D0 = 1.749 (SE = 0.320; r2 = 0.697; n = 15)

Rys. 34. Geostatystyczna charakterystyka wilgotości gleby (WC) na Felinie, pole 2: (a) – histogram,

(b) – semiwariogram powierzchniowy, (c) – izotropowy semiwariogram z modelem i parametrami,

(d) – wykres log-log semiwariancji od odległości z parametrami (opis parametrów patrz Rys.

12)

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 95

Frequency

Transformed

a) b)

80

60

40

20

0

-1.4 -1.0 -0.6 -0.2 0.2 0.6

ln(TC)

c)

Semivariance

TC: Isotropic Variogram

0.30

0.24

0.18

0.12

0.06

0.00

0 50 100 150 200

Separation Distance (h)

Spherical model (Co = 0.0386; Co + C = 0.2262; Ao = 125.30; r2 = 0.911;

RSS = 5.123E-03)

d)

TC: Isotropic Analysis

log(Semivariance)

-0.60

-0.77

-0.94

-1.11

-1.29

0.00 0.72 1.44 2.16

log(Separation Distance [h])

D0 = 1.752 (SE = 0.137; r2 = 0.927; n = 15)

Rys. 35. Geostatystyczna charakterystyka przewodnictwa cieplnego gleby (TC) na Felinie, pole 2:

(a) – histogram, (b) – semiwariogram powierzchniowy, (c) – izotropowy semiwariogram z modelem

i parametrami, (d) – wykres log-log semiwariancji od odległości z parametrami (opis parametrów

patrz Rys. 12)

96

B. USOWICZ, W. MARCZEWSKI I IN…

a) b)

Frequency

NonTransformed

60

40

20

0

1.00 1.25 1.50 1.75 2.00

HC (MJ/m^3K)

c)

Semivariance

HC: Isotropic Variogram

0.05

0.04

0.03

0.02

0.01

0.00

0 50 100 150 200

Separation Distance (h)

Spherical model (Co = 0.003500; Co + C = 0.041700; Ao = 138.90; r2 = 0.899;

RSS = 2.388E-04)

d)

HC: Isotropic Analysis

log(Semivariance)

-1.35

-1.51

-1.68

-1.84

-2.00

0.00 0.72 1.44 2.16

log(Separation Distance [h])

D0 = 1.729 (SE = 0.196; r2 = 0.857; n = 15)

Rys. 36. Geostatystyczna charakterystyka pojemnośći cieplnej gleby (HC) na Felinie, pole 2: (a) –

histogram, (b) – semiwariogram powierzchniowy, (c) – izotropowy semiwariogram z modelem i

parametrami, (d) – wykres log-log semiwariancji od odległości z parametrami (opis parametrów

patrz Rys. 12)

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 97

a) b)

Transformed

Frequency

80

60

40

20

0

0.0 0.5 1.0 1.5 2.0 2.5

ln(TD)

c)

Semivariance

TD: Isotropic Variogram

0.20

0.15

0.10

0.05

0.00

0 50 100 150 200

Separation Distance (h)

Spherical model (Co = 0.02610; Co + C = 0.11920; Ao = 119.20; r2 = 0.905;

RSS = 1.322E-03)

d)

log(Semivariance)

TD: Isotropic Analysis

-0.88

-1.04

-1.21

-1.38

-1.54

0.00 0.72 1.44 2.16

log(Separation Distance [h])

D0 = 1.770 (SE = 0.137; r2 = 0.928; n = 15)

Rys. 37. Geostatystyczna charakterystyka dyfuzyjności cieplnej gleby (TD) na Felinie, pole 2: (a) –

histogram, (b) – semiwariogram powierzchniowy, (c) – izotropowy semiwariogram z modelem i

parametrami, (d) – wykres log-log semiwariancji od odległości z parametrami (opis parametrów

patrz Rys. 12)

98

B. USOWICZ, W. MARCZEWSKI I IN…

Estymacja rozkładów badanych cech za pomocą metody kriging i kokriging

Przestrzenne rozkłady dla poszczególnych cech gleby w gminie Trzebieszów,

Urszulin i na Felinie uzyskano na bazie wcześniej wyznaczonych parametrów,

modeli semiwariogramów i krossemiwariogramów oraz zmierzonych danych z

poszczególnych punktów pomiarowych przy użyciu metody krigingu i kokrigingu.

Kriging używany był przy estymacji poszczególnych cech gleby w gminie

Trzebieszów, w części zmiennych w gminie Urszulin i na Felinie. Skład granulometryczny

w gminie Urszulin został estymowany przy użyciu metody kokrigingu

gdyż metoda ta dawała o wiele lepszą zgodnością z danymi pomiarowymi niż to

przy użyciu metody krigingu. Wykreślono mapy rozkładów przestrzennych badanych

cech w obrębie rozpatrywanych obiektów (Rys. 38-49), jak również określano

wartości błędu popełnionych podczas estymacji. Błąd estymacji dla wszystkich

badanych cech gleby nie był większy niż 10-15% analizowanej cechy. W

okolicach punktów pomiarowych błędy były znacznie mniejsze, około 2-4%, największe

błędy wystąpiły na obrzeżach siatek pomiarowych.

Mapy zawartości frakcji granulometrycznych w związku z tym, że ich suma

zawsze musi być równa 100%, kształtują się odmiennie. Tam gdzie jest więcej

piasku tam musi być mniej pyłu i iłu, i na odwrót. Można z pewnością znaleźć na

mapie miejsca gdzie suma zawartości frakcji nie zawsze równa jest 100%. Jest to

wynik samej estymacji i błędów użytej metody. Jednak rozpoznanie rozkładów

przestrzennych poszczególnych frakcji dostarcza na tyle istotnych informacji (o

zasięgu występowania określonych wartości, ukierunkowaniu ich zmian), że może

one być wykorzystane przy dalszych analizach podczas walidacji wilgotności

gleby na bazie pomiarów zdalnych z poziomu satelity. Rozkład piasku, pyłu,

kwarcu i gęstości gleby (Rys. 38a i b, 40a) w gminie Trzebieszów ma charakter

równoleżnikowy więcej piasku i kwarcu w części środkowej, również jest większa

gęstość w tej strefie, mniej zaś w tej części jest pyłu. Ił i materia organiczna

(Rys. 39a i b) miała przestrzenny układ bardziej wyspowy niż regularny (równoleżnikowy).

Rozkład wilgotności gleby otrzymany z pomiarów grawimetrycznych wykazywał

znacznie większe zróżnicowanie i większe wartości bezwzględne niż wartości

wilgotności gleby otrzymane z pomiarów miernikiem TDR (Rys. 41a i b). Wyniki

te wskazują na mniejszą czułość metody TDR niż metody grawimetrycznej. Jednak,

ze względów na fakt, że metoda TDR jest o wiele szybsza i nie destrukcyjna jest

ona do przyjęcia w masowych pomiarach. Wymaga ona jednak korekty na gęstość i

skład mineralogiczny badanego ośrodka. Wskazane jest porównanie obu metod, po

to, żeby błąd z pomiarów miernikiem TDR był jak najmniejszy.

Przy przeglądzie map rozkładu piasku i pyłu wykonanych dla terenu gminy Urszulin

można zauważyć, nieco odmienny charakter w rozkładzie zawartości piasku i

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 99

pyłu (Rys. 42a i b). Tu jest rozkład bardziej wyspowy z lekkim ukierunkowaniem

rozkładu w stronę zachodnio-północną. W przypadku iłu, zawartości materii organicznej,

kwarcu (Rys. 42c, 43a i b) uwidoczniają się wyraźne wyspy z większymi

zawartościami. Gęstość gleby ma układ rozkładów ukierunkowany w stronę zachodnio-północną,

natomiast wilgotność gleby wyraźnie zaznaczające się trzy obszary,

różniące się między sobą znacznie (Rys. 44a,b i c). Podobnie jak w przypadku

gminy Trzebieszów metoda grawimetryczna jest o wiele bardziej czuła niż metoda

TDR. Przestrzenne rozkłady wilgotności z obu metod są do siebie podobny, ale

widać mniejsze zróżnicowanie wilgotności na mapie otrzymanej z pomiarów miernikiem

TDR (Rys. 44b i c)

Przestrzenne rozkłady gęstości, wilgotności gleby na polu 1 w dniu 1 i 2 i polu

2 ukazują losowy charakter rozkładu gęstości gleby na dla wszystkich upraw i

charakterystyczny wstęgowy układ rozkładu wilgotności wynikający z rozkładu

uprawianych roślin na tym polu (Rys. 45a,b,c, 48a,b). Nawet znaczący wzrost

wilgotności po opadzie nadal ukazywał podobny układ do wcześniejszego rozkładu

wilgotności. Poszczególne właściwości cieplne gleby przybierały podobieństwo

rozkładu wilgotności, przypadku małych uwilgotnień gleby. Kiedy wilgotność

gleby była znaczna, około polowej pojemności wodnej, głownie przewodnictwo

cieplne i dyfuzyjność cieplna była w przestrzennym rozkładzie podobna

do rozkładu gęstości gleby (Rys. 45, 46, 47, 48, 49).

100

B. USOWICZ, W. MARCZEWSKI I IN…

b)

Rys. 38. Przestrzenny rozkład zawartości piasku (a) i pyłu (b) w warstwie gleby 0-10 cm na obszarze

gminy Trzebieszów

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 101

a)

b)

Rys. 39. Przestrzenny rozkład zawartości iłu (a) i materii organicznej (b) w warstwie gleby 0-10 cm

na obszarze gminy Trzebieszów

102

B. USOWICZ, W. MARCZEWSKI I IN…

a)

b)

Rys. 40. Przestrzenny rozkład zawartości kwarcu (a) i gęstości (b) w warstwie gleby 0-10 cm na

obszarze gminy Trzebieszów.

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 103

a)

b)

Rys. 41. Przestrzenny rozkład wilgotności gleby: metoda grawimetryczna (a) i TDR (b) w warstwie

0-10 cm w gminie Trzebieszów.

104

B. USOWICZ, W. MARCZEWSKI I IN…

a)

b)

c)

Rys. 42. Przestrzenny rozkład w warstwie gleby 0-10 cm zawartości piasku (a), pyłu (b) i iłu (c) na

obszarze gminy Urszulin.

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 105

a)

b)

Rys. 43. Przestrzenny rozkład w warstwie gleby 0-10 cm materii organicznej (a) i kwarcu (b) na

obszarze gminy Urszulin

106

B. USOWICZ, W. MARCZEWSKI I IN…

a)

b)

c)

Rys. 44. Przestrzenny rozkład gęstości (a) i wilgotności gleby (metodą grawimetryczną (b) i TDR

(c)) w warstwie 0-10 cm w gminie Urszulin.

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 107

a)

b)

c)

Rys. 45. Przestrzenny rozkład gęstości (a) i wilgotności gleby (w dniu 1 (b) i 2 (c)) w warstwie 0-10

cm na polu uprawnym 1 (Felin).

108

B. USOWICZ, W. MARCZEWSKI I IN…

a)

b)

c)

Rys. 46. Przestrzenny rozkład przewodnictwa cieplnego (a), pojemności cieplnej (b) i dyfuzyjności

cieplnej gleby (c) w warstwie 0-10 cm na polu uprawnym 1, dzień 1 (Felin).

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 109

a)

b)

c)

Rys. 47. Przestrzenny rozkład przewodnictwa cieplnego (a), pojemności cieplnej (b) i dyfuzyjności

cieplnej gleby (c) w warstwie 0-10 cm na polu uprawnym 1, dzień 2 (Felin).

110

B. USOWICZ, W. MARCZEWSKI I IN…

a)

b)

Rys. 48. Przestrzenny rozkład gęstości (a) i wilgotności gleby (b) w warstwie 0-10 cm na polu

uprawnym 2 (Felin).

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 111

a)

b)

c)

Rys. 49. Przestrzenny rozkład przewodnictwa cieplnego (a), pojemności cieplnej (b) i dyfuzyjności

cieplnej gleby (c) w warstwie 0-10 cm na polu uprawnym 2 (Felin).

112

B. USOWICZ, W. MARCZEWSKI I IN…

Wykorzystanie miejscowych pomiarów naziemnych do ocen regionalnych

i walidacji obserwacji satelitarnych

Kierunek badań naziemnych związków pomiędzy własnościami cieplnymi i

wilgotnością gleby, okazał się istotny i przydatny dla celów walidacji obserwacji

SMOS. Dlatego włączono go do projektu SWEX.

Istotna różnica między badaniami naziemnymi i satelitarnymi jest w zakresie

ocen regionalnych stanu środowiska i jego związków ze zmianą klimatu. Misje

obserwacji kosmicznych Ziemi mają za cel naturalny oceniać widzianą Ziemię w

wielkiej skali. Misja SMOS będzie dawała dane pokrywające Ziemię śladem około

1000 km (lub 500 km zależnie od modu pracy), w zobrazowaniu pikselami

35×35 km, ale za to systematycznie co 3-4 dni przez 3-5 lat dla tego samego miejsca

na Ziemi. SMOS będzie prowadzić obserwacje całej powierzchni planety

globalnie.

Potrzeba ocen regionalnych i meso-skalowych na Ziemi jest stale niezadawalająco

zaspokajana badaniami naziemnymi. Badania naziemne są zbyt

pracochłonne i niepewne jak na potrzeby ocen w wielkich skalach. Z drugiej strony,

oceny takie są niezbędne. Do ich wypracowywania służą ostatecznie metody

statystyczne. Dlatego powyższe wyniki i dyskusja podstawowych pojęć statystycznych,

zostały podjęte w rozdziałach następnych, poświęconych praktyce

statystycznego opracowywania danych naziemnych. Te same pojęcia i kierunki

statystycznego wnioskowania na podstawie semiwariogramów i przestrzennych

rozkładów własności, mają zastosowanie w wykorzystywaniu danych satelitarnych,

lecz ich efektywne wykorzystanie wymaga metod znacznie bardziej zaawansowanych.

Dane naziemne można oceniać statystycznymi cechami rozkładów zmiennych

z pomiarów bezpośrednich, i tak ingerować w weryfikację danych aby pewne

dane przyjmować, inne wagować a jeszcze inne odrzucać. Przy wykorzystywaniu

danych satelitarnych, nie można konfrontować bezpośrednio wyników pomiarów

naziemnych z wynikami satelitarnymi. Poszukiwana odpowiedniość musi bowiem

respektować inne zmienne mierzone, i musi respektować skale przestrzenne i

czasowe. Pomiary naziemne są zawsze miejscowe a wyciągane z nich wnioski w

wielkiej skali muszą być właściwie opracowane statystycznie. Jest więc zależność

od wyboru metod statystycznych i ich istotności.

Inna też jest reprezentacja skal czasowych danych naziemnych, a inna satelitarnych,

podczas gdy ocenie podlegają procesy zmienności w czasie. Dane satelitarne

są zwykle chwilowe i incydentalne. Trudno otrzymać zdjęcia satelitarne z

danego terenu w liczbie np. kilkunastu dla jednego cyklu zmian sezonowych, bo

to poważny koszt możliwy do poniesienia w programach badawczych dedykowanych

dobrze uznanym celom. Obserwacje SMOS co 3-4 dni to bardzo dobra re-

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 113

prezentacyjna rytmiczność dla zmian sezonowych, ale to też „próbkowanie” procesów

zmienności dobowej bardzo rzadkie, jak na różnorodność zjawisk atmosferycznych.

Podobny dylemat reprezentacyjności występuje w badaniach naziemnych.

Można prowadzić pomiary w skończonej, i niewielkiej liczbie miejsc testowych, a

różnorodność przestrzenna (i wegetacyjna) środowiska jest ogromna. Nawet

zautomatyzowane i częste pomiary meteorologiczne, np. opadu, niosą olbrzymią

niepewność oceny opadu w obszarze, i zmuszają do wykorzystywania metod

obserwacji zdalnych jak radary zasięgowe naziemne, lub satelitarne dla celów

meteorologicznych. Dla ocen długoterminowych, chwilowe rozkłady zmienności

opadów są potrzebne tylko o tyle, o ile prowadzą do ocen długoterminowych i

meso-skalowych. Proste metody ocen statystycznych do tego nie wystarczają.

Motywacją SMOS jest dostarczenie danych na temat wymiany wody z atmosferą,

w miarach ilościowych odpowiadających zmianie klimatu. Następna misja

kosmicznych obserwacji Ziemi, od 2015 roku, zorientowanych na cyrkulację

wody, SMAP [124] (NASA), przyjmuje za jeden z głównych celów ilościową

ocenę opadów na Ziemię, mierzonych globalnie [24]. SMOS ma ustalić tempo

wymiany wody między lądami i oceanami, a atmosferą, przy niepewności miar

opadu, ocenianych globalnie. Takie są priorytety we współczesnych obserwacjach

Ziemi w związku ze zmianą klimatu.

SMOS będzie wykorzystywał pomiar temperatury jasnościowej BT (Brightness

Temperature) w paśmie mikrofalowym L (1,4 GHz). Temperatura jasności

radiacyjnej jest miarą radiometryczną, i oznacza jaka jest emisja szumu naturalnego

w paśmie obserwacji. Ta temperatura ma związek z temperaturą termodynamiczną

poprzez prawo Plancka, określające jasność ciała doskonale czarnego.

Natomiast związek z zawartością wody polega na tym, że woda i jej transport

należą do czynników najbardziej determinujących ustalanie się temperatury termodynamicznej,

jeżeli taki transport ma miejsce. Ponadto, woda jest pospolitym,

powszechnie występującym na Ziemi, typem materii o jednej z największych

wartości ciepła właściwego. Przez to zawartość wody rozstrzyga dominująco o

wymianie ciepła między gruntem i atmosferą. Innym jeszcze czynnikiem zapewniającym

związek obserwacji SMOS z wodą, jest to że zawartość wody jest bardzo

dobrze związana z metodami obserwacji mikrofalowych w ogóle, zarówno

pasywnych (radiometr SMOS), jak i aktywnych (radar, np. ENVISAT-ASAR).

Przyczyna leży w silnie niesymetrycznej budowie molekuł wody, które łatwo i

silnie oddziaływają z polem elektromagnetycznym. Są też i inne okoliczności

wykorzystywania metod mikrofalowych do obserwacji wodnych, np. takie że

zdjęcia satelitarne mikrofalowe słabo zależą od przesłaniania celu obserwacji

chmurami. Są prawie niezależne od stanu zachmurzenia, a więc pewne w uzyskiwaniu.

Np. wszystkie zdjęcia ASAR są „udane”, podczas gdy zdjęcia optyczne,

114

B. USOWICZ, W. MARCZEWSKI I IN…

zwłaszcza wysokorozdzielcze, są dobrym źródłem informacji o powierzchni Ziemi,

tylko wtedy gdy panują korzystne warunki braku zachmurzenia. Trudno liczyć

np. na kilka dobrych zdjęć optycznych w miesiącu.

W tej pracy, dochodzimy do wniosku, że o powodzeniu w wykorzystaniu danych

satelitarnych, decyduje nie tyle opanowanie specyficznych narzędzi i metod

przetwarzania, ale potrzeba celów interpretacji statystycznie zgodnych z celami

satelitarnych instrumentów obserwacyjnych, i metodami do statystycznego przetwarzania

danych. Metody dla wykorzystania danych satelitarnych są ograniczenie

specyficzne tylko w zakresie metody obserwacji (radar, radiometr, spektrometr),

natomiast ich podstawy są w fizyce i statystyce. Użytkownik danych satelitarnych

musi więcej poznać z podstaw fizycznych i statystycznych, niż ze specyfiki

technicznej instrumentu. Wszystkie dostępne narzędzia programowe do przetwarzania

danych satelitarnych są wyposażone w bardzo współczesne procesory,

które angażują metody statystyczne. Jeżeli są jakieś istotne bariery w ich wykorzystaniu,

to leżą one głównie w niedostatecznym rozumieniu celów proponowanych

interpretacji, lub ewentualnie nie rozróżnianiu metod analizy np. spektralnej

od reflektometrycznej, i ich aspektach statystycznych. Współczesne narzędzia

stają się dostępne dla użytkowników nie koniecznie wykształconych w kierunkach

technicznych związanych z instrumentalną zasadą obserwacji.

SMOS będzie działać od 2010 przez 3-5 lat, a do tego czasu wypracowano

system przekazywania danych, szereg narzędzi, które są dostępne publicznie i

będą nadal rozwijane, oraz szereg obserwacji przykładowych, symulowanych na

podstawie danych realnych o środowisku na Ziemi, w tym z innych misji satelitarnych.

Przykładem są dane symulacji SMOS na stronach CESBIO [125].

Temperatura jasności (BT) jest zmienną bezpośrednio obserwowaną instrumentem

SMOS. Ta zmienna będzie potem transformowana na wilgotność gleb

(SM – Soil Moisture). Na Ziemi mierzymy SM, bezpośrednio tzn. przy użyciu

TDR (Time Domain Reflectometer) lub tradycyjnie metodą grawimetryczną przy

użyciu cylindra Kopeckiego.

Dla celów walidacji SMOS przyjęto, żeby konfrontować obserwacje SMOS na

poziomie BT. Z danych naziemnych, i innych misji niezależnych trzeba nam

określać BT i porównywać ją z jasnością BT uzyskiwaną ze SMOS. Oznacza to,

że dane naziemne (w tym SM mierzone bezpośrednio) trzeba przekształcać na

BT, w aktualnych i aktualizowanych rozkładach przestrzennych. Do tego celu

misja SMOS przygotowała razem z grupą roboczą ECMWF pakiet programowy

CMEM [24] udostępniany publicznie. Do modelu należy dostarczać dane dla

szeregu zmiennych środowiskowych, aby otrzymać jasność BT, uzyskaną lokalnie

lub w meso-regionie w sposób niezależny od instrumentu SMOS. To droga

postępowania przy walidacji. Na tej drodze uzyskaliśmy pierwsze własne symulacje

dla całej Polski, pokazane na Rys. 50.

