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
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 //
- Page 2 and 3: KA PAN WODA W GLEBIE POMIARY NAZIEM
- Page 4 and 5: WODA W GLEBIE - POMIARY NAZIEMNE I
- Page 6 and 7: WODA W GLEBIE - POMIARY NAZIEMNE I
- Page 8 and 9: WODA W GLEBIE - POMIARY NAZIEMNE I
- Page 10 and 11: WODA W GLEBIE - POMIARY NAZIEMNE I
- Page 12 and 13: WODA W GLEBIE - POMIARY NAZIEMNE I
- Page 14 and 15: WODA W GLEBIE - POMIARY NAZIEMNE I
- Page 16 and 17: WODA W GLEBIE - POMIARY NAZIEMNE I
- Page 18 and 19: WODA W GLEBIE - POMIARY NAZIEMNE I
- Page 20 and 21: WODA W GLEBIE - POMIARY NAZIEMNE I
- Page 22 and 23: WODA W GLEBIE - POMIARY NAZIEMNE I
- Page 24 and 25: WODA W GLEBIE - POMIARY NAZIEMNE I
- Page 26 and 27: WODA W GLEBIE - POMIARY NAZIEMNE I
- Page 28 and 29: WODA W GLEBIE - POMIARY NAZIEMNE I
- Page 30 and 31: WODA W GLEBIE - POMIARY NAZIEMNE I
- Page 32 and 33: WODA W GLEBIE - POMIARY NAZIEMNE I
- Page 34 and 35: WODA W GLEBIE - POMIARY NAZIEMNE I
- Page 36 and 37: WODA W GLEBIE - POMIARY NAZIEMNE I
- Page 38 and 39: WODA W GLEBIE - POMIARY NAZIEMNE I
- Page 40 and 41: WODA W GLEBIE - POMIARY NAZIEMNE I
- Page 42 and 43: WODA W GLEBIE - POMIARY NAZIEMNE I
- Page 44 and 45: WODA W GLEBIE - POMIARY NAZIEMNE I
- Page 46 and 47: WODA W GLEBIE - POMIARY NAZIEMNE I
- Page 48 and 49: WODA W GLEBIE - POMIARY NAZIEMNE I
- Page 50 and 51: WODA W GLEBIE - POMIARY NAZIEMNE I
KA PAN<br />
<strong>WODA</strong> W <strong>GLEBIE</strong><br />
<strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong><br />
W BADANIACH ZMIAN KLIMATU<br />
B. Usowicz,<br />
W. Marczewski,<br />
J. Lipiec,<br />
J.B. Usowicz,<br />
Z. Sokołowska,<br />
H. Dąbkowska-Naskręt,<br />
M. Hajnos,<br />
M.I. Łukowski<br />
Polska Akademia Nauk // Komitet Agrofizyki // Wydawnictwo Naukowe FRNA //
KA PAN<br />
<strong>WODA</strong> W <strong>GLEBIE</strong><br />
<strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong><br />
W BADANIACH ZMIAN KLIMATU<br />
B. Usowicz,<br />
W. Marczewski,<br />
J. Lipiec,<br />
J.B. Usowicz,<br />
Z. Sokołowska,<br />
H. Dąbkowska-Naskręt,<br />
M. Hajnos,<br />
M.I. Łukowski<br />
Polska Akademia Nauk // Komitet Agrofizyki // Wydawnictwo Naukowe FRNA //
Fundacja Rozwoju Nauk Agrofizycznych prowadzi Wydawnictwo Naukowe na rzecz<br />
Komitetu Agrofizyki PAN oraz Instytutu Agrofizyki im. Bohdana Dobrzańskiego PAN.<br />
Specjalizacją wydawnictwa jest Agrofizyka.<br />
Agrofizyka - dyscyplina naukowa dotycząca zastosowań fizyki i nauk ścisłych w<br />
obszarze badań rolniczych i przyrodniczych. Językiem podstawowym jest polski.<br />
Komitet Agrofizyki PAN<br />
Tytuł monografii<br />
<strong>WODA</strong> W <strong>GLEBIE</strong> – <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong><br />
W BADANIACH ZMIAN KLIMATU<br />
Autorzy<br />
B. Usowicz, W. Marczewski, J. Lipiec, J.B. Usowicz, Z. Sokołowska,<br />
H. Dąbkowska-Naskręt, M. Hajnos, M.I. Łukowski<br />
Autorzy pragną złożyć podziękowania Dyrekcji i Radzie Naukowej Poleskiego<br />
Parku Narodowego za umożliwienie realizacji badań na terenie Poleskiego Parku<br />
Opiniowali do druku<br />
Prof. dr hab. Bohdan Dobrzański jr<br />
Prof. dr hab. Henryk Sobczuk<br />
Praca naukowa finansowana ze środków:<br />
MNiSW w ramach projektów badawczych własnych, Nr N305 046<br />
31/1707 i N305 107 32/3865, realizowanych w latach 2006-2009, w celu<br />
wykorzystania danych do realizacji kampanii międzynarodowego<br />
programu walidacyjnego, ESA SVRT Cal/Val AO-3275.<br />
© Copyright by Fundacja Rozwoju Nauk Agrofizycznych<br />
Komitet Agrofizyki PAN, <strong>Lublin</strong> 2009<br />
ISBN: 978-83-60489-14-7<br />
Wyd. Nauk. FRNA, Komitet Agrofizyki PAN<br />
Wydanie I, nakład 130 egz., ark. wyd. 14.8<br />
Projekt okładki: Bohdan Dobrzański, III<br />
Druk, naświetlanie: ul. Abramowicka 6, 20-442 <strong>Lublin</strong>
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 3<br />
SPIS TREŚCI<br />
WSTĘP ..........................................................................................................................5<br />
Cel pracy ....................................................................................................................8<br />
METODYKA I OBIEKTY BADAŃ .............................................................................9<br />
Metody geostatystyczne – wprowadzenie .................................................................9<br />
Semiwariogram ........................................................................................................12<br />
Trend .......................................................................................................................16<br />
Semiwariogram standaryzowany .............................................................................17<br />
Krossemivariogram .................................................................................................18<br />
Kriging .....................................................................................................................22<br />
Kokriging .................................................................................................................25<br />
Wymiar fraktalny .....................................................................................................27<br />
Wyznaczanie właściwości cieplnych gleby .............................................................30<br />
Pomiary własności cieplnych gleb ...........................................................................35<br />
Położenie terenu badań Niziny Południowopodlaskiej ...........................................42<br />
Charakterystyka stosunków klimatycznych.............................................................44<br />
Położenie terenu badań Polesia Zachodniego..........................................................50<br />
Budowa geologiczna, litologia i rzeźba terenu ........................................................51<br />
Stosunki wodne .......................................................................................................52<br />
Charakterystyka stosunków klimatycznych.............................................................53<br />
Rozpatrywane obiekty badań, parametry i metody ich określania ..........................55<br />
Doświadczenie polowe ............................................................................................56<br />
Pomiar gęstości i wilgotności gleby ........................................................................58<br />
Pomiar składu granulometrycznego, zawartości węgla i pH gleby .........................58<br />
Pomiar zawartości kwarcu w glebie ........................................................................59<br />
Normy i standardy używane podczas pomiarów próbek glebowych ......................59<br />
Dane satelitarne .......................................................................................................60<br />
WYNIKI ......................................................................................................................64<br />
Analiza statystyczna obserwacji naziemnych ..........................................................64<br />
Kwarc ......................................................................................................................65<br />
Analiza geostatystyczna obserwacji naziemnych ....................................................69<br />
Analiza wymiaru fraktalnego ....................................................................................71<br />
Estymacja rozkładów badanych cech za pomocą metody kriging i kokriging ........98<br />