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 115

Rys. 50. Symulacja BT modelem CMEM [24] dla Europy Centralnej, w rozdzielczości 1 km, na

podstawie danych dekadowych, z maja 2004. Realne obserwacje SMOS, będą rejestracjami chwilowymi

nie uśrednionymi, będą więc miały większą rozpiętość temperatur jasności. Uwaga: – Dane

zmiennych ECV dla CMEM pochodziły z ECOCLIMAP [34], ECMWF [33], a tam zbierano je z

innych kontynentalnych baz danych nt. warunków meteorologicznych, wegetacji i pokrycia terenu.

Widoczne nieciągłości na wschodnich granicach Polski, należy tłumaczyć, różnicami jakości danych

w tych bazach. Nie ma fizycznych powodów dla takiego zróżnicowania BT. Nie można ich

całkowicie usprawiedliwiać, np. pokryciem terenu, użytkowaniem i roślinnością. Te dane, a

zwłaszcza pokrycie i użytkowanie terenu (Land Cover and Land Use) były przedmiotem programów

Europejskich ale w granicach Unii (CORINE). Poza UE, dane są uboższe, i mniej kompletne.

Na Białorusi i Ukrainie, nie realizowano programu CORINE, więc te obszary są reprezentowane w

bazach danych ubożej. Obraz uwidacznia zaledwie kontrasty w stanie wiedzy, o środowisku regionu.

„Białych plam” na mapie w części lądowej nie ma, są tylko „czarne”, tzn. dane o tymczasowo

mniejszej wiarygodności.

116

B. USOWICZ, W. MARCZEWSKI I IN…

Widać wyraźnie, że chociaż temperatura jasności BT zawiera się w wąskim

przedziale kilku K (mniej niż 10K), to daje rozkład przestrzenny związany poprawnie

z morfologią i siecią hydrograficzną. Ponieważ dane do modelu CMEM,

były uśredniane dekadowo, tu z maja 2004, to i wyniki BT są dekadowe. Model

CMEM pracuje nie na obrazach lecz na macierzach, element po elemencie (piksel

po pikselu). Jeżeli dane wejściowe mają swój porządek zobrazowania, to jest on

zachowany wyniku przetwarzania na BT przez CMEM.

Realne dane SMOS mogą być dużo bardziej zróżnicowane, bo będą zapisami

chwilowymi. Porę nalotu obserwacyjnego SMOS, wybrano tak aby warunki wymiany

energii między podłożem i atmosferą były ustabilizowane, tzn. na godz.

6:00 rano, czasu lokalnego, tak samo za każdym razem co 3-4 dni. O tej porze

temperatury (termodynamiczna i radiacyjna) są stabilne, nie rozwinął się jeszcze

proces wymiany energii. Mniej więcej o tej porze, gradient temperatury termodynamicznej

w glebie zmienia swój znak. Podłoże przechodzi z oddawania energii

na przyjmowanie energii. Wtedy SMOS ma robić rejestrację raz na 3 dni. Uważa

się tę porę za bardziej sprzyjającą obserwacji, bo wartości BT będą bliskie wartościom

oczekiwanym dobowym, i wolno zmienne. SMOS nie jest po to aby śledzić

cykle dobowe, ani po to by charakteryzować różnorodność zjawisk w czasie i

przestrzeni. Pomiar raz na 3-4 dni, i tak gubi wiele różnorodnych zdarzeń (np.

opady) w czasie, a gubi również i przestrzenie (piksel 35 km). Celem pomiaru są

trendy dłuższe w czasie (np. tygodniowe, dekadowe, miesięczne), i dłuższe w

przestrzeni – przez wiele pikseli 35 km, w pasie 500 do 1000 km. Dlatego wybrano

porę poranną. Pora zmierzchu, wykazuje na średnich szerokościach geograficznych

szybsze tempo zanikania procesów wymiany energii, niż poranna i dlatego

jest mniej korzystna.

Wielkości symulowane BT przez CMEM, mieściły się w wąskim zakresie

wartości. Celem tej symulacji było jedynie sprawdzenie czy typowe dane na wejściu

CMEM, dadzą na wyjściu wartości prawdopodobne, i to się potwierdziło.

Wynik zachował związek z morfologią i pokryciem terenu klasami leśnymi, o

dużej biomasie. Lasy są wyraźnie ciemniejsze, tzn. i chłodniejsze. W dalszym

postępowaniu, szereg zmiennych wejściowych CMEM, będzie pochodził z pomiarów

naziemnych, aktualnych dla kampanii walidacyjnych. Jednak nie wszystkie

dane! W takich przypadkach model CMEM będzie zasilany aktualizowanymi

danymi z ECOCLIMAP, MERIS/MODIS, ASAR, i z innych źródeł. To jest normalna

praktyka zwana fuzją danych.

Model CMEM posługuje się uznanymi zmiennymi ECV (Essential Climate

Variables), i narzuca konieczność rozróżnienia typów ekosystemów pokrywających

całą Ziemię. ECOCLIMAP jest uniwersalną bazą danych środowiskowych

archiwalnych, zbudowaną m. in. dla wsparcia walidacji SMOS. CMEM dopuszcza

rozróżnianie 216 klas ekosystemów, z których tylko część występuje w Pol-

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 117

sce. Liczba klas ekosystemów wykorzystywanych dla Polski, będzie zależała od

tego jak te ekosystemy będą rozróżniane w pracy naziemnej.

CMEM [24] zbudowano modularnie i zhierarchizowano rozróżnianie ekosystemów

indeksami, od podziału klas na najgrubsze – np. lasy, i nie lasy. Dalej,

tereny otwarte uprawne, zurbanizowane, i wody otwarte. W tej hierarchii rozróżnia

się następne podklasy ekosystemów, zależnie od natężenia wartości zmiennych

wegetacyjnych ECV. Te rozróżnienia będą już uzależnione od możliwości

wkładu pracy naziemnej w mierzenie zmiennych ECV. Przy niewielkim nakładzie

pracy naziemnej, można liczyć na rozróżnianie niewielu (kilku) podklas roślinności

niskiej i wysokiej, podobnie jak upraw rolnych. Wśród klas leśnych, będą

rozróżniane podklasy lasów iglastych i liściastych, a dalej w każdej z nich, podklasy

odpowiadające stopniowo gęstość biomasy, LAI, wydajności fotosyntezy i

produktywności chlorofilu.

Większość tych zmiennych ECV, jest w Polsce rzadko monitorowana na Ziemi,

zwłaszcza na dużych obszarach. W leśnictwie nie praktykuje się mierzenia

LAI na Ziemi, a stosuje się mniej obiektywny parametr „uliścienia”. Uliścienie

daje miarę względną stanu zdrowia drzew określonego gatunku. LAI jest natomiast

miarą bardziej obiektywną, bo opartą na transformacji radiacji w lesie, i

ostatecznie opartą o prawo zachowania energii. Podobnie jest z praktyką oceny

fotosyntezy i produktywności chlorofilu. Są to parametry stosowane w badaniach

poszczególnych gatunków roślin i konkretnych upraw, ale nie do całościowego

charakteryzowania stanu środowiska. Do tych celów, takie zmienne czerpie się

rutynowo z obserwacji satelitarnych spektralnych (np. MERIS), a rzadziej sięga

się po mierzenie ich na Ziemi, mimo że odpowiednie instrumenty są na rynku od

co najmniej dwóch dekad.

W projekcie, należy liczyć się z tym, że niektóre dane wejściowe do modelu

CMEM pozostaną nie wypracowane na Ziemi, a będą musiały pochodzić z danych

satelitarnych.

Model CMEM jest na tyle elastyczny, że pozwala na wykorzystywanie klas i

podklas ekosystemów na miarę możliwości nakładu pracy naziemnej. Jest jednak

na tyle wymagający, że musi otrzymać wszystkie zmienne, nawet jeżeli są one

tylko realistycznie przyjętymi stałymi. Używanie modelu emisyjności CMEM dla

celów walidacji SMOS, w dużej mierze polega na tym, że badacze naziemni mają

szanse na samodzielnie ćwiczenia obliczeniowe, dla określania jaka jest wrażliwość

modelu i wyniku na poszczególne zmienne, i na proponowanie możliwej

gradacji w rozróżnianiu ekosystemów, i dostosowywanie zakresu tej gradacji do

możliwości w nakładzie pracy. Czego nie da się zmierzyć na Ziemi, trzeba czerpać

z zewnętrznych baz danych, dbając o odpowiedniość czasową do obserwacji

SMOS, i/lub wyinterpretować je z innych danych satelitarnych.

118

B. USOWICZ, W. MARCZEWSKI I IN…

CMEM proponuje pewną elastyczną systematykę danych wejściowych, i skłania

do używania powszechnie uznawanych zmiennych ECV. Potrzebne jest to dla

pracy szeregu szczegółowych elementarnych modeli emisyjności – właściwych

poszczególnym typom ekosystemów. Użytkownik modelu ma możliwość krytycznego

ingerowania i poprawiania lub dopasowywania modeli do zawartości

środowiskowej, na tyle na ile pozwolą mu jego kompetencje naukowe. Modele

elementarne i dane wejściowe do nich trafiające, są ostatecznie źródłem wyniku

BT.

Przestrzenne zobrazowanie wynikowe BT ma taką rozdzielczość, w jakiej dostarczono

dane na wejście modelu. Na przykład wszystkie dane lokalne z tej pracy,

uzyskane na Polesiu, mogą być użyte wprost do zasilania modelu CMEM, i

otrzymywania zobrazowań BT w takiej skali w jakiej je wypracowano. Z drugiej

strony, używanie danych zewnętrznych, zwłaszcza tych dla skal większych niż

lokalne, stwarza nowe wymagania sprawności w posługiwaniu się bazami danych,

narzędziami do ich przetwarzania (formaty *.grib, *.netcdf, *.hdf5), i zyskiwania

wiedzy o ich dostępności w źródłach danych publicznych.

Dane własne mierzone na Ziemi, są głównie danymi o wilgotności SM, mierzonymi

bezpośrednio, lub danymi ze stacji meteorologicznych własnych –

zwłaszcza temperatura gleby (powierzchniowe i w profilach), oraz dla powietrza

(w profilu do 2 m). To są dane o najwyższej wadze dla wyniku wyjściowego modelu.

Natomiast dane LAI, fAPAR, o zmienności głównie sezonowej, mają być

czerpane z obserwacji ENVISAT-MERIS (optycznych), albo z gotowych banków

danych dla kontynentu Europejskiego. Podobnie jest z wymaganiami dla danych

glebowych. Dane glebowe, tekstura czyli skład granulometryczny, są zasadniczo

niezmienne. Model CMEM wymaga bardzo grubej oceny składu granulometrycznego

(sand (piasek), clay (ił), silt (pył) – wystarczą dwa pierwsze składniki), ale

trzeba go podawać w rozkładzie przestrzennym. Źródeł takich danych w kraju jest

wiele, lecz bywa, że są one trudno dostępne, bo czasem nie kompletne, albo nie

opracowane cyfrowo, a najczęściej pozornie „za dokładne”, jak na przykład klasyfikacje

rolne gleb dla potrzeb zarządzania w rolnictwie. Klasyfikacje rolne gleb

są pozornie wysoko rozdzielcze, w sensie liczby klas i podziałów terenowych, ale

dotąd niewiele powstało zestawień regionalnych zgromadzonych i udostępnianych

publicznie ze wspólnego banku. Taki bank danych glebowych kontynentalnych,

istnieje w JRC, lecz reprezentacja Polski jest w nim niespójna z obszarami

spoza Polski.

Z punktu widzenia projektu SWEX, dla wykorzystania modelu CMEM do walidacji

SMOS, powinno wystarczyć rozróżnianie elementarnego składu (sand,

clay) w rozdzielczości 1 km (piksel SMOS 35×35 km). Jeżeli takich danych nie

będzie, dla zadawalająco dużego obszaru wokół miejsca testowego, to takie dane

będą dostępne badaczom bezpośrednio w ich zasobach danych, w zasięgu węższym,

wokół ich miejsc testowych. Wtedy, do modelu CMEM będziemy wpro-

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 119

wadzać wartości własne, i utrzymywać je stałymi dla obszaru wybranego piksela

SMOS. Może okazać się, że takie dane nie zróżnicowane dla dostatecznie wielkiego

obszaru, będą lepsze od danych z obcych źródeł, bo je uzyskano w konkretnym

terenie, z krytyczną oceną badaczy. Podobnie będzie z innymi zmiennymi

wejściowymi, jeżeli np. jakieś dane radiacyjne (LAI, fAPAR) okażą się tymczasowo

niedostępne dla aktualizacji bezpośredniej. Wtedy trzeba będzie użyć

danych z banków kontynentalnych, nawet w skali i rozdzielczości dużo większej

niż pomiary własne, bo dane środowiskowe w bankach danych, są aktualizowane.

Oznacza to, że dane importowane, mogą okazać się stałymi w skalach lokalnych,

lecz aktualizowanymi w czasie. Model CMEM jest wygodny dlatego, że nie wiąże

użytkownika koniecznością tworzenia wielkiego zobrazowania. Można go

wykorzystywać ze stałymi, w skali własnej, a potem z danymi importowanymi w

skalach szerszych, a cały ciężar wymagań na tworzenie zobrazowania, pozostawiać

w gestii użytkownika, dla przygotowania danych wejściowych i wyjściowych

tak, aby zobrazowanie uzyskiwać innymi narzędziami. Do tego trzeba jednak

danych, i meta-danych, przygotowanych zgodnie ze standardami tych narzędzi

obrazujących. CMEM ma służyć potwierdzaniu wiarygodności danych naziemnych,

przez porównywanie efektu ich użycia w postaci temperatury jasności

BT, do temperatury jasności BT uzyskanej przez instrument SMOS, z orbity.

Cel walidacji SMOS (piksel 35×35 km), z pewnością będzie gubił wiele

szczegółów w zobrazowaniach z powodu meso-skalowego, a nawet globalnego

charakteru ocen końcowych. Walidacja musi jednak obywać się dla wartości

zmiennych w miarach absolutnych tzn. w Kelvinach. Każda obserwacja zdalna, a

SMOS w szczególności, bo daje zobrazowanie interferometryczne, jest spójna

przestrzennie, lecz za cenę wzrostu niepewności w miarach wartości absolutnych,

i dlatego musi być walidowana. Każda misja obserwacji Ziemi, ma swój rutynowy

program walidacyjny.

Przy obecnym doświadczeniu z pomiarów naziemnych na Polesiu, można powiedzieć,

że wybór miejsc testowych – na Krowim Bagnie i na Bagnie Bubnów

był celowy, i słuszny. Tego potwierdzenia poszukiwaliśmy na zdjęciach radarowych

ASAR, i potem będziemy poszukiwać na zdjęciach SMOS. Te miejsca powinny

być właśnie w „samorodnych jądrach wilgotności” w regionie. Zdjęcia

ASAR wydają się to potwierdzać. Zdjęcia optyczne MERIS – nie, dlatego że są

wynikiem obserwacji optycznej, tzn. mniej wrażliwej na wodę, za to bardziej

wrażliwej na zmienne wegetacyjne NDVI, LAI, fAPAR, uzyskiwane z analiz

spektralnych (Rys. 51).

120

B. USOWICZ, W. MARCZEWSKI I IN…

Rys. 51. Wycinek zdjęcia optycznego MERIS z regionu Polski wschodniej, z dnia 2 kwietnia 2009,

tzn. z pory początku wegetacji, instrumentem ENVISAT-MERIS. Analizowano je procesorem

TOA_VEG, a przedstawiono w kombinacji RGB, dla zmiennych (R=LAI, G=fCover, B=LAIxCab),

Na zdjęciu zaznaczono trzy obszary ROI (Research Of Interest), które dalej porównywano w różnicach

tych zmiennych środowiskowych, na podstawie rozproszenia zmiennych, na Rys. 59.

Konfrontacja zdjęć MERIS i ASAR, ze skalą i rozdzielczością przyszłych

zdjęć SMOS, skłania do zweryfikowania poglądu na posługiwanie się rozkładami

wilgotności naziemnymi i satelitarnymi. Dotąd uważaliśmy, że walidacja musi

prowadzić do stopniowego poszerzania skal, i uzgadniania rozkładów przestrzennych

wilgotności. Ten pogląd był inspirowany z jednej strony rozpiętością skal, a

z drugiej ograniczeniami tego co można zrobić dla rozkładów przestrzennych

bezpośrednio na Ziemi, lokalnie, aby skonfrontować wynik uzyskany ze SMOS,

w rozdzielczości pikseli 35 km.

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 121

Rys. 52 Zdjęcie polskiej części Polesia, instrumentem ENVISAT-ASAR, z 30 sierpnia 2008. Zdjęcie

sklasyfikowanego metodą Wisharta, programem PolSARpro [42, 115] (dla dwóch kanałów

polaryzacyjnych HH/VV), w 16 klasach, tak aby klasy 1-11 stanowiły szereg o wilgotności podłoża

malejącej, od wód otwartych, do klas miejskich. Klasy 12-16 wydzielono dla obszarów leśnych, do

odrębnego wyznaczania objętościowej zawartości wody, zależnie od objętościowej gęstości masy,

biomasy, i innych zmiennych ECV (do ustalenia jako przedmiot walidacji).

122

B. USOWICZ, W. MARCZEWSKI I IN…

Rys. 53. Zdjęcie ASAR-APP Podlasia, w okolicach Trzebieszowa (z 17 lipca 2003), po klasyfikacji

intensywnościowej Wisharta, programem PolSARpro [42, 115]. Znaczenie klas jest takie samo jak

na Rys. 52. Klasy są zapisem przestrzennym wzoru rozkładu wilgotności w terenie, który zachowuje

swoją aktualność dla analogicznej pory roku. Wzór ten ma służyć wytworzeniu 16 masek, przez

które będą poddawane ocenom aktualne zdjęcia ENVISAT-MERIS. Przestrzenny zapis wzoru

klasyfikującego może być uaktualniany, w miarę dostępności aktualniejszych zdjęć ASAR. Maski z

ASAR są dokładniejsze od przestrzennego zapisu klas na podstawie MERIS, i do tego niezależne

od zachmurzenia. Klasy będą walidowane zdjęciami MERIS, i pomiarami naziemnymi. Barwy na

rysunku, są arbitralne, a klasy służą interpretacji tylko wartościami indeksów, od 1 do 16-tu. W tle

podstawiono model elewacji tereny SRTM.

Pokonaniu rozpiętości skal mają służyć kolejno, zdjęcia ASAR (rozdzielczość

nominalna 15 m, w klasyfikacjach 100-150 m), a potem zdjęcia MERIS (rozdzielczość

nominalna 300 m, z wykorzystywanie klasyfikacji ASAR) (Rys. 51,

52, 53). To są rozdzielczości jeszcze nie porównywalne do SMOS (35 km). Jednak

inne dane środowiskowe do walidacji, pochodzące z innych źródeł, mają

rozdzielczości około 1 km, a niektóre nawet 10 km. Taki wybór instrumentów

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 123

MERIS, i ASAR, wynika z oferty dostępu do danych ESA, w projekcie SWEX, i

stwarza szansę na stopniowe pokonywanie rozpiętości skal.

Ta koncepcja powstała z inspiracji praktyką dezagregacji piksela SMOS, przez

wypełnianie go bardziej rozdzielczą treścią z innych źródeł. Rozkłady określane z

danych SMOS powinny osiągać zgodność z siecią hydrograficzną i morfologią.

Tymczasem na zdjęciach bardziej rozdzielczych, też taka zgodność jest dobrze

widoczna, i stąd pomysł stopniowania skali rozkładów i ich uzgadniania.

Inne projekty w SVRT, postępują podobnie. Zobrazowania pikselami 35 km

dają bardzo niewiele szczegółów, więc trzeba je odzyskiwać „fuzją danych”,

również przy zaangażowaniu technik GIS i regionalnych modeli hydrologicznych

(np. SWAT [135], i innych). Wtedy mogą powstać produkty obserwacji SMOS,

wzbogacone o szczegóły, i jako takie łatwiej znajdujące odbiorców. Do tego podejścia

inne projekty angażują wielkie zespoły naziemne, wykonują olbrzymią

pracę terenową, wspomaganą dziesiątkami i setkami stacji naziemnych, i zautomatyzowanych

systemów obserwacji bezpośrednich.

SMOS ma kilka takich kampanii naziemnych, zwanych kluczowymi – w

Hiszpanii, w Niemczech, Francji, w Stanach Zjednoczonych, i Australii. Mają one

znaczenie kluczowe dla walidacji. Są jednak dwa inne obszary testowe, nadrzędne,

lecz nie dla walidacji, a dla kalibracji instrumentu SMOS. To „stabilny obszar

zimny” na Antarktydzie, z wielką Europejską stacją stałą, prowadzoną przez

Włochów, i „stabilny obszar gorący”, na pustyni Taklimakan, z międzynarodową

kampanią naziemną w Azji. Antarktyda jest rewizytowana przez SMOS, 14 razy

na dobę, i tam odbywa się podstawowa kalibracja środowiskowa na Ziemi. Poza

Ziemią, SMOS bierze do kalibracji szum galaktyczny, i Księżyc. W obszarach

kluczowych dla walidacji, w Europie, i w Australii, pomiary naziemne są wspomagane

pomiarami radiometrycznymi z poziomu lotniczego.

W Polsce, projekt SWEX, nie może liczyć na stosowanie kosztownych obserwacji

lotniczych. Partnerzy SWEX są nieliczni, rozproszeni po kraju. Kraj jest

bardzo różnorodny pod względem typów krajobrazów. Potencjalne możliwości

zespołów polskich są ograniczone, a wyposażenie i zdolności asymilacji danych

globalnych, trzeba dopiero rozwijać. Do tego obszar Polski jest słabo reprezentowany

w bazach danych kontynentalnych. Są dane CORINE [25], i glebowe JRC

[63], ale to dane stałe. Dane szybko zmienne dla Polski muszą pochodzić ze źródeł

meteorologicznych (Eumetsat LSA SAF [43]), i innych [44], w skalach około

10 km. Te źródła aktualizują swoje najszybciej zmienne dane nawet co 15 minut,

i mają wielką wartość dla walidacji SMOS. Wymaga się pewnej biegłości w posługiwaniu

się bazami danych, i ich wieloma standardami formatów, i dedykowanych

narzędzi. Nasze zdolności są w tym zakresie ograniczone, i nie możemy

aspirować do roli obszaru kluczowego w walidacji SMOS. Tym bardziej nie

124

B. USOWICZ, W. MARCZEWSKI I IN…

można liczyć na zainwestowanie dużych środków unijnych dla intensywnej walidacji

SMOS, w Polsce.

Polska jest jednak krajem na tyle dużym, aby wyniki z tego obszaru były pożądane

dla walidacji SMOS. Dlatego przyjęto koncepcję monitorowania kilku (9-

ciu) miejsc testowych, a nie obszaru. Trzeba zaznaczyć, że monitorowanie odbywa

się tylko w okresach kampanii Cal-Val, nie permanentnie. Stale pracują tylko

stacje obserwacyjne, lokalnie. Stąd też pochodziła nasza koncepcja początkowa,

uzgadniania rozkładów przestrzennych różnych skal, i rozszerzania ocen – walidacyjnych,

na obszar Polski. Walidacja, to jednak zadanie służebne i incydentalne

dla misji SMOS. A wykorzystywanie danych SMOS, to zadanie zupełnie różne,

też służebne ale względem wszystkich potencjalnych użytkowników danych – dla

nas, w Polsce.

Koncepcja uzgadnianiu rozkładów przestrzennych, w skalach: – lokalnej, małej

skali regionalnej, i krajowej, w trakcie realizacji projektu, uległa jednak rewizji.

Uzyskiwane rozkłady własności środowiskowych, z MERIS i ASAR, są

wprawdzie dobrze zgodne z morfologią, i siecią hydrograficzną, ale słabo zgadzają

się z rozkładami wyznaczanymi na Ziemi, w pomiarach bezpośrednich. Nawet

trudno mówić o ich uzgadnianiu. Tym bardziej, że liczba dostępnych zdjęć ASAR

jest niewielka, daty mało reprezentatywne dla zmian sezonowych, a cały zamiar –

uzgadniania rozkładów, ma słabe podstawy statystycznej reprezentacji, zarówno

na dostępnych zdjęciach satelitarnych, jak i w bezpośrednich pomiarach na Ziemi.

Próby takiego uzgadniania rozkładów wilgotności gleb, pomiędzy danymi naziemnymi

a danymi ASAR, wypadały mało zachęcająco.

Trochę lepiej jest z wielkoskalową oceną zmiennych środowiskowych ze

zdjęć MERIS/MODIS, ale te obserwacje są akurat mniej wrażliwe na wilgotność.

Związki z wilgotnością są pośredniczone przez inne oceny środowiskowe.

Przyczyna rewizji poglądu na uzgadnianie rozkładów ma charakter statystyczny.

Każdy rozkład wilgotności, lub innej zmiennej, ma charakter zapisu chwilowego

(temporary), związanego z czasem zebrania danych. Pomiary naziemne,

zwłaszcza obsługiwane przez człowieka, są wykonywane raz, dwa, lub trzy razy

w roku, w różnych porach roku, przez jeden dzień lub kilka dni, a procesy zmienności

postępują niezależnie. Permanentne obserwacje są prowadzone tylko w

nielicznych stacjach. Dysponowane zdjęcia satelitarne są też nieliczne, i to niekoniecznie

w czasie zsynchronizowanym z pomiarami naziemnymi – z przyczyn

niezależnych. Nie ma zgodności czasowej, i nie ma równoważności między czasowym

pokryciem tego samego przedziału czasu danymi pobieranymi często. Nie

można mieć często wykonywanych zdjęć satelitarnych dla badań środowiskowych.

Inaczej będzie ze SMOS, bo będą rytmiczne. Podobnie bywa z innymi

skanowaniami globalnymi Ziemi, ASAR (Wide Swath), i MERIS, w programach

globalnych. Te jednak są bardzo nisko rozdzielcze, a ASAR WS pracuje tylko w

jednej polaryzacji.

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 125

Powód statystyczny, dla którego trudno uzgadniać obserwacje lokalne z mesoskalowymi,

ma również charakter statystycznie merytoryczny. Każdy rozkład

przestrzenny lub czasowy, należy czytać jako rozkład prawdopodobieństwa, że

dana zmienna przyjmuje wartość bieżącą, jaką „zaobserwowano obliczeniowo”,

tzn. interpretacyjnie. Ta wartość zależy bowiem i od rozkładów statystycznych

błędów w danych (zawsze obecnych), ale i od warunków analizy statystycznej, w

jakich prowadzono ocenę. Wynik zależy, w pewnym zakresie, od wyboru drogi

interpretowania, pomimo jej pełnej poprawności. Jeżeli mamy uzgadniać rozkład

z danych naziemnych, i ze zdjęć ASAR, to nie ma mowy o zachowaniu tych samych

warunków analizy statystycznej, bo metody stosowane do tych dwóch różnych

typów danych, różnią się jednak znacznie. Statystyka jest wspólna, ale jej

metody są niezupełnie równoważne.

Wiadomo, że wynik SMOS może wymagać korekty wartości absolutnej, bo

taka jest cena sięgania po wybór niskiej częstotliwości obserwacji (1,4 GHz), i

cena za wybór metody zobrazowania interferometrycznego przy ograniczeniach

apertury antenowej. Ta cena, powoduje niepewność wartości absolutnej, nie zależny

od tego czy SMOS będzie obserwował ten czy inny ekosystem na Polesiu,

Biebrzy, lub Żuławach. Instrument jako taki nie prowadzi rozróżnień w klasach

krajobrazowo-środowiskowych. Natomiast interpretacja walidująca – tak, musi

prowadzić takie rozróżnienia.

Wniosek o porzuceniu zamiaru uzgadniania rozkładów, na rzecz dbałości o

istotność miejsc testowych, jest zgodny z dyskusją w rozdziale na temat występowania

samorodnych jąder wartości danych uprzywilejowanych statystycznie.

Prawdopodobieństwo określania miejsca o dużej wilgotności, jest większe niż dla

miejsca o małej wilgotności. Są takie miejsca statystycznie uprzywilejowane, tym

że usprawiedliwiają to procesy odpływu, i retencji, dodatkowo uwarunkowane

pokryciem roślinnym. Tam walidacja obserwacji SMOS może być bardziej wartościowa.

Nie można stosować arbitralnego kryterium wymagania zgodności rozkładów

przestrzennych w obszarze, a trzeba wyróżniać lokalizację tych miejsc

uprzywilejowanych i do nich dowiązywać korekcje. Incydentalne nawet zdjęcia

ASAR, mogą dostarczać wzorców rozkładów, które potem muszą być miejscowo

dowiązywane do pomiarów naziemnych. Taka sama zasada ma odnosić się do

walidowania danych SMOS. Wiarygodność dowiązania będzie tym większa, im

więcej uwarunkowań środowiskowych zostanie wzięte do oceny w skali ponad

lokalnej, dla wypracowania wartości referencyjnej oczekiwanej na Ziemi, w rejonie

testowym.

Takie miejsca na Polesiu zostały wybrane na tych bagnach Krowie Bagno, i

Bagno Bubnów, mimo że za wyborem przemawiało tylko doświadczenie i znajomość

regionu, a nie uzasadnienie statystyczne. To uzasadnienie można dopiero

udokumentować wynikami z zastosowań modelu emisyjności gleby CMEM, stosowanego

w tym projekcie.

126

B. USOWICZ, W. MARCZEWSKI I IN…

Zespół, który przygotował model CMEM, przy ECMWF [33], i podał model

do otwartego użytkowania publicznie, rozstrzygnął w nim o hierarchii rozróżnianych

klas środowiskowych i ich gradacji, stosownie do ich głównych parametrów

charakteryzujących – SM, LST (Land Surface Temperature, T2 (Temperatura na

2 m wysokości, LAI, fAPAR, i szereg innych. Jest to pewna hierarchia istotności

warunków, dla obserwacji SMOS. Sam podział obszarów na klasy jest zasadniczo

stały, przynajmniej przy 3-4 dniowym rewizytowaniu miejsc na średnich szerokościach

geograficznych przez SMOS. Użytkownikowi pozostaje czynić rozróżnianie

pokrycia klasami, aktualizacja ich gradacji przy wprowadzaniu danych, oraz –

pełna swoboda ingerowania w modele elementarne emisyjności dla poszczególnych

klas, a nawet rozwijanie ich jeżeli znajdą się po temu dobre powody. Bez tej

hierarchii klas, i ich wyboru, użytkownik byłby zmuszony do czynienia własnych

„odkryć”, by poznać które typy zmiennych mają większą, a które niższą wagę w

wyniku SMOS w miarach jasności BT.

Rozkład BT, dla Polski, pokazany na Rys. 50, ma świadczyć zaledwie o tym,

że model CMEM pracuje w naszym projekcie funkcjonalnie poprawnie, a wiarygodność

jego wyniku będzie zależała od wiarygodności danych wejściowych.

Praca walidacyjna ma polegać na ustalaniu tej wiarygodności przez ćwiczenie

wariantów wykorzystywania CMEM, i przez poszukiwanie innych świadectw

niezależnych na wiarygodność danych wejściowych.

Możliwości wykorzystywania obserwacji SMOS dla celów badań

środowiskowych

SMOS powołano do badania ilościowych miar w wymianie wody między lądami

i oceanami, a atmosferą – dla potrzeb globalnego monitorowania zmiany

klimatu. System globalnej cyrkulacji wody jest jednak bardzo złożony, i bogaty w

różnorodnych zjawiskach atmosferycznych oraz formach materii na powierzchni

Ziemi. Rozróżnianie 216 klas ekosystemów w modelu CMEM jest już pewnym

bogactwem odpowiadającym potrzebom. Skala piksela 35 km jest bardzo gruba,

jak na nasze potrzeby na Ziemi w skalach zjawisk obserwowalnych bezpośrednio.

Trzeba jednak uznać, że obserwacje naziemne – w wielu miejscach, wieloma

środkami, przy zmieniających się technologiach w dużych skalach czasu, najsłabiej

radzą sobie z wyciąganiem wniosków i ocen regionalnych, i ponad regionalnych.

Użyteczność obserwacji naziemnych bezpośrednich jest mocno ograniczona,

i uwarunkowana statystycznie. Dla ocen regionalnych, piksel zobrazowania

35 km (przy paśmie obserwacji do 1000 km), to jednak rozdzielczość nie za gruba,

a pomocna w ocenach statystycznych.

Powierzchnia Ziemi, i kraju jak Polska, jest tak bardzo różnorodna w wielu

aspektach środowiskowych i fizycznych, że ocena materiału danych bardzo wysoko

rozdzielczych przysparza trudności nie tylko warsztatowych (matematycz-

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 127

nie) lecz i stwarza wyzwania koncepcyjne (intelektualnie) w pojmowaniu wartości

uzyskiwanych ocen. Stosunkowo łatwo przychodzą miary wielkości przeliczalnych

obiektami, jak liczebność obiektów czy populacje gatunków. Miary

wielkości materialnie nie przeliczalnych jak bilans wody, energii, przychodzą

znacznie trudniej, zwłaszcza gdy przedmiot oceny – woda, jest zaangażowany we

wszystkie formy materii żywe i nie ożywione. Wtedy koniecznym jest posługiwanie

się wieloma – zmiennymi, i modelami. Ocena SM z danych SMOS będzie

ostatecznie jednoaspektowa, ale znaczenie jej będzie miało charakter integrujący

różnorodność środowiska, przynajmniej w stopniu podstawowym.

Z tego powodu, uważamy że wyniki obserwacji SMOS mogą mieć wielkie

znaczenie dla różnych dziedzin badania środowisk ekologicznych na Ziemi, które

respektują i potrzebują ocen związków czynnika wodnego zresztą zmiennych

charakteryzujących środowiska i dynamikę ich zmian.

Model CMEM jest tylko zbiorczym narzędziem pomocniczym, danym użytkownikom

do pomocy w zadaniu walidowania obserwacji SMOS. Sam system

instrumentu SMOS i system wytwarzania i dystrybucji danych nie będą rozróżniać

klas środowisk, ani używać modelu CMEM. CMEM transformuje wiele

zmiennych środowiskowych w uporządkowaniu przestrzennym, do wielkości

instrumentalnie obserwowanej – BT. Natomiast cel obserwacji SMOS, wymaga

użycia modelu odwrotnego, transformującego wynik obserwacji instrumentu BT

na wielkość zmiennej docelowej SM. Ta transformacja nie będzie dokonywana

przez użycie wielu tych samych modeli elementarnych, ale odwrotnych, jakie

muszą być użyte przy walidacji. Ta transformacja jest dokonywana fizycznie, i

statystycznie przez sensory instrumentu. Podkreślić trzeba zwłaszcza aspekt statystyczny

bo na innej drodze, jest on bardzo trudno osiągalny a bywa niepewny.

Użytkownik danych nie będzie musiał trudnić się wielością modeli emisyjności,

jak wykonawca zadań walidacyjnych. Wynik obszarowej oceny zawartości wody,

z danych SMOS, pozostanie jednak wyzwaniem do wysiłków interdyscyplinarnych,

jakie bez tego wyniku nie znajdowały dotąd należytych podstaw.

Przykładowo, możemy przypuścić, że badania warunków występowania susz

rolniczych, jakie miały bardzo wątłe podstawy w danych meteorologicznych, i w

Polsce, i w krajach bardzo wysoko rozwiniętych, zyskają nowe szanse dla zaprzeczenia

dotychczasowym wnioskom. Możliwe, że ten problem zacznie być rozważany

koncepcyjnie inaczej.

Uważa się również, że bardzo ważny problem oceny bioróżnorodności ekosystemów,

który dotąd bywa marginalizowany wbrew opiniom i decyzjom środowisk

naukowych, może zacznie być stawiany w ściślejszych związkach z metodami

badań środowiskowych satelitarnych. W tych dziedzinach zrobiono wiele,

mimo że w obserwacjach zdalnych można rozróżnić („widzieć”) mniej niż z bliska.

Dzięki technikom spektralnym można jednak wiedzieć więcej o złożoności

procesów, a w konsekwencji wykorzystywania właściwych metod statystycznych

128

B. USOWICZ, W. MARCZEWSKI I IN…

– oceniać lepiej. Każda technika obserwacji środowiskowych Ziemi podejmuje

wyzwania związane z różnorodnością, a ich finał jest zawsze statystyczny.

Poznanie natury zmienności przestrzennej wyrażonej poprzez mapy właściwości

fizycznych i cieplnych gleby jak i określonych współzależności pomiędzy

nimi pozwoli na porównanie pikseli o określonych wymiarach otrzymanych raz z

pomiarów naziemnych westymowanych czy to metodą krigingu, czy kokrigingu z

pikselami podobnymi otrzymanymi z pomiarów satelitarnych. Zarówno dane

naziemne estymowane, jak i dane otrzymane z pomiarów z poziomu satelity muszą

być ze sobą zgodne w tym samym układzie współrzędnych geograficznych.

Kwestia tej zgodności jest pozornie prosta, natomiast rozmaitość formatów danych

z różnych źródeł, i ich zawartości, wymagają sprawnego posługiwania się

standardami właściwymi bazom danych, i wykorzystywania uznanych praktyk w

posługiwaniu się meta-danymi (dane o danych).

Zadania walidacyjne w SMOS wymusiły na wykonawcach przyswojenie kilku

takich standardów, i świadectwem tego mają być wstępne rezultaty oceny emisyjności

BT, dla Polski, pokazane na Rys. 50. Tak przygotowane dane będą stanowiły

bazę danych do porównań, jak i dalszych analiz.

Uzyskane wyniki analizy zdjęć satelitarnych

Potrzebne do walidacji SMOS dane naziemne, to: – SM (wilgotność gleb),

LST (Land Surface Temperature), ale i – Tp (temperatura gleby w profilu podpowierzchniowym),

oraz Ta2 (temperatura powietrza w profilu nad powierzchniowym

do 2 m), oraz cały szereg danych środowiskowych (meteo) i wegetacyjnych

pozwalających na weryfikację pokrycia terenu, którą uzyskuje się ze zdjęć satelitarnych

optycznych i mikrofalowych.

Ten szereg danych jest znany z listy zmiennych wejściowych dla modelu

CMEM. Na tej liście są również parametry własności elektrycznych i geometrycznych

(przenikalność dielektryczna, nierównomierność powierzchni (Surface

Roughness)), które wiążą się ściśle i z wodą i z metodą pomiaru instrumentu

SMOS. Przenikalność dielektryczna jest wykorzystywana w walidacji na podstawie

bezpośredniego pomiaru wilgotności TDR, i podobnie jak silnie warunkuje

zarówno odbicie radarowe, w warunkach oświetlania, tak warunkuje i emisję

szumu naturalnego z gleby. Przyczyna leży w mocno niesymetrycznej budowie

molekuły wody, która łatwo oddziaływuje z polem elektromagnetycznym.

W IA PAN jest bogate doświadczenie naukowe i techniczne związane z podstawami

fizycznymi metody TDR, z budową instrumentów TDR, i z wykorzystaniem

modeli fizycznych potrzebnych do interpretacji tych pomiarów. To jest duży

i poważny dorobek naukowy IA PAN, zapoczątkowany przez prof. M. Malickiego

jeszcze w latach 80-tych.

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 129

B. Usowicz, IA PAN, rozwinął swoją metodę modelu fizyczno-statystycznego

dla modelowania własności cieplnych gleb, a ten model znalazł wiele uznanych

przedłużeń, między innymi do modelowania własności dielektrycznych gleby, w

związku z zawartością wody. Ten model włączono do wykorzystania w tym projekcie

dla celów walidacji SMOS, i dla przygotowania danych przestrzennych o

stałej dielektrycznej, na Ziemi dla modelu CMEM.

Model CMEM jest narzędziem kompleksowego organizowania i wykorzystywania

danych do walidacji. Natomiast model B. Usowicza jest modelem fizyczno-statystycznym

podstawowym, do krytycznego opracowania danych i nadawania

im kontrolowanej wiarygodności. Są zamiary, i możliwości, włączenia modelu

fizyczno-statystycznego Usowicza, do modelu CMEM, w ramach tego programu

współpracy ze SMOS. Sam instrument SMOS nie potrzebuje modelu przenikalności

gleby jak i modelu CMEM, bo tylko rejestruje efekt pomiaru w postaci

zmiennej BT, podobnie jak nie będzie potrzebował tych modeli użytkownik danych

SMOS. Użytkownik będzie posługiwał się algorytmem przetwarzania BT na

SM, jaki ostatecznie wypracuje i uzna SMOS na podstawie walidacji. Modele są

jednak niezbędne w przeprowadzeniu walidacji.

Jeżeli przenikalność dielektryczna jest niedostępna w prowadzonych badaniach

miejscowych, a bywa rzadko stosowana bezpośrednio przez badaczy środowiska,

to jest ona możliwa do pozyskiwania z innych źródeł danych niezależnych

od SMOS, np. ze zdjęć radarowych ASAR. I tym tematem zajęto się również

w IA PAN, opracowując sposoby weryfikacji modelu przenikalności przez

konfrontację wyników z obserwacjami SMOS i ASAR.

Zasadnicze różnice między zdjęciami radarowymi (ASAR) i radiometrycznymi

(SMOS) polegają nie na różnych rozdzielczościach (odpowiednio 15 m i 35

km), ale na różnej i komplementarnej wartości obserwacyjnej, ze względu na

zdolność do wykrywania reakcji fali EM (Elektro Magnetycznej) z wodą. Obie

metody silnie reagują odpowiedzią instrumentu na wodę, z tej samej przyczyny –

nie symetrii molekuły wody. Różnica leży w użyteczności skutków, i zasadniczo

sprowadza się do dwóch efektów. Pierwszy to efekt komplementarności metod.

Jedna metoda, radar, musi mieć obiekt silnie oświetlony aby badać odbicie w

dobrych warunkach sygnału do szumu. Druga metoda, radiometr, nie korzysta z

oświetlenia „sztucznego” (własnego), lecz bada jak obiekt obserwowany emituje

szum, lub „świeci samoistnie” (szumi). Radiometr SMOS pracuje na częstotliwości

mikrofalowej 1.4 GHz, niskiej, tzn. w zakresie widmowym gdzie gęstość

promieniowania emitowanego (według prawa Plancka) jest coraz niższa, z malejącą

częstotliwością obserwacji. Oznacza to, że radiometr pracuje przy niskim

stosunku sygnału do szumu. Do tego, SMOS stosuje technikę interferometryczną

– zaczerpniętą z radioastronomii, dla wydobywania sygnału właściwego spod

poziomu szumów własnych systemu instrumentu. Tymczasem radar ASAR, pracuje

na częstotliwości 4-krotnie większej, tzn. że jest zdolny do objęcia obserwa-

130

B. USOWICZ, W. MARCZEWSKI I IN…

cją warstwy cieńszej niż SMOS, z powodu zależności głębokości optycznej od

częstotliwości.

Komplementarność zasad obserwacyjnych przynosi korzyści, bo to co jest gorzej,

albo tylko – inaczej obserwowane radarem, jest inaczej obserwowane radiometrem.

Inaczej, tzn. przy innym udziale szumów, i innych źródłach błędów, i w

tym jest komplementarność.

Różnica częstotliwości determinuje głębokość optyczną na jaką wnika promieniowanie

EM, a więc grubość warstwy gleby pod obserwacją, dla obserwowania

powierzchni lądów. SMOS może oceniać zawartość wody w warstwie

podpowierzchniowej płytkiej (około 5-10 cm, zależnie od zawartości wody), ale i

tak wielokrotnie grubszej niż ASAR. SMOS obserwuje warstwę o nienasyconej

zawartości wody. Zawartość wody w warstwach nasyconych (strefa korzeniowa,

wody gruntowe), stale warunkuje stan warstw nienasyconych wodą, ale przez

procesy wymiany wody w glebie, pozostające poza zasięgiem obserwacji SMOS.