Wykorzystanie miejscowych pomiarów naziemnych do ocen regionalnych<br />
i walidacji obserwacji satelitarnych ................................................................112
4<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
Możliwości wykorzystywania obserwacji SMOS dla celów badań środowiskowych<br />
.........................................................................................................................126<br />
Uzyskane wyniki analizy zdjęć satelitarnych ........................................................128<br />
Przykłady rozproszenia międzykanalowego w zdjęciach MERIS .........................137<br />
Wpływ kalibracji i filtracji na rozproszenie wartości pikseli ................................138<br />
Klasyfikacja ...........................................................................................................140<br />
Stała dielektryczna gleby z pomiarów naziemnych i satelitarnych .......................152<br />
PODSUMOWANIE ...................................................................................................158<br />
PIŚMIENNICTWO ....................................................................................................159
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 5<br />
WSTĘP<br />
Badanie globalnych zmian klimatu, poznawanie mechanizmów prowadzących<br />
do tych zmian i szukanie przyczyn globalnego ocieplenia klimatu, w świetle obserwowanych<br />
negatywnych skutków, jakie niosą te zmiany, jest już uznanym<br />
kompleksem priorytetowych zadań społeczności naukowej. Najważniejszym elementem<br />
środowiska, determinującym klimat jest woda. W atmosferze krąży zaledwie<br />
0.0001% wszystkich zasobów wody na Ziemi. Równoważne zasoby wody są<br />
utrzymywane w przypowierzchniowej warstwie gleby, na lądach tzn. na około ¼<br />
powierzchni planety. Jaki jest udział tego zasobu wody z gleby, w cyrkulacji wody<br />
przez atmosferę, i czy odpowiada on pokryciu powierzchni planety lądami, tego<br />
nie wiadomo. A jest jedna z kilku kwestii kluczowych dla globalnych badań klimatu,<br />
która musi znaleźć odpowiedź ilościową. Mimo że reszta ¾ powierzchni planety,<br />
jest pokryta oceanami, i dominuje w tym bilansie wody, to udział wymiany<br />
wody z glebą jest bardzo istotny bo ta wymiana podlega szybkim zmianom. W grę<br />
wchodzą niewielkie ułamkowe części w miarach względnych, ale olbrzymie masy<br />
wody i wiązane z nią ilości energii, która napędza cały cykl wodny. Woda jest<br />
bardzo efektywnym nośnikiem energii, a gleba jednym z kilku najważniejszych<br />
regulatorów wymiany energii. Zjawiska transportu mas i energii zachodzą niejednorodnie,<br />
przy ich wielkiej różnorodności, i to stanowi o trudnościach wnioskowania<br />
o zmianach klimatu. Nauki o Ziemi zakumulowały już wiele wiedzy o elementach<br />
i złożoności tego cyklu obiegu wody, ale miary ilościowe globalne są wyzwaniem<br />
głównym, i dlatego uznaje się je za priorytowe. Można nie ryzykować dokonywania<br />
bilansu globalnego, znając swoje ograniczenia, ale trzeba podejmować<br />
takie istotne tematy szczegółowe, które znajdą w nim swoje zapotrzebowanie, a<br />
przynajmniej będą zgodne we współpracach z tymi programami, które do takiego<br />
bilansu prowadzą.<br />
Składanie globalnego bilansu wody i energii, z części to koncepcja prosta, lecz<br />
w szczegółach bardzo trudna do przeprowadzenia. Liczba procesów jakie wchodzą<br />
w grę, i ich współzależności czasowo-przestrzennych, wymaga koncepcyjnej<br />
zgodności celów działania środkami technicznymi i statystycznymi. Osiągane oceny<br />
uogólniające nie mogą gubić istotności związków między elementami złożonej<br />
rzeczywistości. Cele stosowanych metod muszą być głęboko zbieżne, najczęściej<br />
odnajdują się w fizyce, na gruncie miar energii i entropii. Bez takiej zbieżności<br />