SMOS wykonuje „zdjęcie chwilowe”, procesy postepują w rytmie dobowym, i

dłuższych, a następne zdjęcie przychodzi dopiero po 3-4 dniach. Gleba działa

fizycznie (i statystycznie) integrując efekty, a procesy transportu masy są stosunkowo

wolne. Jeżeli są one szybkie, np. po opadzie i przy silnym nasłonecznieniu,

to za 3-4 dni można liczyć tylko na efekt sumaryczny wszystkich wydarzeń fizycznych

i atmosferycznych tego przedziału czasu. Zdjęcie chwilowe, jest zapisem

stanu zintegrowanego, zawierającym różnorodność zdarzeń, reakcji i procesów

na wielkim obszarze, w domenie przestrzennej, i bez rozróżniania rozmaitości

klas pokrycia terenu. Zarówno instrument SMOS, jak i gleba, działają integrująco,

lecz w innych domenach. Procesy naturalne w obu – i w czasie, i w przestrzeni

zobrazowania, a proces obserwacji – tylko w przestrzeni. Zależności czasowe

pozostają do interpretowania z danych (zdjęcia SMOS). To są te środki

integracyjne, które zapewniają spójność obserwacji – konfiguracyjnie, a którymi

nie dysponuje badacz naziemny, wykorzystujący pomiary bezpośrednie. W badaniach

naziemnych trzeba zabiegać o integrację nakładem pracy interpretacyjnej,

przy coraz słabszych podstawach do integracji. A przestrzenna spójność metody

obserwacji SMOS, jest w istotny sposób wzmocniona technicznie interferencyjną

zasadą tworzenia zobrazowania. Instrument SMOS nie skanuje obszaru obserwowanego,

linia po linii, w porządku czasowym, lecz rejestruje sygnał odbierany z

obszaru wszystkich pikseli w polu widzenia jednocześnie (i to nie jednokrotnie

lecz w wielu spojrzeniach, z kolejnych pozycji satelity), a potem wytwarza zawartość

każdego piksela przez korelacje każdego piksela z każdym. Wartość każdego

piksela, zawiera więc udział wartości wszystkich innych pikseli w polu widzenia.

Obserwacja jest wykonywana w poszukiwaniu związków stanu zawartości wody,

w przestrzeni na podłożu, które są determinowane procesami fizycznymi transportu

wody. Te związki mają być wykrywane w aspektach trendów, gradientów,

ciągłości, i ich wiarygodność zależy od spójności danych z pola widzenia. Nato-

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 131

miast sama obserwacja jest wytwarzana w sposób możliwie najlepiej zapewniający

spójność przestrzenną na poziomie instrumentu. Błąd w dowolnym pikselu, ma

swój wkład błędu (nie jednakowy) do wszystkich innych pikseli. Ale i wiarygodna

wartość określenia któregokolwiek z pikseli, wnosi swoją wiarygodność do

wszystkich pozostałych. W większości instrumentów do obserwacji satelitarnych

zdalnych, ta troska o spójność w polu widzenia jest sprawowana metodami prostszymi

(np. kalibracje radiometryczne), a jej ciężar przenosi się na interpretację

danych po wykonaniu obserwacji. SMOS robi to w dużej mierze na poziomie

samego instrumentu, i w czasie trwania obserwacji.

Anteny SMOS odbierają szum z różnych głębokości pod powierzchnią, bo

wszystkie warstwy głębokie również promieniują. Jednak promieniowanie z

warstw głębokich jest tłumione przez warstwy przypowierzchniowe, i ma swój

mniejszy udział w sygnale odbieranym. Zdjęcia radarowe ASAR są zdeterminowane

statystycznie daleko lepiej od zdjęć radiometrycznych, a jeśli są wykonywane

na 5 GHz, a nie na 1,4 GHz, to mają lepszą rozdzielczość, o rzędy wielkości.

Dlatego zdjęcia ASAR są bardzo odpowiednie dla wydzielania klas pokrycia

wegetacyjnego, i innego, chociaż są mniej związane z wilgotnością, bo głębokość

wnikania jest odwrotnie proporcjonalna do kwadratu stosunku częstotliwości, w

obu metodach. Dla ośrodków gęstych w znaczeniu gęstości masy, głębokość wnikania

jest zwykle znikoma, zwykle znacznie mniejsza od 1 mm. Za to określanie

geometrii na granicach ośrodków, jest zdeterminowane znakomicie. Ośrodki naturalne

są jednak rzadsze w gęstości masy. Czym innym jest gęstość masy drewna,

a czym innym gęstość objętościowa lasu. Dlatego ośrodki pokrywy roślinnej są

przenikane przez promieniowanie EM (i optyczne), zależnie od transformacji

radiacji w ich objętości i zależnie od częstości występowania granic ośrodków, w

strukturach obiektowych o rozmiarach porównywalnych w długością fali, występowaniem

ich w porządkach okresowych, powodowaniem i dopuszczaniem

udziału odbić wielokrotnych, etc. Ta złożoność struktury, faktury, i tekstury

warstw pokryw roślinnych, ma swoje fizyczne i statystyczne miejsce w modelowaniu,

tzn. w sposobach interpretacji i wykorzystania danych. Efektywnie, istnieje

możliwość określania wilgotności gruntu pod np. pokrywą leśną na podstawie

echa radarowego odbieranego przez przesłaniającą warstwę lasu. Jednak zawartość

wody w objętości lasu również staje się celem obserwacji, bo stanowi o całości

zasobu wody obserwowalnej – w „nienasyconej wodą” warstwie lasu, i w

nienasyconej przypowierzchniowej warstwie gleby. Warstwy nasycone są już

zwykle prawie niewidoczne dla radarów do obserwacji środowiskowych, a jeśli

widoczne to stają się bliskie klasom wód otwartych. Te zaś pochłaniają większość

promieniowania, albo dają echa odwzorowujące np. stan falującej lub wzburzonej

powierzchni wód. Metody radarowe, i radiometryczne, wymagają używania innych

modeli – odpowiednio – odbiciowego, i emisyjnego. Każdy typ ośrodka

pokrycia terenu (klasa) wymaga też różnicowania modeli, aby uchwycić zależno-

132

B. USOWICZ, W. MARCZEWSKI I IN…

ści od tych parametrów jakie je określają w zasadniczych aspektach. Np. modele

emisyjności lasów, w CMEM są bardzo ogólne, i dzielą się najpierw na najgrubsze

typy – tropikalne, borealne. Potem na klasy lasów wysokich i niskich, liściaste,

i iglaste, a dalej różnicują się gęstością biomasy, LAI, fAPAR, i innymi parametrami

środowiskowymi. Podobnie jest z rozróżnianiem klas roślinności nieleśnej.

Tego rodzaju podziały, w istocie generalizujące, nie zasługują na krytykę ich

nieadekwatności do różnych dziedzin badawczych, ale na uznanie celowości ich

podejmowania po to aby uchwycić te własności fizyczne, które są współcześnie

możliwe do obserwacji i modelowania. Wielką zasługą twórców modelu CMEM

jest ich wprowadzenie i uporządkowanie wiedzy o procesach fizycznych i biologicznych,

uchwytnych obserwacyjnie. Inne potrzeby, wykrywania gęstości pokrycia

gatunkami roślin, oceniania występowania siedlisk gatunków flory i fauny,

są też możliwe do zaspokajania odpowiednimi technikami obserwacji spektralnych,

np. metodami hyper-spektralnymi. W tych dziedzinach tworzy się jednak

inne model i środki.

Zdjęcia ASAR można z powodzeniem wykorzystywać do przestrzennie precyzyjnego

wydzielania klas uogólnionych. Klasy pokrycia roślinnego, i ich rozkład,

są to jednak czynniki stałe w regionie – przynajmniej w czasowej skali powtarzania

zdjęć SMOS. Zdjęć ASAR do tego celu trzeba mniej, 1 lub 2 na rok i to

w porze początkowego rozwoju wegetacji. Zdjęć SMOS trzeba wiele, co 3-4 dni,

aby śledzić dynamiczne konsekwencje rozwoju procesów związanych z wodą.

SMOS nie może dać danych o rozwoju procesów biologicznych (ich stanie w

wyróżnionych klasach), i z powodu rozdzielczości 35 km piksela, ale i z powodu

zakresu spektralnego 1.4 GHz. A przecież dynamika rozwoju wegetacyjnego ma

bardzo istotne znaczenie dla rozwoju warunków hyfrologicznych, i musi być śledzona.

Tyle, że to nie zadanie SMOS a zadanie użytkownika danych SMOS, jeśli

jest on zainteresowany związkiem warunków hydrologicznych z procesami biologicznymi.

Do tego musi on wykorzystywać źródła zdalnych obserwacji spektralnych.

W naszym przypadku jest to misja ENVISAT-MERIS.

Procesy wegetacyjne charakteryzuje się wynikami analiz spektralnych (multia

nawet hyper-spektralnych) przy użyciu zmiennych ECV, takich jak NDVI, LAI,

fAPAR, fCover, etc... Analizy spektralne są to postępowania dla ustalania relacji

między wieloma kanałami, więc musi ich być wiele. Analizy elektromagnetyczne

(radarowe i radiometryczne) mają do dyspozycji najwyżej kilka (do 4-rech) kanałów

polaryzacyjnych, na jednej i tej samej częstotliwości, i nie mogą dać informacji

podobnej do indeksów wegetacyjnych NDVI, LAI, fAPAR, fCover. Mogą dać

za to lepszy związek bezpośredni z wodą (w obserwacjach optycznych jest on

odległy poprzez modele, a więc drogą okrężną), i nadzwyczaj wysoką precyzję

przestrzenną, nie mówiąc już o praktycznej niezależności od warunków zachmurzenia.

Wszystkie te techniki obserwacyjne muszą się uzupełniać, i być wykorzystywane.

Łączą je nadrzędne cele obserwacji środowiskowych, i absolutnie nad-

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 133

rzędna potrzeba wykorzystywania prostych i wysokich metod statystycznych.

Niektóre doświadczenia z użytkowania metod statystycznych przenoszą się z

dziedziny polarymetrycznej do spektralne, i odwrotnie, a niektóre pozostają właściwe

wyłącznie jednej z tych dziedzin. Nie można jednak obyć się metodami

statystycznymi wyłącznie prostymi. W tym jest chyba największa przeszkoda dla

wielu nowych użytkowników narzędzi do przyswajania obserwacji satelitarnych i

stosowania ich w praktyce.

Stosownie do częstotliwości, współczynnik odbicia σ 0 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

B. USOWICZ, W. MARCZEWSKI I IN…

a)

b)

c)

28 km

Rys. 54. Geolokowane zdjęcie ASAR APP HH/VV: a) dane surowe, kalibrowane, b) dane filtrowane,

z wielokrotnym spojrzeniem (Multilooking ML3), c) powiększenie obszaru badań zdjęcia filtrowanego

b). Wybrane pola testowe do geostatystycznej analizy stałej dielektrycznej, zaznaczono

prostokątami (od północy obszar Krowiego Bagna, od południa obszar Bagna Bubnów).

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 135

Rys. 55. Ten sam przykład zdjęcia po filtracjach, uwidacznia możliwość rozróżniania klas, pomimo

ograniczonej dynamiki współczynnika odbicia, tu w mierze logarytmicznej zaledwie około 10dB

(legenda)

Na Rys. 54, 55 pokazano rezultaty stosowania wyłącznie filtracji zdjęć. Lasy

dają duże odbicie, widać je jasno. Obszary wilgotne pochłaniają fale sondującą

radaru, są ciemne a wody otwarte zupełnie czarne. Zdjęcia ASAR mają strukturę

ziarnistą, bo ziarna są wynikiem złożonego, wielokrotnego odbijania fal i ziarna

(speckle) są złożeniem składowych o różnie zmienionym stanie polaryzacji. Nominalny

rozmiar piksela ASAR jest 12,5 m, ale z powodu ziarna rozdzielczość

zdjęcia jest około 30 m. Zdjęcia surowe są nisko kontrastowe, a ich szczegóły

mimo że obecne, giną w różnych zakłóceniach systemowych własnych i środowiskowych

powodowanych obecnością różnorodnych obiektów w w środowisku.

136

B. USOWICZ, W. MARCZEWSKI I IN…

Dane wymagają szeregu filtracji dedykowanych celom – wykrywania długich

trendów, zachowywania gradientów, i odziarnienia, które je przykrywa. Ostateczna

interpretacja wymaga wyróżnienia klasterów i klasyfikacji. Przykład zdjęcia

sklasyfikowanego przedstawiono na Rys. 52, 53.

Klasyfikację prowadzi się po to aby każda z klas mogła być przeliczona w zajętości

powierzchni. Klasyfikacja powoduje, że histogramy zmieniają charakter z

gęstego (prawie ciągłego) na dyskretny, o przyjętej liczbie klas. Ocena rozproszenia

międzykanałowego wartości pikseli staje się już niepotrzebna. Wybór metody

klasyfikacji może zależeć od typu obserwacji. W tym przykładzie zastosowano

klasyfikację Wisharta, dostosowaną w oprogramowaniu PolSARpro do zdjęć

polarymetrycznych ASAR z dwiema polaryzacjami przełącznymi APP (Alternated

Partial Polarisations). Dwie polaryzacje w zdjęciach ASAR APP oznaczają

ograniczenie analizy polaryzacyjnej do składowych radiometrycznie natężeniowych.

W innych zdjęciach niż z ENVISAT, np. ALOS, RADARSAT-2, Terra-

SAR-X możliwe są 3 i 4 kanały polaryzacyjne, co otwiera daleko większe możliwości

klasyfikacyjne. Jednak liczba klas jest zawsze ograniczona, i 16 klas wydaje

się praktyczną granicą górną. Lepsze możliwości polaryzacji pełnych (Full

Polarisations) przynoszą korzyści w przyporządkowaniu przestrzennym klasyfikacji,

przez determinowanie klasterów pikseli, oparte na lepszych rozróżnieniach

tekstury, możliwościach lepszego określania grubości pokrywy leśnej, i innych

związkach ze zmiennymi środowiskowymi ECV.

Podany przykład dobrze wykazuje związek klas z siecią hydrograficzną, determinowaną

przez morfologię dzięki wrażliwości sygnału elektromagnetycznego

na zawartość wody.

Nastąpiło podstawienie zdjęcia – obrazem, o rozdzielczości zredukowanej.

Klasyfikacja jest po to aby dać możliwość wypracowania miar statystycznych, a

obraz jest tylko jej produktem pomocniczym. Dobrze wykonana klasyfikacja

powinna dawać wynik ocen zajętości klas, mało wrażliwy na rozdzielczość obrazu.

Klasyfikację prowadzi się oknami, można nawet dużymi, a wtedy obraz końcowy

może przyjmować postać bardzo schematyczną. Jedne klasy mogą zyskiwać

nowe piksele, inne będą je tracić, ale wynik statystyczny w rozkładzie pikseli

pomiędzy klasami powinien być stabilny. Interpretacja zdjęć satelitarnych,

zwłaszcza dla walidacji SMOS, ma dać oceny ilościowe. Np. odpowiadać na pytania

– Ile wody „widać” na zdjęciu, w miarach absolutnych, i jak te miary rozumieć

Albo, stawiając cel różnicowo – Ile wody ubyło albo przybyło na obserwowanym

obszarze, w miarach absolutnych, od czasu wykonania jednego zdjęcia

do kolejnego Dopiero takie odpowiedzi ilościowe mogą zyskać związek z tym

co dzieje się z klimatem w dłuższych przedziałach czasu, lub jak przestrzennie

zachodzą w regionie zmiany sezonowe.

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 137

Taki jest ogólny schemat postępowania interpretacyjnego, z użytkowego

punktu widzenia. Jest jednak i aspekt szczególny, statystyczny tego postępowania.

Polega on na kontroli zmieniającego się z przetwarzaniem, rozproszenia wartości

zmiennych w pikselach, między kanałami.

Przykłady rozproszenia międzykanalowego w zdjęciach MERIS

Przykładowe rozproszenia między kanałami spektralnymi MERIS, pokazane

na Rys. 56, są tym węższe zakresami radiancji, im kanały są bliższe sobie spektralnie.

Pożądanym jest aby źródło danych surowych charakteryzowało się szerokim

zakresem rozproszenia, a zbiór pikseli tworzył skupienie w formie wypukłej

chmury. Im większy zakres i wypukłość zbioru, tym więcej można wydobyć informacji

źródłowej o obiekcie obserwowanym.

Rys. 56. Przykład typowego skupienia/rozproszenia wartości pikseli zdjęć optycznych MERIS dla

dwóch wybranych par kanałów porównywanych 1, 13 i 9,13. Wartości w kanałach spektralnych są

zwykle wyrażane liniowo.

Przykłady rozproszenia międzykanalowego w zdjęciach ASAR, pokazane na

Rys. 57, wskazują że piksele w zdjęciach radarowych, zachowują się inaczej, co

wskazuje na większą zdolność tej techniki obserwacji do determinowania obrazu i

zawartej informacji. Nie oznacza to bezwzględnej supremacji techniki ASAR nad

spektralną, bo technika spektralna jest spektralnie wrażliwa na skład materii

obiektu, a technika mikrofalowa bardziej na warunki brzegowe w postaci granic

ośrodków propagacji. Aspekt wrażliwości spektralnej na skład materii jest w

technikach mikrofalowych trudniejszy do wykorzystania, bo wobec niższych

częstotliwości od pasm optycznych, reakcje z falą sondującą na poziomie moleku-

138

B. USOWICZ, W. MARCZEWSKI I IN…

larnym są oddawane w obserwacji słabiej, technicznie są trudniejsze do wydobycia,

a przy tym są i mniej poznane.

Rys. 57. Przykład typowego skupienia/rozproszenia wartości pikseli zdjęć ENVISAT-ASAR, przed

kalibracją i korekcjami radiometrycznymi, dla dwóch jedynie dostępnych kanałów polaryzacyjnych

w modzie APP (w tym zdjęciu HV i HH). Te same dane przedstawiono dwukrotnie, w miarach

liniowych (z lewej) i logarytmicznych (w [dB], z prawej). Rozkłady skupienia ilustrują wniosek, że

zdjęcia ASAR charakteryzują się prawie idealnym spełnianiem postulatu PCA (Principal Component

Analysis) aby zbiór skupienia był szeroki w zakresach zmiennych kanałowych, i wypukły.

Wtedy zdjęcie daje duże możliwości wydobycia treści informacyjnej w obrazie, i w jego klasyfikacjach.

Wpływ kalibracji i filtracji na rozproszenie wartości pikseli

Postulat PCA (Principal Component Analysis) o zakresie i wypukłości zbioru

rozproszenia (lub skupienia) pikseli, jest spełniany przez zdjęcia ASAR prawie

doskonale. Chociaż w dziedzinie zdjęć mikrofalowych nie stosuje się miar

zmiennych liniowych, to z lewej pokazano skupienie w miarach liniowych, aby

można je było oceniać podobnie do liniowych miar radiancji MERISa. Jednak

miary logarytmiczne (zmienne w [dB], po prawej) pokazują różnice między

ASAR i MERIS, najpełniej.

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 139

Rys. 58. Wykres skupienia wartości pikseli tego samego zdjęcia ASAR (polaryzacje HV i HH), po

kalibracji i korekcjach radiometrycznych (z lewej), i po szergu filtracji (filtr Frosta) przygotowujących

je do klasyfikacji (z prawej). Filtracja rozgrupowuje piksele według wartości liniowo.

Sama kalibracja wprowadza do zbioru pikseli ASAR, niewielkie uporządkowanie.

Wykres na Rys. 58 (z lewej) reprezentuje wszystkie piksele obrazu ASAR,

w tym nieliczne tylko odpowiadają współczynnikowi odbicia echa maksymalnego

mod(σ 0 ) = 1, czyli dla części obszarów zabudowanych, odbicia od płaszczyzn

metalowych, itp. Te piksele sięgają 0 dB, od dołu. Piksele poza granicą 0 dB, są

wyraźnymi zakłóceniami systemu, i nie zostały jeszcze odfiltrowane. Natomiast

więcej było w obrazie pikseli ech bardzo niskich, np. od wód otwartych i obszarów

mokrych, nasyconych. Te piksele tworzą grupę na poziomie poniżej –25 dB,

choć są zbyt liczne, jak na zawartość obrazu. Wiele z nich to po prostu szumy.

Cały wykres zajmuje zakres dynamiczny około –40 dB, co nie odpowiada dynamice

ASAR. Wiadomo, że ta dynamika nie przekracza rozpiętości 20 dB. Kalibracja

nie zmienia jednak charakterystyki obrazu. Ten zawiera wiele szumów i

zakłóceń, i w skupieniu głównym o rozpiętości około 20 dB, i w jego obu przedłużeniach.

Wykres rozproszenia po szeregu różnych filtracji (z prawej) ilustruje efekty

segregacji pikseli na grupy według wartości kanałowych, w kilku odrębnych skupieniach.

W tym jest sens przygotowywania zdjęcia do klasyfikacji za pomocą

filtracji. Stopień skupienia w grupach, i odstępy pomiędzy nimi, mogą stanowić o

kontrastach obrazu. Liczba grup pokazuje możliwości klasyfikacji.

Filtracją trudno osiągnąć więcej niż kilka (np. 8) grup/klas. Ten przykład odnosi

się do filtracji prowadzonych na poszczególnych kanałach oddzielnie. Trzeba

zwrócić uwagę na podobieństwo skupień grup. Kształty skupień są podobne, co

wskazuje że jest on jednakowym śladem sumarycznej charakterystyki filtrującej,

140

B. USOWICZ, W. MARCZEWSKI I IN…

pozostawionym na wszystkich grupach. Stąd wniosek, że zbyt głębokie i agresywne

filtrowanie, kształtuje obraz na miarę środków i może go pozbawiać subtelniejszych

związków. Wszystkie grupy układają się w jeden łańcuch liniowo,

dlatego że filtracje były prowadzone oddzielnie na kanałach. Dopiero zastosowanie

filtrów działających na oba kanały kompleksowo, prowadzą do dalszych separacji

grup już poza wspólną prostą, która jest prostą korelacji między zawartością

kanałów. A między pikselami obu kanałów zachodzą jeszcze związki złożone,

wynikające ze złożoności obiektu obserwowanego. To są związki z liczebnością

obiektów materialnych (np. pnie drzew, liście, w ogóle roślinność), ich rozmaitością

materialną i geometryczną, oraz najważniejsze – okresowością przestrzenną,

czyli powtarzaniem się form.

Jest wiele innych filtrów, i ich cała systematyka podporządkowana różnym celom

przetwarzania. Chętnie stosowano w tej pracy filtr Lee, który prowadzi filtracje

w obu kanałach jednocześnie, i ujawnia przynajmniej część takich współzależności

(część dlatego, że zdjęcie miało tylko 2 polaryzacje przełączane, a nie 3-

4 tzn. polaryzację pełną).

Filtracje są jednak tylko środkiem przetwarzania wstępnego – dla redukcji

szumów i zakłóceń, oraz dla przygotowania klasyfikacji. Taką operacją przygotowawczą

jest również technika spojrzeń wielokrotnych (Multi-Looking), która

radykalnie podnosi kontrasty, kosztem redukcji rozdzielczości. Tylko bardzo

grube cele interpretacyjne mogą być zaspokojone filtracją.

Klasyfikacja

Interpretacje zdjęć prowadzi się zwykle dla ich klasyfikacji. Cel klasyfikowania

zdjęć polega na tym aby zdjęcie przetworzyć do postaci – a) z jednej strony

możliwej do sprawnego wytworzenia ocen, rozróżnień i miar statystycznych ilościowych,

– b) z drugiej strony, aby przekształcić je do mapy, która może być

wypełniona symbolami, a przynajmniej skończoną liczbą klas pikseli jednakowych.

Klasom przypisywane są najpierw indeksy rozróżniające, a dopiero potem

nadawane wartości miar, za pomocą modeli fizycznych.

Tymczasem zdjęcie zawiera ogromny zbiór pikseli o wartościach dowolnych

w zakresie transmisji danych, przy dużej obecności szumów i zakłóceń, i jest

jeszcze słabo czytelne, zarówno w odbiorze bezpośrednim, jak i w obliczeniach

do ocen statystycznych.

Przedstawione wykresy skupienia (Rys. 56, 57) w domenie zmiennych kanałowych,

dają wstępną ocenę przewidywanych możliwości celowego przetwarzania.

Skupienia abstrahują od rozkładów związków przestrzennych, i od obrazu, za

to dają możliwość przewidywania wydobywania informacji niezależnej. Zwykle

ocenia się skupienie wartości między dwoma kanałami. Zdjęcia zawierają conajmniej

dwa (a nawet do kilkudziesięciu, i więcej kanałów w technikach hyper-

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 141

spektralnych). Jeśli tych kanałów jest niewiele, to interpretacja merytoryczna

wymaga wytworzenia kanałów nowych (modelowanie), lub ich importowania.

Klasyfikacje głęboko skuteczne, są zwykle wieloaspektowe, tak jak wszelkie

obserwacje w innych technikach. Dla ich uwzględniania trzeba więc wytwarzać

istotne zmienne (kanały), w tym zmienne środowiskowe ECV, ale również i model

elewacji terenu.

Zmienne obserwacyjne bezpośrednie, tzn. radiancje, reflektancje są narzucone

metodą pomiaru, i koniecznymi kalibracjami. To są aspekty techniczne, instrumentalne.

Niektóre z nich wymagają modelu elewacji terenu, do niezbędnych

korekcji radiometrycznych uwarunkowanych geometrią, np. w zdjęciach radarowych.

W zdjęciach optycznych, związek z modelem elewacji bywa jednak podejmowany

rzadziej, jeśli jest pewność, że obraz płaski ma wystarczająco niewielkie

zniekształcenia przy rzutowaniu na geoidę. Wiele zdjęć może zadowalać

się projekcją na elipsoidę, dla terenów płaskich i obserwacji bliskich kierunkowi

nadir, można zaniechać korekcji terenowej. Ortorektyfikacja może zakończyć się

na korekcjach skutków zmieniającego się kąta widzenia poszczególnych pikseli.

Jednak nawet w takich interpretacjach, w których w grę wchodzą oceny wodne,

związek wartości kanałowych z procesami odpływu wody jest podstawowy, i

uwzględnienie korekcji na elewację, może dawać ujawnienie związków z elewacją

w sposób pośredni – przez determinowany elewacją skład gleb, pokrycia roślinnego,

i jego charakterystyk środowiskowych. Takie związki mogą ujawniać

się niewyłącznie przez korekcje geometryczne, ale w procesie klasyfikacji. Odpływ

wody ma np. dynamikę określaną szeregiem innych procesów przejmujących

kontrolę nad przynajmniej jego częścią. Ta złożoność powinna być ujawniona

w obserwacji zdalnej, na ile pozwala zasada instrumentu, ale powinna być

również celem interpretacji. Okazuje się, że klasyfikacje są w stanie ujawniać

przynajmniej część związków takiej złożoności środowiska. Można je wykrywać

pomiędzy istotnymi zmiennymi (ECV), których trzeba używać w interpretacji.

Wiedza o istotności zmiennych ECV jest bardzo bogata, a są i nadrzędne dokumenty

GCOS rekomendujące [46] te zmienne, i nawet ich hierarchię istotności dla

badań w kierunkach związanych ze zmianą klimatu. Współcześnie, nie można się

obyć bez tej wiedzy, i pozostawać przy prostym oglądzie zdjęć.

Przygotowaniom do klasyfikacji służą techniki PCA (Principal Component

Analysis), dostosowane do poszczególnych metod klasyfikacji. Klasyfikacje zaś

są ogólnie: – nadzorowane, i – nie nadzorowane, czyli automatyczne. To jest rozróżnienia

użytkowe, niezależne od natury metody obserwacyjnej. Dalsze rozróżnienia

są już związane ściślej z metodą obserwacji, typem danych, i podporządkowaniem

poszczególnym celom analizy. Za takie metody uważa się np. te oparte

na ocenie entropii i/lub anizotropii (zobrazowania) w zależności od zmiennych

obserwacyjnych.

142

B. USOWICZ, W. MARCZEWSKI I IN…

Zagadnienie klasyfikacji rozwiązuje się w jeszcze innej dziedzinie niż przestrzeń

obrazowa, i nie tej samej co statystyczna ocena skupienia, lub rozproszenia

wartości kanałowych. Jest to dziedzina wielowymiarowej przestrzeni zmiennych

ECV. Wiele zmiennych może określać stan piksela. Wśród nich mogą być zmienne

kanałowe, ale mogą też być wyłącznie zmienne środowiskowe.

Ważniejszy, bo bardziej uniwersalny, jest jednak aspekt statystyczny klasyfikacji.

Nie sama istotność zmiennych, decyduje o efekcie analizy, lecz i to jakie

metody statystyczne są wykorzystywane do oceny postępów przetwarzania w

klasyfikacji. Okazuje się, że właściwie wszystkie metody przetwarzania, są statystyczne.

W tej pracy wykorzystano tylko metody najprostsze – metody filtracji dla odziarniania

obrazu (filtry Box-Car, Gauss, Lee), oraz metodę kompleksowej metody

klasyfikacji Wisharta, w zdjęciach ASAR-APP. Metodę Wisharta stosowano w

jej wariancie uproszczonym, w trybie nadzorowania przez pobieranie próbek „natężeniowych”,

tak jak to zaproponowali E. Pottier i J. S. Lee, w pakiecie narzędziowym

PolSARpro [115]. Uzyskane rezultaty, jak na Rys. 52, 53, są jednak na

tyle wartościowe, że służą nam do – a) wykorzystania ich dla wytworzenia bitowych

masek klas pokrycia terenu, i następnych ocen zmiennych środowiskowych,

oraz do – b) sformułowania potrzeb dla do wprowadzenia metod wyższych, w

dalszym rozwoju projektu. Dlatego, powyższe uwagi ogólne o klasyfikacji, mają

dla nas znaczenie porządkowania zebranego doświadczenia.

W pracy wykorzystywano narzędzia otwarte (open, darmowe – programy

NEST [42, 101], BEAM [4]), zawierające gotowe do użycia algorytmy przetwarzania

na wszystkich poziomach – od kalibracji i korekcji radiometrycznych,

przez szereg filtrów do odziarniania zdjęć ASAR, aż po narzędzia PCA, i klasyfikacji,

przy wyborze celu analizy. Tymi narzędziami wydzielano klasy stałego

pokrycia terenu, występujące typowo na Polesiu lubelskim.

Wykorzystano tylko kilka zdjęć ASAR, dla Polesia i Podlasia, z lat 2003-

2009. Jest dobry dostęp do nielimitowanej liczby zdjęć ESA ENVISAT-MERIS, i

-AATSR, dla zadań spektralnych, w projektach EOPI Cat-1 [40]. O taki dostęp

dla celów naukowych, trzeba zabiegać prze portal EOPI, a nam udostępniono je

dla bieżącego projektu Cat-1 SMOS-3275, na walidację obserwacji SMOS. Zdjęć

radarowych dla Polesia/Podlasia było wprawdzie niewiele, ale one mają nam

służyć nie do monitorowania terenu, lecz do wydzielenia klas stałych. Klasy stałe

to pewien stabilny wzór przestrzenny pokrycia roślinnego i użytkowania terenu.

Oceny zmiennych środowiskowych będą prowadzone na zdjęciach spektralnych

MERIS. Te zaś są nam dostępne w większej liczbie, bo MERIS wykonuje regularne

obserwacje wg schematu skanowania globalnego. Zdjęcia pełnej rozdzielczości

ASAR (FR, Full Resolution), wykonuje się na zamówienia indywidualne.

Trudno jest uzyskać dostęp czasu pracy instrumentu ASAR, kiedy jest on mocno

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 143

zajęty programami globalnymi. Są wprawdzie zdjęcia ASAR WS (WS – Wide

Swath) dostępne regularnie, jak MERIS, lecz dla jednej polaryzacji, i z rozdzielczościami

bardzo wielkoskalowymi. One nie mogą służyć do klasyfikacji pokrycia

terenu. Można jeszcze prowadzić klasyfikacje na zdjęciach MERIS (300 m),

lecz zdjęcia ASAR APP FR mają rozdzielczość większą, nominalnie 12,5 m, lecz

zredukowaną do 30 m z powodu ziarnistości, a faktycznie, zredukowaną użytkowo

do 62,5 m, z powodu stosowania techniki „multi-looking” (N = 5, czyli do

około 100-200 m), i stosowania klasyfikacji Wisharta. Te ograniczenia rozdzielczości

są akceptowalne, przy późniejszym wykorzystywaniu zdjęć MERIS.

Efektywnie, MERIS jest źródłem ocen środowiskowych. Dostępność zdjęć

MERIS jest jednak ograniczona zmiennymi warunkami zachmurzenia, i ostateczne

efekty monitorowania „wodnego”, przyjdą dopiero ze SMOS, rytmicznie co 3-

4 dni.

Skuteczność wykorzystania źródeł obserwacji, stosowania tych metod prostych,

i w zamierzeniach – wyższych, zależy od stopnia osiąganej sprawności w

stosowaniu dostępnych publicznie narzędzi.

Nie jest to sprawa prosta, chociaż wszystkie narzędzia są gotowe do użycia.

Ograniczenia powstają wtedy, gdy trzeba określić własną drogę, i sukcesywnie

oceniać postępy w przetwarzaniu tak by dochodzić do wartościowych wyników.

Jest wiele stopni swobody w prowadzeniu analizy, które pozostają w gestii użytkownika

– np. w wyborze liczby klas, wyborze zmiennych źródłowych do klasyfikacji,

i w ich definiowaniu (modelowaniu) – jeżeli są to zmienne inne niż kanałowe,

oraz w ewentualnym wyborze wielkości okien klasyfikujących, przy prowadzeniu

ocen prawdopodobieństw przydziału pikseli w klasach. Ta swoboda

wyborów użytkownika, jest w istocie wymaganiem właściwego rozumienia i stosowania

narzędzi statystycznych. Jeśli tego rozumienia brakuje w wybranych

aspektach statystycznych podstawowych, to łatwo o wyniki klasyfikacji nieadekwatne

do celu i jakości danych w zdjęciach. Narzędzia wykorzystują metody

bardzo zaawansowane, których budować samemu nie trzeba, ale ich skutki działania

muszą być oceniane stosownie do metod. Cały ciąg przetwarzania, nie jest

gotowy. Trzeba go konstruować decyzjami użytkownika, stosownie do jego wiedzy

statystycznej podstawowej, oraz stosownie do wiedzy o terenie. Narzędzia są

obiektywne, ale warunki dla ich zastosowania mają znaczny stopień swobody, i

stąd wynika możliwość uzyskiwania wyników obciążonych błędami subiektywnych

ocen przy kolejnych decyzjach w przetwarzaniu. Ocen postępu w przetwarzaniu,

i ustalania warunków przetwarzania w kolejnych fazach, nie można przenosić

bezkrytycznie z innych aplikacji, bez znajomości statystyki i własnego terenu.

Przykładem może być włączanie lub nie włączanie modelu elewacji DEM, do

klasyfikacji.

Pewne klasyfikacje zachodzą trudno, są niezadowalające dopóki nie włączy

się w nie kanału DEM. Ale samo włączenie DEM, też nie daje efektu, jeśli klasy-

144

B. USOWICZ, W. MARCZEWSKI I IN…

fikacja poza DEM, była prowadzona tylko na kanałach bezpośrednich. Pokonaniu

tych trudności pomagają kolejne ćwiczenia, w wyborze zmiennych, typów i głębokości

filtracji. Nieodzownym jest jednak pojmowanie znaczenia wykorzystywania

N-wymiarowej przestrzeni zmiennych, gdy zachodzi taka potrzeba w klasyfikacji.

Oceny zbiorów skupienia/rozproszenia wartości kanałowych są prowadzone w

układzie dwóch współrzędnych kanałowych, bo tak je można oceniać dla każdego

pojedynczego związku, na płaszczyźnie 2D. Jeśli jednak tych związków jest więcej

niż w jednej parze zmiennych, a np. pomiędzy zmiennymi środowiskowymi

LAI, fCover, fAPAR, a może nawet więcej, to wtedy zbiór skupienia na płaszczyźnie

2D określonej parą zmiennych, przybiera kształty złożone, rozbudowane,

lub rozgrupowane. Wtedy wynik przetwarzania jest wielo-wymiarowy, choć oceniamy

go na zbiorze w dziedzinie 2D. Takie przykłady jak na rysunkach poniżej,

świadczą przynajmniej o tym, że zawartość informacyjna w pikselach obrazowych

jest dość pokaźna, i zmiennych środowiskowych potrzeba więcej niż dwie

zmienne kanałowe. Z porównania skupień/rozproszeń po filtracji, zwłaszcza prowadzonych

na kanałach bezpośrednich rozdzielnie, wynika wniosek – w zdjęciu

może być więcej istotnych związków fizycznych niż ten pomiędzy dwoma kanałami,

a ich identyfikacja jest możliwa na drodze badania – korelacji i kowariancji

między kolejnymi produktami przetwarzania danych. Oceny muszą postawać

według zasad statystyki.

W grę wchodzą kolejne zmienne statystyczne. Mogą one mieć swoje znaczenia

fizyczne i środowiskowe, ale statystyczne znaczenia mogą opisywać wyłącznie

relacje między kolejnymi produktami przetwarzania. Przy danych radarowych

polaryzacyjnych, dochodzi nowy związek między zmiennymi – czas lub faza.

Wtedy wchodzi w grę – koherencja między produktami. Korelacje i kowariancje

nie wymagają określania związków czasowych pomiędzy kanałami klasyfikowanymi.

Zdjęcia są zawsze związane z ustalonym czasem ich wykonywania, a więc i

kanały, i produkty pośrednie przetwarzania, mają to samo przywiązanie do czasu,

nawet jeśli były składane przez ściśle kontrolowany skończony czas interwału

skanowania. Koherencja odnosi się do związków czasowych pomiędzy pikselami

tego samego obrazu, przez związki fazowe wartości zespolonych w pikselach. W

zdjęciach spektralnych, wartości pikseli są rzeczywiste, w mikrofalowych – zespolone.

Zasada samego pomiaru – elektromagnetycznego, i radarowego (SAR), i

radiometrycznego (SMOS), wymaga prowadzenia zmiennych zespolonych. Stąd

wynika możliwość badania macierzy koherencji. Jest to zasadnicza odmienność

względem zdjęć spektralnych, które mimo że też są radiometrycznymi pomiarami

radiancji lub reflektancji, to jednak wyrażają zmienne w dziedzinie wartości rzeczywistych.

Zaawansowane narzędzia przetwarzania, są na tyle kompletne, że

użytkownik nie musi wiele wiedzieć o szczegółach teoretycznych metody. Musi

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 145

jednak wiedzieć, że ma ustalić określony typ relacji między produktami jakie

wytwarza, i przynajmniej rozpoznawać jakie ma ona znaczenie statystyczne.

Wreszcie na koniec tego rozdziału, trzeba podkreślić wyjątkowe znaczenie,

jakie ma aspekt polarymetryczny wykorzystywania zdjęć mikrofalowych. Ujawnia

się on w możliwości badania koherencji. Polarymetria nie ma swoich praktycznych

zastosowań w dziedzinie obserwacji zdalnych spektralnych. Jest za

trudna na to aby prowadzić kontrolę stanu polaryzacji fal optycznych, i utrzymywać

ją w dziedzinie zmiennych zespolonych, z powodu bardzo małej długości fal

optycznych. Przyczyny ograniczeń są techniczne. Za to polarymetria mikrofalowa

– radarowa, i radiometryczna, są w tym kierunku bardzo zaawansowane.

Potrzeba rachunku zespolonego, wynika z posługiwania się wektorem Stokesa.

Wektor Stokesa określa stan polaryzacji fali. Aby określić stan polaryzacji po

odbiciu fali od punktu odbicia/rozproszenia, trzeba definiować jak ten punkt

obiektu (piksel) transformuje stan polaryzacji, czyli zmienia wektor Stokesa, z

promienia fali przed odbiciem na promień fali po odbiciu. Wektor Stokesa ma 4

wyrazy, które są wynikiem mnożenia hermitowskiego odpowiednich 3 składowych

polaryzacji. Do tego, zmienne muszą być wyrażone jako zespolone, aby dla

ich mnożenia można było poprawnie posługiwać się ich wartościami sprzężonymi

(i transponowanymi), i otrzymywać złożenie 4-elementowego wektora Stokesa.

Wektor Stokesa opisuje wyczerpująco stan polaryzacyjny fali. Dla określenia

charakterystyki polaryzacyjnej odbicia (piksela), trzeba mieć dobry sposób na

opis transformacji stanu polaryzacyjnego. Jest kilka konwencji w przedstawianiu

transformacji wektora polaryzacji, jedne są właściwe optyce, inne są właściwe

technikom radarowym.

Zmienne kanałowe zdjęć optycznych są wyrażane liczbami rzeczywistymi, o

znaczeniu radiancji, tzn. w miarach spektralnej gęstości mocy.

Zmienne kanałowe zdjęć elektromagnetycznych są wyrażane liczbami zespolonymi,

też w znaczeniu miar gęstości mocy. Za miarę amplitudy uważa się pierwiastek

z mocy (tzw. fale mocy), a za miarę natężenia (Intensity) uznaje się moc.

Jednak dane przedstawia się nie modułem i fazą, lecz modułem jako amplituda, i

czasem propagacji fali echa (w [ns]), co przenosi się obliczeniowo na fazę jako

drugi element zmiennej zespolonej.

Relacja odbicia fali jest wyrażana nie mianowanym współczynnikiem odbicia

(o module z przedziału [0-1] jeżeli odbicie jest pasywne). Jest to relacja zespolona

między dwoma wartościami zespolonymi.

Relacja stanu polaryzacji przed odbiciem do stanu polaryzacji po odbiciu jest

wyrażana jako transformacja 4-elementowego wektora Stokesa.

Elementy wektora polaryzacji są wyrażane w tych samych miarach, modułu/amplitudy,

i (obliczeniowej) fazy. Ale tylko 3 z 4 elementów wektora Stokesa,

są niezależne, bo pierwszy element wektora Stokesa jest równy pierwiastkowi

146

B. USOWICZ, W. MARCZEWSKI I IN…

sumy kwadratów elementów następnych. Potrzeba przynajmniej 3 składowych

stanów polaryzacyjnych dla wyznaczenia całego wektora.

Dwa pierwsze elementy wektora są rzeczywiste i mają znaczenie amplitud fal

mocy, jako suma i różnica dwóch składowych polaryzacyjnych (np. V i H). Dwa

pozostałe mają znaczenie określenia udziału trzeciej składowej polaryzacyjnej,

też wyrażanych w miarach amplitud (fal mocy), przy czym jeden z elementów

jest czysto rzeczywisty, a drugi czysto urojony. Bliższe objaśnienia, w tym na

temat wektora Stokesa, można znaleźć w podręcznikach, np. dołączonych (tutorials)

do programu PolSARpro [115], i wskazywanych tam materiałach źródłowych.

Ten szkic ogólny, jest wypowiadany po to aby wskazać na potrzebę 3 stanów

polaryzacyjnych składowych, i wytłumaczenie dlaczego 2 stany polaryczyjne nie

wystarczają do wyznaczenia pełnego wektora Stokesa. Dwa stany, w zdjęciach

ASAR-APP wystarczają do wyznaczania dwóch pierwszych elementów wetktora,

i dlatego wszelkie analizy przy dwóch składowych polaryzacyjnych, są zwyczajowo

określane jako analizy „natężeniowe”.