trudno o zachowanie istotności związków z tak różnymi dziedzinami jak biologia<br />
czy ekonomia. O ile w miarę łatwo radzimy sobie z badaniami prowadzonymi w<br />
laboratoriach w warunkach stanu stacjonarnego i ograniczenie umiejscowionych
6<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
badaniach w warunkach stanu niestacjonarnego (naziemne stacje pomiarowe), o<br />
tyle trudniej jest nam prowadzić badania zdalne z przestrzeni kosmicznej, na nieporównanie<br />
większe skale. Kiedyś poszukiwano źródeł wielkich rzek. Dzisiaj Tybetańskie<br />
plateau jest rozważane jako skupisko zlewni. Na to trzeba było zmiany<br />
punktu widzenia procesów zbierania i odprowadzania wody. Innym przykładem<br />
jest stale dokonująca się ewolucja poglądów na to jak badać, i po co, opad w skalach<br />
kontynentalnej i globalnej. Badania kosmiczne już dawno wniosły nie tylko<br />
nowy punkt widzenia z orbity, ale i nowe podejście do szczegółowych badań takich<br />
zjawisk jak ewapotranspiracja, w związkach z fotosyntezą i zapotrzebowaniem<br />
na energię. Dzisiaj badania szczegółowe z trudem mogą obywać się bez dostępu<br />
do baz danych często nieosiągalnych miejscowo, jak np. w badaniach susz<br />
rolicznych. To są nowe jakości przychodzące do agrofizyki wraz z postępem technicznym<br />
i cywilizacyjnym. Meteorologia użytkowa na potrzeby lokalne nie traci<br />
swojego znaczenia, ale zyskuje nowe konteksty jakie przed dekadą czy dwiema,<br />
były trudne do przewidzenia. Priorytet ważności wilgotności gleb, badanej metodami<br />
tradycyjnymi, miejscowo, jest dzisiaj powszechnie niedoceniany. Trzeba<br />
dopiero chyba nowych odkryć na skalę globalną, aby przywracać świadomość<br />
istotności niektórych zmiennych środowiskowych. Pewnych zaniechań w lokalnych<br />
badaniach bezpośrednich, nie można podtrzymywać, kiedy okazuje się, że<br />
wyniki uzyskane na Ziemi są potrzebne walidacjom badań kosmicznych. Postęp<br />
techniczny stwarza złudzenia, że z obserwacji satelitarnych można „wiedzieć<br />
wszystko”. Możliwości obserwacji technikami zdalnymi są rzeczywiście wielkie,<br />
ale zmuszają również do wykorzystywania ich dokonań na drodze nie tylko bezpośredniej,<br />
np. posługując się zdjęciami satelitarnymi, lecz i na drodze pośredniej<br />
przez wykorzystywanie metod i technik pomiarów naziemnych, które mają już<br />
swoje dobrze ustanowione nisze rynkowe na wyposażenie. Indeks liściowy LAI,<br />
akumulację promieniowania na fotosyntezę fAPAR, mierzy ciągle niewielu, choć<br />
środowiskiem, roślinnością, lasem zajmuje się wiele środowisk badawczych. Nie<br />
można tego usprawiedliwiać brakiem instrumentów, technik, czy nawet biedą.<br />
Trzeba w tym widzieć brak zapotrzebowania wynikający odległości cywilizacyjnej<br />
do problemów jakie współczesne nauki o Ziemi i środowisku podejmują za priorytetowe.<br />
Nawet jeżeli jest świadomość tego dystansu, to na ogół brak jest ciągle tak<br />
istotnych i żywych kontaktów współpracy naukowych, które tworzą zapotrzebowanie<br />
na ewolucyjną zmianę w poglądów na to co należy mierzyć, i jak charkateryzować<br />
bardzo złożone środowisko naturalne na Ziemi. Jeżeli nie wiadomo co<br />
zawiera lista zmiennych ECV (Environmental Climate Variable) [46], to i zapotrzebowania<br />
na dane naziemne z miejscowych pomiarów wilgotności gleb SM<br />
(Soil Moisture) nie ma. Nawet jeżeli wystarcza do tego wyposażenie tradycyjne.<br />
Podobnie można sądzić o wykorzystywaniu metod i narzędzi statystycznych. Trzeba<br />
dopiero technik GIS, aby podstawowa wiedza kartograficzna okazywała się<br />
potrzebna na co dzień, i narzędzia statystyczne stosowane nabrały innej wagi w
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 7<br />
badaniach, jakiej nie mogły znaleźć dotąd. Techniki GIS nie rozwiążą jednak problemów<br />