Określanie stanu polaryzacji fali, dotyczy zarówno fal składowych koherentnych

jak i niekoherentnych. Fala może tracić swoją koherencję (spójność fazową)

zarówno w wyniku propagacji, rozproszenia, jak i odbicia. Ale fala może nie tylko

tracić koherencję, lecz i doznawać zmiany stanu polaryzacji, co jest przedmiotem

analizy polaryzacyjnej. Dlatego efekty określania stanu polaryzacji, zawierają

informację nie tylko o zmienionym stanie polaryzacji, lecz są obciążone i tym jak

odbicie zmienia skład fali w jej składowych koherentnych i niekoherentnych.

Ocena stanu polaryzacyjnego po odbiciu jest złożona, ale w obu aspektach ważna

obserwacyjnie (informacyjnie).

Użytkownik narzędzi do takiej analizy, nie musi jej prowadzić w pełni rozumienia

szczegółów teorii, ale musi uznać, że w grę wchodzi czas i koherencja,

która ma też aspekt statystyczny. Chodzi o czas w miarach spójności wewnętrznej

składowych, a nie w miarach absolutnych. Spójność sygnału elektromagnetycznego

rozumie się jako możliwość tego, na ile można przewidywać zmiany fazy

sygnału, na podstawie znajomości jego fazy w chwili bieżącej. Koherencja może

być wykorzystywana jako miara potrzebna dla przetwarzania danych, w różnych

celach – np. klasyfikacji, ale dla odziarniania obrazów zdjęć polarymetrycznych

np. filtrem Lee. Ziarna (speckle) są nieuniknionym skutkiem tego, że każdy z

odebranych promieni jest złożeniem wielu promieni w granicach jednego piksela i

jego otoczenia, od wielu drobnych elementów materialnych obiektu, które powodują

nawet wielokrotne odbicia. Odziarnianie obrazów radarowych nie jest operacją

typu czysto obrazowego przetwarzania, ale wynika ściśle z fizycznej zasady

obserwacji odbicia, i konieczności prowadzenia analizy przy użyciu rachunku

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 147

zespolonego na zmiennych (wektor Stokesa, koherencja) reprezentujących zmiany

stanu polaryzacji.

Pełna teoria analizy polaryzacyjnej, nie jest potrzebna do wykorzystywania

zdjęć polarymetrycznych. Jest jednak potrzeba rozumienia, że w takich narzędziach,

jakie wykorzystuje się do ocen efektów statystycznych są używane pojęcia

korelacji, kowariancji, i koherencji, które mają swoje wspólne podstawy matematyczne

i odnoszą się do wspólnego im ustalania relacji między produktami, a

różnice w ich zastosowaniach polegają na różnych celach, w tym i na celach ustanawianych

odmienną naturą danych i zasad instrumentalnych z jakich je wytworzono.

Techniczna specyfika aktualnie wykorzystywanych instrumentów do obserwacji

optycznych i mikrofalowych powinna dla użytkowania danych być drugorzędną,

wobec istotności modelowania fizycznego, oraz istotności narzędzi

statystycznych. Narzędzia statystyczne są w zasadzie wspólne, a jeśli się różnią,

to z powodu różnic znaczenia czasu w zasadach obserwacji – optycznych i mikrofalowych.

Jest więc jeszcze potrzeba wskazania, że wektor Stokesa w analizie polaryzacyjnej,

oferuje możliwości obserwacyjne dotyczące właśnie zawartości składowych

koherentnych i niekoherentnych w sygnale obserwacyjnym. Takich możliwości

nie wykorzystują współcześnie metody optyczne, bo obserwacje są prowadzone

tylko natężeniowo, za to analizy spektralnie.

Jest różnica między wrażliwością wartości pierwszej pary i drugiej pary wyrazów

Stokesa, na składowe sygnału – spójne i niespójne, tzn. koherentne i niekoherentne.

Składowe niekoherentne, mogą być szumami lub zakłóceniami, lecz nie

tylko systemowymi (z instrumentu). Składowe niekoherentne mogą pochodzić

również stąd, że fala odbierana może pochodzić od różnych odbić, jedno- i więcej-krotnych

z obszaru tego samego piksela, przez co zmienia się jej skład polaryzacyjny.

Wynika to z różnorodności materialnych form obiektu (trawa, liście,

zawiesina cząstek w ośrodku a będących w ruchu). Te składowe mogą należeć do

celów obserwacji. Z drugiej strony, składowe koherentne to te, które określają

moc sygnału nadanego (oświetlającego) i potem odebranego. Te składowe niewątpliwie

należą do celów obserwacji, przynajmniej na poziomie danych zbieranych

bezpośrednio przez instrument, ale są zakłócane obecnością składowych

niekoherentnych, których uniknąć się nie da. One też charakteryzują odbicie/rozproszenie.

Nawet instrument idealny odbierze składowe niekoherentne,

generowane z powodu różnorodności obiektów i ich zmian położenia, lub tylko z

powodu ich prędkości chwilowych, wirowana etc.).

Dwa pierwsze wyrazy Stokesa wykazują zdolność do zerowania się składowych

niekoherentnych za czas integracji, i „oczyszczania” się wartości składowych

koherentnych (o znaczeniu amplitud mocy). Dwa drugie wyrazy Stokesa

wykazują zdolność do niezerowania się składowych niekoherentnych, za czas

integracji. Dlatego, w centrum uwagi twórców metod polarymetrycznych dla

148

B. USOWICZ, W. MARCZEWSKI I IN…

klasyfikacji danych, są potrzeby kontrolowania miar korelacji, kowariancji, i koherencji.

Dzięki temu, te metody mają bardzo głęboką korespondencję do metod

statystycznych opartych na kontroli korelacji, kowariancji i koherencji, i dlatego

wyniki obserwacji radarowych mają tak dobrze zdeterminowane związki przestrzenne.

Dla pełnego określenia stanu polaryzacji, trzeba 3 składowych polaryzacyjnych

nadawanych, i 3 odbieranych. Zdjęcia ASAR APP (Alternated Polarity)

mają tylko 2 z 3 składowych. Przy ich pomocy można określać tylko pierwszą

parę wyrazów wektora Stokesa, tzw. natężeniową, związanych z mocą. To jest

zaledwie połowa możliwości obserwacyjnych tej metody. Inne misje (ALOS,

RADARSAT-2, TerraSAR-X) mają już 3 a nawet 4 polaryzacje. Dotąd nie mieliśmy

w tym projekcie takich zdjęć „pełnopolaryzacyjnych”.

Patrząc użytkowo na zdjęcia mikrofalowe, np. na radarowo uzyskiwany DEM

SRTM, odnosi się wrażenie niezwykłej czystości i jednoznaczności określenia

elewacji. I chociaż zdjęcia mikrofalowe, daleko nie dorównują możliwościom

rozróżniania materialnej zawartości obiektu obserwowanego w analizach spektralnych,

to warte są wykorzystywania dla określania zależności przestrzennych.

Zaangażowanie w wykorzystanie tych metod, niesie jeszcze wiele innych korzyści

przedłużonych na konsekwentne stosowanie bardzo istotnych metod statystycznych.

Na wcześniejszym Rys. 58 przedstawiono typowe rozproszenia między kanałami

polaryzacyjnymi w wyniku filtracji. Widać było wyraźnie, jak rozproszona

„chmura” danych, która powinna mieć możliwie dużą rozpiętość w zakresach

zmiennych, ulegała podziałom na kilka, lub szereg skupisk wyznaczających potencjalne

możliwości wydzielania klas. Dane surowe przyjmują prawie wszelkie

możliwe wartości, z gradacją ograniczoną rozdzielczością cyfrową systemu dla

przekazywania danych. Odpowiadające im histogramy są prawie ciągłe. Po przetwarzaniu

filtrującym i klasyfikującym, rozproszenie międzykanałowe zmniejsza

się, odfiltrowywane są składowe szumów i zakłóceń, a dane grupują się w klasy.

Liczba możliwych klas jest ograniczona i niewielka, np. do około 8. Na ogół liczba

klas nie przekracza 14. Typowe ale bardzo zaawansowane metody, oparte na

analizie entropii, anizotropii, i kąta polaryzacji dominującej (H/A/alpha, patrz ref.

tutorials w [115]), w dziedzinie przetwarzania danych radarowych, pozwalają na

wydzielenie 9 klas. Liczba możliwych do wydzielania klas zależy – i od istotności

wybranych zmiennych źródłowych do klasyfikacji, od zaśmiecenia danych szumami

i zakłóceniami, i od dynamiki systemu ich wytwarzania.

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 149

Rys. 59. Skupienie wartości kanałowych: – a) dla zdjęcia ASAR po wstępnej analizie PCA (z lewej),

i – b) dla zdjęcia MERIS, w całym polu widzenia, wykazujące związki między zmiennymi

środowiskowymi (fCover i LAI), po analizie wegetacyjnej TOA_VEG. Segregacja wartości pikseli

nie grupuje ich liniowo, jak w wyniku filtracji poszczególnych kanałów w danych bezpośrednich

(Patrz Rys. 58), i ujawnia inne bardziej złożone zależności.

W danych radarowych wielkiego wyboru nie ma, są to zmienne brane bezpośrednio

z kanałów. Dopiero analiza polaryzacyjna pozwala na głębsze poszukiwania

związków korelacji lub koherencji, zależnie od tego jakie i jak wiele kanałów

polaryzacyjnych (2, 3 lub 4), jest dostępnych.

W danych spektralnych, wybór jest większy, bo i większa jest liczba kanałów

(MERIS wykorzystuje 15, a są jeszcze inne techniki obserwacji multi- i hyper

spektralnych). Do tego, można analizować nie tylko zmienne radiancji czy reflektancji,

lecz i zależności między zmiennymi środowiskowymi, czyli zmiennymi

ECV, jak np. zależności pomiędzy LAI, fAPAR, i LAIxCab (produktywność

chlorofilu typów a i b) od stopnia zakrycia podłoża glebowego fCover. Między

tymi zmiennymi ujawnia się więcej zależności wzajemnych, niż między wartościami

kanałowymi. Liczba zmiennych interpretowanych może przekraczać liczbę

kanałów, ale niezależnych zmienności może być nie więcej niż liczba kanałów

niezależnych. Jeżeli zaczynamy oceniać zależności pomiędzy takimi zmiennymi

jak LAI, fAPAR, i LAIxCab, to obraz rozproszenia staje się bardziej złożony, i

zależny od tego, które zmienne ECV wybrano do porównywania. Zmienne ECV

są wtórne względem wartości kanałowych, i wnioskowanie formalne np. z Rys.

59 o skutkach filtracji, przestaje być tak klarowne jak wnioskowanie o takich

samych skutkach na przykładzie z Rys. 58. LAI, fAPAR, LAIxCab tworzą trójkąt

współzależności, z których nie wszystkie albo nie całkowicie wynikają z rzeczywistości

fizycznej. Część tych zależności należy do przyczyn w obiektywnej rzeczywistości

fizycznej, a część należy do udziału zastosowanych modeli, i uprosz-

150

B. USOWICZ, W. MARCZEWSKI I IN…

czeń. Rys. 58 odnosił się do zmiennych kanałowych niezależnych. Rys. 59 przedstawia

rozproszenie między dwiema wybranymi zmiennymi z trzech, z których

żadna nie jest w pełni niezależna od pozostałych. Dla rozstrzygnięć o źródłach

błędu w ocenach, trzeba analiz wielowymiarowych. Można takie wyniki stosować

wprost, nawet z dobrymi skutkami, lecz identyfikacja błędu może być wycinkowa.

Przy tym trzeba ją wspomagać rozpoznanymi obiektami na zdjęciu, a praca

interpretacyjna staje się niekończącą się pogonią za wynikiem pewnym. Tak jest

w przypadkach analiz wielospektralnych, że precyzja ocen stale umyka i domaga

się wielu kontroli przesunięć, kalibracji i korekcji. Postęp choć możliwy, jest

ograniczony. Trochę lepiej wygląda sytuacja ze zdjęciami radarowymi, dla których

miary polaryzacyjne znajdują mocniejsze podstawy teoretyczne, w postaci

własności wektora Stokesa. Dlatego w dziedzinie analizy polaryzacyjnej zdjęć

radaorowych opracowano kilka metod, które wydają się bardziej uniwersalne

matematycznie i użytkowo, są pewniejsze. Nie można jednak sądzić o wyższości

jednej z metod nad drugą. Radar nie da informacji o takiej materialnej charakterystyce

obiektu, jak analiza spektralna bo radar pracuje falami elektromagnetycznymi,

o długościach kilka lub wiele rzędów wielkości większych, niż długości fal

optycznych. A tylko krótkie i bardzo krótkie długości fal mogą przejmować i

zachowywać skutki oddziaływania z materią molekularną, które potem ujawniają

się w analizie spektralnej. Natomiast radary, i radiometry mikrofalowe zwłaszcza

interferencyjne, mogą lepiej, precyzyjniej oddawać odwzorowania granic ośrodków

obserwowanych, tzn. ich geometrię. Dzieje się tak dlatego, że instrumenty

mikrofalowe mogą posługiwać się nie tylko zmiennymi reprezentującymi intensywność

(np. amplitudę), lecz i fazę sygnału. Dane zdjęć mikrofalowych mają

postać zespoloną, dane optyczne wyrażane są wartościami rzeczywistymi. Każdy

z tych rodzajów technik służy innym celom użytkowym.

Przykład analizy TOA_VEG zdjęcia MERIS, zaprezentowany na wycinkach

odpowiadających trzem parkom narodowym, pokazuje dobitnie że już 100 czy

200 pikseli zdjęcia wystarcza na to aby rozróżnić zawartość roślinną tych obszarów,

by znaleźć ich indywidualną specyfikę, i poddać miarom odpowiadającym

zmiennym LAI, fAPAR, i produktywności chlorofilu LAIxCab (Rys. 60).

Wrażliwość rozproszenia zmiennych LAI, fCover, i LAIxCab, jest na tyle duża,

że nawet na podstawie zawartości zdjęcia niesklasyfikowanego, można dokonać

interpretacji w ocenach ilościowych, w miarach absolutnych. Szereg kilku

takich zdjęć optycznych MERIS, np. wykonanych w kolejnych latach, w przybliżeniu

w tym samym tygodniu roku, powinien pozwolić na oceny zmian klimatu

widoczne w zmianach czasu rozwoju poszczególnych faz pory wegetacyjnej.

Pory wegetacyjne w różnych latach zaczynają się czasie różnym nawet o 1-3 tygodni,

ale te obserwacje naziemne można udokumentować ilościowo, i próbować

rozstrzygać, czy są one skutkiem rocznych oscylacji klimatu, czy też należą do

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 151

trendów bardziej długo terminowych. Natomiast dane po klasyfikacji, mogą służyć

ocenom zmian integrowanych w obszarach, w ściślejszym związku z rozpoznawanym

składem wegetacji.

Rys. 60. Porównanie odmiennego rozproszenia zmiennych LAI, fCover, LAIxCab, w trzech wybranych

obszarach ROI, z Rys. 51: a) POLESIE, okolice Kulczyna, b) PODLASIE, okolice Trzebieszowa,

c) BPN, okolice Białowieży. Specyfika zawartości gatunkowej w pokryciu roślinnym znajduje

swoje odbicie w rozproszeniu wartości zmiennych, które można poddać miarom statystycznym.

Podobne wyniki dla Kampinoskiego Parku Narodowego przedstawiono w [90].

O istotności interpretacji danych świadczą związki między tymi zmiennymi, a

nie pozorna lub subiektywna jakość estetyczna zobrazowania. Zobrazowań dobrze

rozdzielczych i geolokowanych potrzeba zawsze. Ale wysoka rozdzielczość

bywa tylko przeszkodą, i wtedy poświęca się ją na rzecz trafności klasyfikacji,

zwłaszcza przy analizach obszarów w skalach wielkich. Wydaje się, że współcześnie

najwięcej nierozwiązanych problemów, związanych z wykrywaniem zmian i

ocenami meso-skalowymi, wynika z potrzeb ocen różnorodności pokrycia powierzchni,

i bioróżnorodności na Ziemi.

152

B. USOWICZ, W. MARCZEWSKI I IN…

Te sposoby i narzędzia są faktycznie bardziej narzędziami statystycznymi, niż

środkami do przetwarzania obrazów. Dlatego niniejszą pracę rozpoczęto rozdziałami

traktującymi o podstawowych pojęciach statystycznych. Wiele prostych

dylematów statystycznego postępowania z danymi naziemnymi, ma swoje odpowiedniki

w metodach i gotowych narzędziach do przetwarzania danych satelitarnych.

Poszukiwane uprzywilejowane „samorodne jądra” występowania pewnych

wartości zmiennych, mogą występować jako świadectwo procesów fizycznych

obserwowanych, ale mogą również występować jako efekty zjawisk fizycznych

zakłócających, jak ziarnistość obrazów satelitarnych. Niektóre narzędzia wypracowane

do przetwarzania danych satelitarnych, są tak zaawansowane, że trudno je

wykorzystać w przetwarzaniu danych naziemnych, bo te są w porównaniu z satelitarnymi,

bardzo mało liczne. Nie ma na to dobrej rady. Bywa jednak, że przeszkodą

w wykorzystaniu metod wyższych jest niedostateczna kompletność uzyskiwanych

danych naziemnych, w sensie podobieństwa do kanałów obserwacji,

jak w metodach satelitarnych. Na Ziemi, obserwacje mają często charakter jednoaspektowy,

i tę kompletność można poprawiać. Z kolei, pewne minimum doświadczenia

z wykorzystywaniem danych satelitarnych, wskazuje że dane naziemne

mogą okazywać się bardziej kompletne w sensie zależności czasowych

krótkoterminowych. Zdjęcia satelitarne są dostępne niemal incydentalnie, i bywa

że bardzo rzadko bo w grę wchodzą i zasady ruchu orbitalnego, i system dostępności

danych. Zachodzi wtedy oczywista potrzeba wspomagania ocen naziemnych

– satelitarnymi, i odwrotnie. Aby takie wspomaganie było skuteczne, w

dwóch kierunkach, musi być ich istotność i pewna odpowiedniość między fizycznymi

zmiennymi obserwowanymi (ECV) jakie są w użyciu, a nade wszystko

wspólny grunt na bazie statystyki. Statystyka a nie technika, ostatecznie przesądza

o skuteczności, w jednej i drugiej dziedzinie obserwacji.

Stała dielektryczna gleby z pomiarów naziemnych i satelitarnych

Wilgotność gleby określana metodami zdalnymi jest poprzez stałą dielektryczną

gleby, która to w istotny sposób jest warunkowana głównie przez zawartość

wody w glebie. Stała dielektryczna gleby może być określana przy pomocy

badań prowadzonych z orbity Ziemi przez satelity typu EO (Earth Observation).

Jednym z takich satelitów jest EnviSat (Environmental Satellite) wyposażony w

radar ASAR (Advanced Synthetic Aperture Radar). Radar ten wysyła w kierunku

wybranego obszaru powierzchni Ziemi falę elektromagnetyczną o częstotliwości

5.331 GHz i odbiera ją po odbiciu i/lub rozproszeniu. Dzięki tak dobranej częstotliwości

współczynnik odbicia promienia radarowego σ 0 jest wrażliwy na stałą

dielektryczną powierzchniowej warstwy gleby przy jednoczesnym zminimalizowaniu

wpływu wegetacji pokrywającej badany obszar [144, 145]. Wysyłana przez

radar fala elektromagnetyczna może być spolaryzowana w kierunku pionowym

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 153

(V) lub poziomym (H). Rejestracja fali odebranej również jest dzielona na składowe

o polaryzacji pionowej (V) i poziomej (H). Ten sposób działania odzwierciedla

konwencja oznaczania współczynnika odbicia promienia radarowego.

Przez σ 0 HH oznacza się współczynnik dla fali wysłanej spolaryzowanej poziomo i

odebranej również w polaryzacji poziomej. Przez σ 0 VV oznacza się współczynnik

dla fali wysłanej spolaryzowanej pionowo i odebranej w polaryzacji pionowej,

natomiast przez σ 0 HV 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

B. USOWICZ, W. MARCZEWSKI I IN…

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 σ 0 xx (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

0 −2.37

cos α 0.046ε

tanα

3 1. 1 0. 7

σ =

VV 10 3 ( sin α) sin α

10 ks⋅

λ , (61)

0

σ

ε

1.4

0.

( ⋅sin

α) λ

1.5

−2.75

cos α 0.028 tanα

7

=

HH

5

ks

10

. (62)

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:

σ

0

HH

0

VV

< 1. (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:

σ

0

HV

0

VV

< −11dB

. (64)

Mając zdjęcia ASAR tylko dla polaryzacji HH/VV, przyjmowano tylko warunek

(63). Z bezpośredniego oglądu wybranych obszarów: Bagno Bubnów, łąka

Krowie Bagno, i pól uprawnych w okolicach miejscowości Wytyczno, wiadomo

było, że obszary te są wilgotne a wegetacja jest stosunkowo niska. Przy wegetacji

niskiej, składnik polaryzacyjny HH jest w ogóle niski i warunek (64) powinien

być dochowywany. Wybrano jednak i obszar odmienny, czwarty – las w okolicach

miejscowości Dominiczyn, tzn. z wegetacją wysoką. Tam obie składowe HH

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 155

i VV, są wysokie. Dla lasu, warunek (63) powinien być bliski jedności. Natomiast

warunek (64), nie był znany dla lasu, dlatego że brak jest polaryzacji HV w tym

zdjęciu. Mimo tego, warunek ten ma też szanse spełnienia, bo dla lasu z gęstymi

elementami pionowych pni drzew, składnik VV musi być duży. O tym świadczą

inne zdjęcia, które zawierają polaryzacje HV, VV. Z wyrażeń współczynników

odbicia (61, 62), obliczono stałą dielektryczną dla każdego z tych obszarów.

Bagno charakteryzowało się największymi wartościami, maksymalnymi i

średnimi, stałej dielektrycznej. Oznacza to, że Tam była największa wilgotność

spośród badanych obszarów. Pozostałe obszary miały wartości średnie przenikalności

dielektrycznej niższe niż dla bagna. Na obszarze lasu zaobserwowano największą

wartość współczynnika zmienności (CV) stałej dielektrycznej. Można to

tłumaczyć tym, że stała dielektryczna zależy nie tylko od wilgotności, lecz i od

zawartości pokrywy roślinnej. Las stanowi grubą warstwę wegetacji, i jako taki

wg warunku (64), nie stosuje się do modelu Dubois. Najmniejszy CV zaobserwowano

na łące, a to wskazuje, że teren ten jest najbardziej jednorodny pośród

obszarów badanych. Łąka jest płaska, dość jednorodnie porośnięta roślinnością, i

tam należałoby spodziewać się wyrównanego rozkładu wilgotności.

Tabela 9. Wybrane miary obliczonej stałej dielektrycznej dla badanych obszarów

Badany obszar

Miara

pole uprawne las łąka bagno

Średnia 4,94 4,92 5,01 5,21

Mediana 4,74 4,62 4,80 5,02

Współczynnik

zmienności (CV)

(%)

21,0 26,1 18,3 20,9

Minimum 2,76 2,75 3,38 3,21

Maksimum 10,77 10,96 9,39 12,35

Tego samego dnia, kiedy wykonano zdjęcie ASAR z danymi omówionymi

powyżej, wykonano drugie zdjęcie. Pierwsze wykonano rano, drugie wieczorem.

W ciągu dnia prowadzono pomiary naziemne stałej dielektrycznej gleby za pomocą

sondy TDR. Wyniki interpretacji zdjęć modelem Dubois, trzeba uznać za

zaniżone względem pomiarów bezpośrednich sondą TDR, zarówno dla bagna jak

i dla łąki. Z TDR wynika, że średnia wartość stałej dielektrycznej dla bagna wynosiła

9,76, a dla łąki 6,85, podczas gdy ze zdjęcia i obliczeń modelem Dubois

wynika, że powinno być odpowiednio 5,21 i 5,01 (Tab. 9). To niedoszacowanie

156

B. USOWICZ, W. MARCZEWSKI I IN…

wynika prawdopodobnie stąd, że odbicie lub rozproszenie sygnału ASAR, jest

wrażliwe nie tylko na wodę obecną w glebie, lecz także na wodę w pokrywie

roślinnej, czego naziemny TDR nie mierzy. Warstwę roślinności, należy rozważać

w modelach jako chmurę zmieszanych materialnych komponentów powietrza,

wody, i biomasy roślin. Nawet gdyby rośliny zawierały dużo wody, a ich stała

dielektryczna była wysoka, to mieszanina roślin z powietrzem daje mniejszą gęstość

masy, i efektywna przenikalność dielektryczna wychodzi też mniejsza. W

konsekwencji pomiar satelitarny dotyczy sumy warstw pokrycia roślinnego i gleby.

Radar widzi glebę poprzez przesłonę, ale widzi, i własności przesłony wnoszą

do tej oceny swój udział.

Pojawia się więc nowy temat – oceny zawartości wody w warstwie wegetacyjnej,

który trzeba wyseparować z danych. Obserwacja radarowa zawiera i

umożliwia ocenę zawartości wody w wegetacji. Wprawdzie tego w tej części

pracy nie przedstawia się, ale taka ocena będzie podejmowana na podstawie zdjęć

innych, spektralnych MERIS, z tego samego satelity ENVISAT, choć nie w tym

samym czasie. Wprawdzie to jest substytut, ale trzeba po niego sięgać bo synchronizacja

pomiarów na Ziemi z satelitą ENVISAT, była możliwa tylko raz, i

pozostanie incydentalna. Taka ocena będzie potrzebna dla walidacji SMOS. Synchronizację

kampanii naziemnych z przelotami SMOS mamy zapewnioną. Z programu

ESOV będzie można wyznaczyć daty i przeloty SMOS, i będzie ich wiele,

co 3 lub 4 dni. Jednak SMOS nie rozróżni zawartości wody w glebie od zawartości

wody w roślinności. SMOS tego rozróżnienia potrzebuje od projektów naziemnych.

SMOS będzie miał takie dane ze służb naziemnych ECMWF, i innych,

i użyje ich w swoim modelu emisyjności. Wynik SMOS będzie na wielką skalę

(piksel 35×35 km), i walidacja tego wyniku powinna pochodzić ze źródeł naziemnych

niezależnych, przy dobrym rozróżnianiu klas roślinności na Ziemi. Do

tego trzeba badań naziemnych. Wynik walidacji, a raczej wiele wyników walidacji

zebranych z całego świata (po to jest program walidacyjny SVRT), złożą się

na korekcje modeli elementarnych, stosowanych do konwersji BT na SM, dla

dowolnego miejsca na powierzchni lądów.

Trzeba jeszcze brać pod uwagę i inne potencjalne przyczyny – przesunięcia

wyniku naszych obliczeń z modelu Dubois, które mogą być rezultatem innego

jeszcze źródła błędu wtórnego (offset, bias). Takie błędy przesunięcia są zawsze

obecne we wszelkich pomiarach instrumentalnych, i bywa że są skutkami nadmiernie

agresywnego przetwarzania danych filtracją. Przy filtrowaniu, dużą rolę

odgrywa dobór okien filtrujących, i krotność zastosowanego filtrowania. To niebezpieczeństwo

już sygnalizowano w rozdziale o Klasyfikacji i Filtracji, z Rys.

58, w części z prawej strony. Powinno być troską użytkownika modeli i algorytmów

przetwarzania, aby takie przesunięcia (offset, bias) identyfikować. Można

znaleźć prawie w każdym zdjęciu obiekty całkowicie odbijające sygnał radarowy,

w terenach zurbanizowanych, i one powinny dawać wykalibrowany wsp. odbicia

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 157

(rozproszenia) na poziomie 0 dB. Można też znajdować i wody otwarte, a tam

współczynnik odbicia powinien być najmniejszy w obrazie, np. –30 dB, lub

mniej. Jeżeli ten zakres –35 do 0 dB wyraźnie przesuwa się, w którąś stronę, to

mamy do czynienia albo z danymi niewykalibrowanymi, albo z nieodfiltrowanymi

zakłóceniami, albo ze zniekształceniem radiometrycznym w wyniku przetwarzania

danych. Do użytkownika danych należy decyzja, po jakie korecje w swoim

postępowaniu sięgać. O takich efektach ubocznych stosowanych narzędzi są informacje

w ich dokumentacji, bo narzędzia otrzymuje się zweryfikowane, i walidowane.

Po to są potrzebne walidacje i kalibracje, zarówno instrumentów jak i

algorytmów, aby je potem przedstawiać w dołączanych do narzędzi raportach i

ich gwarantowanych ocenach.

Wnioski z wykorzystania kilku zdjęć ASAR w tej pracy są takie, że zdjęcia te

mogą nam służyć ograniczenie, z powodu ich trudnej dostępności w potrzebnych

miejscach i terminach. Jest ich mało. Za to są niezawodne, tzn. niezależne od

stanu zachmurzenia, wprost przeciwnie do zdjęć spektralnych MERIS. Tych jest

dużo, za to korzystne warunki atmosferyczne zdarzają się rzadko. Dla tego projektu

przyjęto więc zasadę, aby zdjęcia ASAR wykorzystywać do klasyfikacji

pokrycia roślinnego, wytwarzając maski bitowe. Tak uzyskane maski, mają potem

służyć do wydobywania wartości indeksów wegetacyjnych ze zdjęć MERIS, które

są nam dostępne też incydentalnie – ze względu na bezchmurne niebo, lecz są

za to bliższe terminom potrzebnych ocen. Wynika to z tego, że zdjęcia MERIS

czerpie się z archiwow, jest ich więcej, i łatwiej trafić na lepszą zgodność lub

przynajmniej bliskość terminów, niż uzyskać akceptację na zdjęcia ASAR, dedykowane

naszym celom. Wprawdzie analiza spektralna nie daje tak bezpośredniego

związku z wodą, jak przy zdjęciach radarowych, lecz daje bardziej wszechstronną

ocenę wegetacji w związku z ewapotranspiracją. Jest to wniosek bardzo

uniwersalny, bo wskazuje, że przy staraniach o dostęp do zdjęć satelitarnych, i

wysiłkach w opanowaniu metod interpretacji i narzędzi, należy zabiegać o różne

metody obserwacji środowiskowych.

Nasze niepowodzenia, z powodu skąpej dostępności zdjęć ASAR, są jednak

powszechne wśród użytkowników. Jedna z kolejnych misji „wodnych” NASA,

SMAP (Soil Moisture Active and Passive), będzie miała na pokładzie nie tylko

radiometr (passive) lecz i radar SAR (active), po to aby zapewnić jednoczesność

obserwacji wrażliwych na wodę (passive), i obserwacji dla rozróżniania i oceny

klas roślinności (active).

Środowisko na Ziemi jest obiektem bardzo złożonym, i jego charakterystyka

wymaga fuzji danych z różnych źródeł. Ten wysiłek łączenia danych w ocenach,

spoczywa nie tylko na użytkowniku danych, ale jest również udziałem samych

misji kosmicznych. Niech o tym zaświadczy fakt, że misja SMOS potrzebowała

zorganizowania globalnego konsorcjum SVRT (w nim bierzemy udział). Ale z

drugiej strony, ta sama misja musi dostarczać do strumienia swoich danych, dane

158

B. USOWICZ, W. MARCZEWSKI I IN…

zewnętrzne. Dane SMOS są wręcz pompowane całym szeregiem danych o środowisku

Ziemi – z innych misji, służb naziemnych (hydrologicznych, meteorologicznych,

środowiskowych), i innych banków danych naziemnych, które muszą

być aktualizowane w czasie rzeczywistym (on-line). Z punktu widzenia użytkownika

danych, jest to stale postulowana fuzja danych, która odbywa się na bieżąco,

i w pełni po stronie producenta danych. Jest to zupełnie nowa jakość w satelitarnych

obserwacjach Ziemi.

PODSUMOWANIE

W pracy przedstawiono uzyskane wyniki analizy statystycznej i geostatystycznej

oraz mapy rozkładów składu granulometrycznego, zawartości materii

organicznej, zawartości kwarcu, gęstości i wilgotności gleby, przewodnictwa

cieplnego, pojemności cieplnej i dyfuzyjności cieplnej gleby na dwóch obiektach

o powierzchni około 140 km 2 każdy i dwóch polach uprawnych. W jednym miejscu

testowym były gleby mineralne (generalnie – słabo uwilgotnione), w gminie

Trzebieszów (N 51°59'24", E 22°33'37") region – Podlasie Południowe. W drugim,

były gleby organiczno-mineralne mocno uwilgotnione, w gminie Urszulin

(N 51°23'43", E 23°11'54"), region – Polesie Zachodnie. Testowe pola uprawne

znajdują się przy PA PAN. na Felinie (Felin N 51°13'29", E 22°38'42").

Wynikiem tego projektu badawczego jest stworzenie dobrze określonej bazy

danych o składzie granulometrycznym, zawartości kwarcu, zawartości materii

organicznej, pH, gęstości i wilgotności gleby oraz cieplnych właściwości gleby

wybranych obszarów. Tę bazę wykorzystano do wstępnej walidacji pomiarów

wilgotności gleby, interpretowanej z danych ENVISAT-ASAR, dla zdjęcia z Polesia

lubelskiego. Dalej, ta baza danych będzie rozwijana na większe skale, aż na

całą Polskę, dla potrzeb wykorzystywania modelu CMEM, do walidacji obserwacji

SMOS. Badania wielkoskalowe wymagają niskich rozdzielczości przestrzennych.

Istniejące bazy danych glebowych dla całej Polski mają rozdzielczość około

1 km, i rozróżniają kilkadziesiąt klas glebowych. To przekracza zapotrzebowania

badań z wykorzystaniem SMOS. Model CMEM wymaga określania tylko 2 z 3

głównych składowych Piasek-Pył-Ił (Sand-Silt-Clay), za to z rozróżnianiem wartości

tych składowych znacznie lepszym niż to ma miejsce dla uznawanych kilkudziesięciu

typów gleb. Potrzeba tak wielkie liczby klas gleb, specyfikowanych

w istniejących bazach danych, jest podporządkowana innym potrzebom, np. rolnym,

a nie fizycznym ocenom ich emisyjności szumu elektromagnetycznego.

Dlatego te bazy danych wymagają stopniowania zawartości piasku i gliny przy-

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 159

najmniej do 10%, podczas gdy klasy w bazach danych rolnych, mają tę zawartość

określaną niekiedy w zakresach kilkudziesięciu procent. Mapa glebowa obszaru

dużego powinna wykazywać przestrzenny związek z morfologią, i hydrografią, a

często ten związek jest ukryty i niekonsekwentny. W pewnych obszarach należałoby

spodziewać się widocznej gradacji zmiany składu, zgodnej z hydrografią.

Tymczasem w wielkiej skali, prędzej można zauważyć kontrasty składu gleb ma

granicach kraju, które trudno uzasadniać odmiennością użytkowania lub pokrycia

terenu. Wskazuje to raczej na odmienne sposoby charakteryzowania gleb w regionach,

z przyczyn innych niż tylko precyzja metod. Badania wielkoskalowe,

zwłaszcza satelitarne, ujawniają takie kontrasty, stwarzają potrzeby wspólnego

sposobu charakteryzowania gleb, i dają odpowiednie możliwości techniczne.

Wielką rolę odgrywają tu metody statystyczne, i dlatego ta praca ma właśnie

orientację statystyczną. Zrealizowany program badawczy jest częścią pakietu

tematycznego SWEX_Polesie (Gleba Woda i Wymiana Energii), w projekcie

badawczym SWEX_Poland (2005-2009) w ramach misji badawczej SMOS (Wilgotność

Gleby i Zasolenie Oceanów) nadzorowanej przez Europejską Agencję

Kosmiczną (ESA) w badaniach nad globalnymi zmianami klimatu.

Można nie rozsądzać o przyczynach zmiany klimatu. Można nie określać klimatu

na wielkie skale, chociażby z powodu braku kompetencji klimatologicznych.

Nie można jednak negować zmiany klimatu, nie podejmując działań dla

wytwarzania danych prowadzących do istotnych miar klimatycznych, pozwalających

– innym, na stwierdzanie czy klimat się zmienia, na ile, w jakich kierunkach,

i na podstawie jakich danych. Temu służą współprace naukowe i organizacyjne

[128], aby prowadzić do synergii różnych nauk o Ziemi.

W roku 2010, Polski nadal nie ma pośród 76 krajów i wielkich organizacji sygnatariuszy

światowego porozumienia GEOSS (Global Earth Observation System

of Systems), które w roku 2005 przyjęło 10-letni plan działania [47].

PIŚMIENNICTWO

1. Anderson A. N., McBratney A. B., Crawford J. W.: Applications of Fractals to Soil Science.

Advences in Agronomy, (Ed. D. L. Sparks, Academic Press), 63, 2-76, 1998.

2. Armstrong A. C.: On the fractal dimensions of some transient soil properties. J. Soil Sci., 37,

641-652, 1986.

3. Bachmann J., Horton R., Ren T., Van der Ploge R.R.: Comparison of the thermal properties

of four wettable and four water-repellent soils. Soil Sci. Soc. Am. J., 65, 1675-1679, 2001.

4. BEAM software http://www.brockmann-consult.de/cms/web/beam

5. Bristow K.L., Kluitenberg G.J., Horton R.: Measurement of soil thermal properties with a

dual-probe heat-pulse technique. Soil Sci. Soc. Am. J., 58, 1288-1294, 1994.

160

B. USOWICZ, W. MARCZEWSKI I IN…

6. Bałaga K., Dobrowolski R., Rodzik J.: Paleogeograficzne warunki rozwoju jezior i torfowisk

Poleskiego Parku Narodowego i jego strefy ochronnej, Annales UMCS, sec. B, vol. 48, 1-18,

1995,

7. Baranowski P., Kossowski J., Usowicz B.: Spatial variability of soil water content in cultivated

fields. Zesz. Probl. Post. Nauk Roln., 405, 9-19, 1994.

8. Bartoli F., Burtin G., Royer J. J., Gury M., Gomendy V., Phylippy R., Leviandier Th.,

Gafrej R.: Spatial variability of topsoil characteristics within one silty soil type. Effects on clay

migration. Geoderma, 68, 279-300, 1995.

9. Bartoli F., Philippy R., Burtin G.: Influence of organic matter aggregation in Oxisols rich in

gibbsite or in goethite. I. Structures: the fractal approach. Geoderma, 54, 231-257, 1992.

10. Bartoli F., Philippy R., Doirisse M., Niquet S., Dubuit M.: Structure and self-similarity in

silty and sandy soils: the fractal approach. J. Soil Sci., 42, 167-185, 1991.

11. Bednarek H., Kołodziej J., Liniewicz K.: Wybrane cechy intercepcji opadów atmosferycznych

w łanach niektórych roślin uprawnych. Acta Agrophysica, 34, 19-28, 2000.

12. Białousz S.: Soil map of Poland according to FAO legend with different number of soil mapping

units. Proc. Land Information System, Hannover, 1966.

13. Bołaszewska J., Reutt F.: Częstość występowania poszczególnych mas powietrza w Polsce w

okresie 10 lat 1946-1956. Prace PIHM, 66, 16-32, 1962.

14. Brightness Temperature http://en.wikipedia.org/wiki/Brightness_Temperature

15. Brus D.,J.: Incorporating models of spatial variation in sampling strategies for soil. PhD Thesis,

Wageningen Agricultural University, The Netherlands, 1-211, 1993.

16. Burrough P. A.: Multiscale sources of spatial variability in soil. I. The application of fractal

concepts to tested levels of soil variation. J. Soil Sci., 34, 577-626, 1983.

17. Burrough, P.A.: Fractal dimensions of landscapes and other environmental data. Nature, 294,

240-242, 1981.

18. Burrough, P.A.: Principles of Geographical Information Systems for Land Resources Assessment.

Oxford University Press, Oxford. 1986.

19. Burgess, T.M. and R. Webster: Optimal interpolation and isarithmic mapping of soil properties.

I. The semivariogram and punctual kriging. J. Soil Sci., 31, 315-331, 1980.

20. Burgess, T.M. and R. Webster: Optimal interpolation and isarithmic mapping of soil properties.

II. Block kriging. J. Soil Sci., 31, 333-341, 1980.

21. Carslaw H.S., Jaeger J. C.: Conduction of Heat in Solids", Oxford University Press, 2 nd edition,

(1959)

22. Chmielewski T. J. (red.): Rezerwat Biosfery „Polesie Zachodnie”. Walory, funkcjonowanie,

perspektywy rozwoju, Poleski Park Narodowy, Wojewoda Lubelski, Lublin-Urszulin. 2005.

23. Chomicz K., Kuczmarska L.: Zachmurzenie i usłonecznienie w Polsce. Przegl. Geofiz., XVI,

1-2, 69-94, 1971.

24. CMEM: Community Microwave Emission Model, ECMWF

http://www.ecmwf.int/research/ESA_projects/SMOS/cmem/cmem_index.html

25. CORINE Land Cover http://www.eea.europa.eu/publications/COR0-landcover

http://www.earthobservations.org/documents.shtml

26. David, M.: Geostatistical Ore Reserve Estimation. Elsevier, Scientific Publishing Co., Amsterdam,

The Netherlands, 1977.

27. de Vries, D.A.: Thermal properties of soils. In W.R. van Wijk (ed.) Physics of plant environment.

North-Holland, Amsterdam, 210-235, 1963.

28. Dobrzański B., Malicki A.: Gleby województwa krakowskiego i rzeszowskiego. Annales

UMCS, s.B, 4, 117-134, 1950.

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 161

29. Dobrzański B., Piszczek J.: Mapa gleb powiatu mieleckiego. Annales UMCS, s.B, 3, 15-31.

1948.

30. Dobrzański B., Zawadzki S.: Gleboznawstwo. PWN, Warszawa, 1995.

31. Drzymała S., Mocek A.: Metody z zakresu fizyki i chemii gleb zalecane przez ISO (i PKN).

Acta Agrophysica, 48, 253-264, 2001.

32. Dubois P.C., Van Zyl J.J., Engman T.: Measuring Soil Moisture with Imaging Radars. IEEE

Trans. GRS, vol. 33, no. 4, pp. 915-926, 1995.

33. ECMWF http://www.ecmwf.int/research/ESA_projects/SMOS/

34. ECOCLIMAP: A Global Database of Land Surface Parameters at 1km Resolution in Meteorological

and Climate Models

http://www.cnrm.meteo.fr/gmme/PROJETS/ECOCLIMAP/page_ecoclimap.htm

35. Englund E., Sparks A.: Geostatistical Environmental Assessment Software. Environmental

Monitoring Systems Laboratory Office of Research and Development, U.S. Environmental Protection

Agency, Las Vegas, NV 89193-3478, 1988.

36. ENVISAT AATSR Products User Guide http://envisat.esa.int/handbooks/aatsr/CNTR1.htm

37. ENVISAT-ASAR http://envisat.esa.int/handbooks/asar/

38. ENVISAT-MERIS http://envisat.esa.int/handbooks/meris/CNTR1.htm

39. Ernst , W.G., Van de Ven, C.M., Lyon R.J:. Relationship among vegetation, climatic zonation,

soil and bedrock in the Eastern California: a ground base and remote – sensing study. Biulletin

of the Geological Society of America. 115, 12, 1583-1597, 2003.

40. ESA EOPI: Earth Observation Principal Investigator Portal, The submission area for Category-

1 (Scientific) data users, http://eopi.esa.int/esa/esacmd=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.html=en

45. Gamma Design Software GS+9. 2008: Geostatistics for the environmental sciences.

46. GCOS, UN Framework Convention on Climate Change (UNFCCC), Background Documents

http://ioc3.unesco.org/oopc/documents/background.php Systematic Observation Requirements

for Satellite-based Products for Climate: Supplemental details to the satellite-based component

of the GCOS IP (September 2006), GCOS-107.pdf

47. GEOSS Global Earth Observation System of Systems

http://www.earthobservations.org/documents.shtml

48. Gliński J., Ostrowski J., Stępniewska Z., Stępniewski W.: Bank próbek glebowych reprezentujących

gleby mineralne Polski. Probl. Agrofizyki, 66, 1-57, 1991.

49. Gołaszewski J.: Analiza zmienności przestrzennej w doświadczeniach polowych. Fragmenta

Agronomica (XVII), 4(68), 4-14, 2000.

50. Gołaszewski J.: Szacowanie i eliminacja efektów zmienności przestrzennej w doświadczalnictwie

polowym. Post. Nauk Roln., 2, 31-51, 2000.

51. Gotway C.A., Hergert G.W.: Incorporating spatial trends and anisotropy in geostatistical

mapping of soil properties. Soil Sci. Soc. Am. J., 61, 298-309, 1997.

52. Griffith, D.A.: Spatial Autocorrelation: A Primer. Association of American Geographers,

Washington, D.C., 1-86, 1987.

53. Gumiński R.: Próba wydzielenia dzielnic rolniczo-klimatycznych w Polsce. Przegl. Meteorol.

Hydrolog., 1, 7-20,1948.

162

B. USOWICZ, W. MARCZEWSKI I IN…

54. Harasimiuk M., Michalczyk Z., Turczyński M. (red.): Jeziora łęczyńsko-włodawskie, Monografia

przyrodnicza, Biblioteka Monitoringu Środowiska, UMCS. WIOŚ, Lublin, 1-176,

1998.

55. Harasimiuk M., Dobrowolski R., Rodzik J.: Budowa geologiczna i rzeźba terenu Poleskiego

Parku Narodowego, (w:) S. Radwan (red.), Poleski Park Narodowy. Monografia przyrodnicza,

Wyd. MORPOL, Lublin, 29-41, 2002.

56. Hardy, M., Jamogne, M. et. al .: Mineralogical development of the silt fraction of a podzoluvisol

on loess in the Paris Basin (France). European Journal of Soil Sci., 50, 443 – 456, 1999.

57. Haan C.T.: Statistical Methods in Hydrology. Iowa State University Press, Ames, Iowa. 1977.

58. Hopmans J.W., Dane J.H.: Thermal conductivity of two porous media as a function of water

content, temperature and density. Soil Sci., 142 (4), 187-195, 1986.

59. Hummatov N.G., Zheromskiy S.V., Mironenko Ye.V., Pachepskiy Ya.A., Shcherbakov

R.A.: Geostatistical analysis of water retention capacity spatial variability for a grey forest soil.

Pochvoviedenie, 6, 52-62, 1992.

60. Isaaks E.H., Srivastava R.M.: An introduction to applied geostatistics. Oxford University

Press, NY, 1989.

61. Jackson, M.L., Sayin, M., Clayton, R.N.: Hexafluorosilisic acid reagent modification for

quartz isolation, Soil Sci. Soc. Am. J. 40, 958 – 960, 1976.

62. Journel A.G., Huijbregts C.J.: Mining Geostatistics. Academic Press, New York, 1978.

63. JRC European Soil Portal http://eusoils.jrc.ec.europa.eu/

64. Kowaliński S., Truszkowska R., Kowalkowski A., Ostrowski J.: Bank informacji o środowisku

glebowym BIGLEB. Rocz. Glebozn., 30(1), 73-84, 1979.

65. Kaszewski B.M.: Klimat Polesia Lubelskiego i jego zmiany. Acta Agrophysica, 66, 21-48,

2002.

66. Kaszewski B.M., Mrugała S.: Wybrane charakterystyki temperatury powietrza i opadów

atmosferycznych na obszarze lubelszczyzny (1951-1990). Acta Agrophysica, 47, 1-75, 2001.

67. Kaszewski B.M., Mrugała S., Warakomski W.: Temperatura powietrza i opady atmosferyczne

na obszarze Lubelszczyzny (1951-1990). W: Środowisko przyrodnicze Lubelszczyzny, LTN,

Lublin, 1995.

68. Kaszewski B. M.: Warunki klimatyczne Poleskiego Parku Narodowego, (w:) S. Radwan (red.),

Poleski Park Narodowy. Monografia przyrodnicza, Wyd. MORPOL, Lublin, 19-28, 2002.

69. Kaszewski B. M., Mrugała S.: Wybrane charakterystyki temperatury powietrza i opadów

atmosferycznych na obszarze lubelszczyzny (1951-1990), Acta Agrophysica, 47, 1-75, 2001.

70. Kersten, M.S.: Thermal properties of soils. Bull. 28. University of Minnesota. Inst. Technology,

Enginering Experiment Station, 52, 21, 1949.

71. Kimball B.A., Jackson R.D., Reginato R.J., Nakayama F.S., Idso S.B: Comparison of fieldmeasured

and calculated soil-heat fluxes. Soil Sci. Soc. Am. J., 40, 18-25, 1976.

72. Kędziora A.: Podstawy agrometeorologii. PWRiL. Poznań, 1995.

73. Kędziora A., Olejnik J.: Heat balance structure in agroecosystems. In: L.Ryszkowski, N.R.

French, A.Kędziora (Eds.) – Dynamics of an agricultural landscape. PWRiL, Poznań, 45-64,

1996.

74. Kołodziej J., Liniewicz K., Orzeł W.: Investigations into the relationship between the amount

of precipitation, the precipitation interception and the moisture of soil under cultivated plants.

Zesz. Probl. Post. Nauk Roln., 220, 191-202, 1979.

75. Komisarek J.: Zmienność przestrzenna czarnych ziem i gleb płowych falistej moreny dennej

Równiny Kościańskiej. Roczn. AR Poznań, CCLXVIII, 205-217, 1994.

76. Kondracki J.: Geografia regionalna Polski. PWN, Warszawa 2000.

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 163

77. Kossowski J.: O częstości głównych typów pogody w Polsce. Przegl. Geofiz., XIII(XXI), 3,

283-292, 1968.

78. Kossowski J.: Przebieg roczny częstości występowania głównych typów pogody w poszczególnych

regionach Polski w okresie 1951-1960. Folia Soc. Sci. Lublin., s.D, 9, 61-67, 1969.

79. Kossowski J.: Thermal properties of soil in Felin. Report MR II.08.02.8, Institute of Agrophysics,

PAS, Lublin 1977.

80. Kossowski J., Usowicz B.: Charakterystyka pola wilgotności gleby przy różnej liczbie

próbkowań. Acta Agrophysica, 38, 127–137, 2000.

81. Kożuchowski K., Marciniak K.: Fluktuacje kontynentalizmu klimatu Polski na tle warunków

cyrkulacyjnych i solarnych. Przegl. Geofiz., XXXI(XXXIX), 2, 1986.

82. Kuczmarski K., Paszyński J.: Zmienność dobowa i sezonowa usłonecznienia w Polsce.

Przegl. Geogr., 53, 4, 779-791, 1981.

83. Lipiec J., Hakansson I., Tarkiewicz S., Kossowski J.: Soil physical properties and growth of

spring barley related to the degree of compactness of two soils. Soil and Tillage Res., 19, 307-

317, 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. 1-

17, doi 10.1029/2003JE002192

89. Marczewski W., Usowicz B., Dabrowski B., Wawrzaszek R., Seweryn K., Sendek E.,

Kömle N.I., Kargl G.: „On the use of the Fourier number to interpret thermal measurements

with a quasi–linear heat source”, pp. 57-82, Penetrometry in the Solar System II, Print version

ISBN 978-3-7001-6664-1, Austrian Academy of Sciences, 2009, Online version:

http://hw.oeaw.ac.at/arp=0x001e8a5e

90. Marczewski W., Zawadzki J., Przeździecki K., Szymankiewicz K.: ”Soil Moisture Monitoring

at the Kampinoski National Park, Poland, for Validating SMOS”, ISRSE-33 Symposium,

Stresa May 2009, 6 pages, (in press)

91. Matheron G.: The theory of regionalized variables and its applications. Cahiers du Centre de

Morphologie Mathematique, Fontainebleau, No. 5, 1971.

92. McBratney A.B., Webster R.: How many observations are needed for regional estimation of

soil properties. Soil Sci., 135(3), 177-183, 1983.

93. Miara K., Paszyński J., Grzybowski J.: Zróżnicowanie przestrzenne bilansu promieniowania

na obszarze Polski. Przegl. Geogr., 59, 4, 487-509, 1987.

94. Michalczyk. Z, Chmiel S., Turczyński M.: Stosunki wodne na obszarze funkcjonalnym Poleskiego

Parku Narodowego, (w:) S. Radwan (red.), Przyrodnicze podstawy ochrony i odnowy

ekosystemów wodno-torfowiskowych w obszarze funkcjonalny P P N na tle antropogenicznych

przekształceń środowiska przyrodniczego. Acta Agrophysica, 91, Rozprawy i monografie, Inst.

Agrofizyki PAN, Lublin, 26-67, 2003.

95. Michalczyk Z., Bartoszewski S., Turczyński M.: Stosunki wodne Polesia, (w:) S. Radwan

(red.), J. Gliński, M. Geodecki, M. Rozmus, Środowisko przyrodnicze Polesia – stan aktualny i

zmiany, Acta Agrophysica, 66, Inst. Agrofizyki PAN, Lublin, 49-76, 2002.

164

B. USOWICZ, W. MARCZEWSKI I IN…

96. Michalczyk Z., Bartoszewski S., Chmiel S., Dawidek J., Głowacki S., Turczyński M.: Zasoby

wodne Poleskiego Parku Narodowego, (w:) S. Radwan (red.), Poleski Park Narodowy.

Monografia przyrodnicza, Wyd. MORPOL, Lublin, 55-71, 2002.

97. Michna E.: Usłonecznienie województwa lubelskiego na tle usłonecznienia Polski. Folia Soc.

Sci. Lublin., s. Geogr., 16, 1, 37-42, 1974.

98. Moreno F., Usowicz B., Fernandez J.E., Andreu L.: Spatial distribution of salinity and water

content in the reclaimed salt-affected soils of south-western Spain. Proc Int. Conf. "Wastewater

re-use in irrigated agriculture" 22-26 September 1997, vol. IV, 83-93, Valenzano (Bari), Italy.

99. Musierowicz A. (red.): Mapa gleb Polski w skali 1:300 000. Wyd. Geologiczne, Warszawa,

1961.

100. Myślińska E.: Laboratoryjne badania gruntów. Wyd. III. PWN, Warszawa, str. 213, 2001.

101. NEST (Next Esa Sar Tool) http://www.array.ca/nest/tiki-index.php

102. Noborio K.,. McInnes K.J.: Thermal conductivity of salt-affected soils. Soil Sci. Soc .Am.

J., 57: 329–334, 1993.

103. Noborio K., McInnes K.J., Heilman J.L.: Measurements of soil water content, heat capacity,

and thermal conductivity with a single TDR probe. Soil Sci., 161, 22-28, 1996.

104. Ochsner T.E., Horton R., Ren T.: Simultaneous water content, air-filled porosity, and bulk

density measurements with thermo-time domain reflectometry. Soil Sci. Soc. Am. J., 65,

1618-1622, 2001.

105. Ochsner T.E., Horton R., Ren T.: A new perspective on soil thermal properties. Soil Sci.

Soc. Am. J., 65, 1641-1647, 2001.

106. Okołowicz W.: Regiony klimatyczne. Polska – Atlas geograficzny, PPWK, Warszawa, 1966.

107. Olejnik J.: Modelowe badania struktury bilansu cieplnego i wodnego zlewni w obecnych i

przyszłych warunkach klimatycznych. Roczniki Akademii Rolniczej w Poznaniu Rozprawy

Naukowe. 268, s.125, 1996.

108. Ostrowski J.: Nizina Południowopodlaska. Przegl. Geogr., 38, 3, 393-406, 1966.

109. Pannatier Y.: Variowin 2.1. Program for Geostatistical Analysis. University Of Lousanne,

1994.

110. Papritz A.J.: Estimating temporal change of soil properties. Phd thesis, Swiss Federal Institute

of Technology, Zurich, 166 Pp. 1993.

111. Paszyński J.: Studies on the heat balance and on evaporation. Geogr. Pol., 22, 35-51, 1972.

112. Paszyński J., Krawczyk B.: Climatic regions of Poland. Indojaras, 74, 124-128, 1970.

113. Podogrocki J.: Spatial distribution of global radiation in Poland. Publ. Inst. Geoph. PAN, D-

5(120), 17-30, 1978.

114. Podogrocki J.: On solar energy resources in Poland during the vegetation period. Zesz. Probl.

Post. Nauk Roln., 369, 245-250, 1989.

115. PolSARpro Software http://earth.esa.int/polsarpro/

116. Ren, T., Gong, Y., Horton, R.: An improved model for predicting soil thermal conductivity

from water content at room temperature. Soil Sci. Soc. Am. J. 71, 1, 8 – 14, 2007.

117. Ren T., Noborio K., Horton R.: Measuring soil water content, electrical conductivity and

thermal properties with a thermo-tine domain reflectometry probe. Soil Sci. Soc. Am. J., 63,

450-457, 1999.

118. Robertson G.P. : Geostatistics in ecology: interpolating with known variance. Ecology, 68,

744-748, 1987.

119. Romer E.: Regiony klimatyczne Polski. Prace Wrocł. Tow. Nauk., s.B, 16, Wrocław 1949.

120. Schoefield R.K., Taylor A.W.: The measurement of soil pH. Soil Sci. Soc. Am. Proc., 19,

164-167, 1955.

121. Schmuck A.: Regiony pluwiotermiczne w Polsce. Czasop. Geogr., 36, 3, 241-244, 1965.

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 165

122. Schmuck A.: Regiony termiczne w Polsce. Czasop. Geogr., 32, 1, 17-30, 1961.

123. Sikora E.: Zależność właściwości cieplnych zagregowanych próbek glebowych od wielkości

agregatów i uwilgotnienia. Praca doktorska. AR Lublin, 1983..

124. SMAP: Soil Moisture Active and Passive, http://smap.jpl.nasa.gov/science/

125. SMOS: Soil Moisture and Ocean Salinity Mission, CESBIO http://www.cesbio.upstlse.fr/us/indexsmos.html

ESA http://www.esa.int/esaLP/LPsmos.html

126. Smith, B.R., Granger M.A., Buol S.W.: Sand and course silt mineralogy of selected soils on

the Lower Coastal Plain of North Carolina. Soil Sci. Soc. Am. J., 40, 928 – 932, 1976.

127. Sokal R.R., Oden N.L.: Spatial autocorrelation in biology. 1. Methodology. 2. Some biological

implications and four applications of evolutionary and ecological interest. Biological

Journal of the Linnean Society 10, 199-228, 1978.

128. SSE: Service Support Environment Land Surface - Analysis Aatellite Application Service,

http://services.eoportal.org/portal/service/ShowServiceInfo.doserviceId=8E817188

129. Spohn T., Seiferlin K., Hagermann A., Knollenberg J., Ball A. J. , Banaszkiewicz M.,

Benkhof J., Gadomski St., Grygorczuk J., Hlond M., Kargl G., Kührt E., Koemle N.,

Marczewski W., Zarnecki J.C.: „MUPUS - A Thermal and Mechanical Properties Probe for

the Rosetta Lander PHILAE", Springer - Space Science Reviews, Special Issue - Rosetta Mission,

(2007), Volume 128, Numbers 1-4, (February 2007), doi: 10.1007/s11214-006-9081-2,

pp. 339-362(24)

130. SRTM: The Shuttle Radar Topography Mission, NASA, http://www2.jpl.nasa.gov/srtm/

CGIAR, http://srtm.csi.cgiar.org/

131. StatSoft, Inc. (2008). STATISTICA (data analysis software system), version 8.0.

www.statsoft.com.

132. Stawiński J., Gliński J., Ostrowski J., Stępniewska Z.: Mapa Powierzchni Właściwej Gleb

Ornych Polski. IA PAN Lublin – IMUZ Falenty, 1999.

133. Stawiński J., Wierzchoś J., Józefaciuk G.: Metoda pomiaru pH układów glebowych eliminująca

efekt suspensji. Zesz. Probl. Postęp. Nauk Roln., 315, 233-242, 1986.

134. Stępniewska Z., Stępniewski W., Gliński J., Ostrowski J.: Atlas Oksydoredukcyjnych

Właściwości Gleb Ornych Polski. IA PAN Lublin – IMUZ Falenty, 1996.

135. SWAT Soil Water Assessment Tool http://swatmodel.tamu.edu/

136. SWEX (Soil Water and Energy Exchange) http://swex.cbk.waw.pl/

137. Thermal Radiation http://en.wikipedia.org/wiki/Thermal_radiation

138. Trangmar B.B., Yost R.S., Uehara G.: Applications of geostatistics to spatial studies of soil

properties. In: N.C. Brady, editor. Advances in Agronomy, Vol. 38, 45-94, Academic Press,

New York, 1985.

139. Truszkowska R.: Kompleksy gleb o zbliżonej przydatności rolniczej. W: Dziedzic F., Dąbrowski

P. (Red.) Atlas Rolniczy Polski. Wyd. Geologiczne, Warszawa, 1966.

140. Truszkowska R.: Wojewódzki bank informacji o środowisku glebowo-roślinnym i czynnikach

mu zagrażających: Bigleb-Wo. Prace Kom. PTG, 117, 1992.

141. Turczyński M.: Komentarz do mapy hydrograficznej w skali 1:50 000, Arkusz M-34-23-D

Hańsk, Zak. Hydr. UMCS, maszynopis, 2007.

142. Turski R., Uziak S., Zawadzki S.: Środowisko Przyrodnicze Lubelszczyzny – Gleby. LTN,

Lublin, 1-107, 1993.

143. Turski R.: Gleboznawstwo. Ćwiczenia dla studentów wydziałów rolniczych, WAR Lublin,

1-219, 1998.

144. Ulaby F.T., Batlivala P.P., Dobson M.C.: Microwave Backscatter Dependence on Surface

Roughness, Soil Moisture, and Soil Texture: Part I-Bare Soil. IEEE TRANSACTIONS ON

GEOSCIENCE ELECTRONICS, VOL. GE-16, NO. 4, pp 286- 295, 1978.

166

B. USOWICZ, W. MARCZEWSKI I IN…

145. Ulaby F.T., Bradley G.A., Dobson M.C.: Microwave Backscatter Dependence on Surface

Roughness, Soil Moisture, and Soil Texture: Part II-Vegetation-Covered Soil. IEEE TRANS-

ACTIONS 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.

16 th 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.

17 th 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, 1-

70. 1985.

162. Webster R., Burgess T.M.: Sampling and bulking strategies for estimating soil properties in

small regions. J. Soil Sci., 35, 127-140, 1984.

163. Webster, R. and M.A. Oliver: Statistical Methods in Soil and Land Resource Survey.

Oxford University Press, NY, 1-316, 1990.

164. Wierzchoś J.: Analiza fizykochemicznych warunków tworzenia się i trwałości struktury

glebowej. Praca doktorska. IUNG, Puławy, 1989.

165. Wilgat T. (red.): Polesie Lubelskie, Wyd. Lubelskie, Lublin. 1963.

WODA W GLEBIE - POMIARY NAZIEMNE I SATELITARNE... 167

166. Wilgat T.: Jeziora Łęczyńsko-Włodawskie, Annales UMCS, s. B, vol. 8, Wyd. UMCS, Lublin,

37-122, 1954.

167. Wilgat T., Michalczyk Z., Paszczyk J.: Płytkie wody podziemne w obszarze związanym z

centralnym rejonem Lubelskiego Zagłębia Węglowego, UMCS, Inst. Nauk o Ziemi, Lublin,

1-71, 1984.

168. Wiszniewski W., Chełchowski W.: Charakterystyka klimatu i regionizacja klimatologiczna

Polski. IMGW, Wyd. Kom. Łączn., Warszawa, 1975.

169. Witek T. (Red.): Waloryzacja Rolniczej Przestrzeni Produkcyjnej Polski Według Gmin.

Iung, Puławy, 1-416, 1981.

170. Wojciechowski K.: Zagadnienie metody bilasu wodnego Thornthwaite’a i Mathera w zastosowaniu

do Polski, Prace Geograficzne IG PAN nr 68, PWN Warszawa,1-80, 1968.

171. Woś A.: Klimat Polski. Wyd. PWN, Warszawa, 1999.

172. Van Reeuwijk L.P. (ed.): Procedures for Soil Analysis. Fifth edition. ISRIC Technical Paper

9. Wageningen, The Netherlands, 1995.

173. Vauclin, M., S.R. Vieira, G. Vachaud, and D.R. Nielsen. 1983. The use of cokriging with

limited field soil observations. Soil Sci. Soc.Am. J. 47:175–184.

174. Vieira S.R., Hatfield J.L., Nielsen D.R., Biggar J.W.: Geostatistical theory and application

to variability of some agronomical properties. Hilgardia. 51, 1-75, 1983.

175. Zinkiewicz W., Zinkiewicz A.: Stosunki klimatyczne województwa lubelskiego. Annales

UMCS, s. B, 28, 139-202, 1973.

176. Żelichowski A. M.: Tektonika Lubelskiego Zagłębia Węglowego, Przew. LVI Zjazdu PTGeol.,

Wyd. Geol., Warszawa, 21-35, 1984.

168

B. USOWICZ, W. MARCZEWSKI I IN…

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: Usowicz@demeter.ipan.lublin.pl

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 bdob@ipan.lublin.pl

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 â POMIARY NAZIEMNE I SATELITARNE ... - Lublin

WODA W GLEBIE â POMIARY NAZIEMNE I SATELITARNE ... - Lublin ... View more WODA W GLEBIE â POMIARY NAZIEMNE I SATELITARNE ... - Lublin

Delete template?

Save as template ?

WODA W GLEBIE â POMIARY NAZIEMNE I SATELITARNE ... - Lublin

WODA W GLEBIE â POMIARY NAZIEMNE I SATELITARNE ... - Lublin WODA W GLEBIE â POMIARY NAZIEMNE I SATELITARNE ... - Lublin