wynikających z różnorodności środowiska, dopóki taka potrzeba nie będzie<br />
włączana do celów badawczy, a nie jest jeśli cele nie są stawiane we właściwych<br />
skalach. Aby postawić cele w skali regionalnej, i sformułować zadania wykonalne,<br />
trzeba na to lepszego związku z badaniami kosmicznymi.<br />
Poznanie natury procesów zachodzących na granicy atmosfery i gleby, określenie,<br />
który z nich ma większy lub mniejszy wpływ na klimat może odbywać się<br />
poprzez badanie bilansu cieplnego powierzchni czynnej. Bilans cieplny powierzchni<br />
czynnej gleby wymaga określenia salda promieniowania, strumienia<br />
ciepła jawnego, utajonego, i strumienia ciepła w glebie. Wśród czynników, które<br />
wpływają na składowe bilansu ciepła są warunki klimatyczne, topografia środowiska,<br />
właściwości cieplne gleby, pora roku i dnia, typ pogody i jej zmian w danym<br />
dniu oraz rodzaj i właściwości powierzchni czynnej, na której zachodzi transformacja<br />
i wymiana energii. Poszczególne składowe bilansu cieplnego gleby mogą<br />
być mierzone lub oszacowywane ze znanych zależności matematycznych. Mimo,<br />
iż osiągnięto znaczny postęp w badaniach strumienia ciepła w glebie, nadal jest on<br />
w centrum zainteresowania wielu dziedzin nauki. Mierzony jest on przy użyciu<br />
strumieniomierzy lub jest oszacowywany z iloczynu przewodnictwa cieplnego i<br />
gradientu temperatury gleby, albo poprzez znane relacje z temperaturą powietrza<br />
lub saldem promieniowania. Strumieniomierze, jak i funkcyjne relacje do innych<br />
mierzonych wielkości są mało dokładne, a w przypadku strumieniomierza w<br />
znacznym stopniu modyfikują środowiska w miejscu jego zainstalowania. Metody<br />
obliczeniowe są rzadziej stosowane z uwagi na trudności w wyznaczaniu przewodnictwa<br />
cieplnego gleby i dokładnego pomiaru gradientu temperatury w jej powierzchniowej<br />
warstwie [5].<br />
Cieplne właściwości gleby znacząco wpływają na podział energii na powierzchni<br />
czynnej. Decydują one o rozkładzie temperatury w profilu glebowym<br />
oraz o przepływie energii i wody w profilu glebowym. Dlatego też są one celem<br />
badań wielu dziedzin nauki, takich jak: agrofizyka, klimatologia, meteorologia,<br />
biologia oraz dziedzin technicznych związanych z energetyką. Dotychczasowe<br />
badania wykazały, że decydujący wpływ na cieplne właściwości ma zawartość<br />
wody w glebie, gęstość ośrodka, skład mineralogiczny gleby i zawartość materii<br />
organicznej [27, 105, 117, 150, 154]. Temperatura gleby, ciśnienie i wilgotność<br />
powietrza mają mniejszy wpływ na cieplne właściwości gleby [71]. Duża zmienność<br />
wielkości fizycznych w glebie i duża zmienność przestrzenna cech składników<br />
ośrodka powoduje, że bezpośrednie pomiary cieplnych właściwości są nadal<br />
trudne i czasochłonne. Dlatego też należy poszukiwać takich metod wyznaczania<br />
cieplnych właściwości, które wykorzystałyby te właściwości i wielkości fizyczne,<br />
które niewiele zmieniają się w czasie w danym obszarze, są dostępne z literatury<br />
czy z baz danych, stacji meteorologicznych, jak i tych, które są łatwo mierzalne.<br />
Cechą gleby, która niewiele zmienia się w czasie jest jej skład granulometryczny,
8<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
skład mineralogiczny, gęstość fazy stałej czy zawartość materii organicznej. Ta<br />
ostatnia wielkość w mniejszym stopniu jest niezmienna w czasie niż pozostałe<br />
składniki. Temperatura gleby i powietrza, wilgotność gleby, ciśnienie i wilgotność<br />
powietrza wykazują dużą zmienność, są one jednak łatwe do mierzenia za pomocą<br />
automatycznych systemów pomiarowych. Gęstość gleby istotnie wpływa na właściwości<br />
cieplne gleby, a jej pomiar jest dość czasochłonny. Zatem należy ją wyznaczać<br />
w sposób optymalny [15, 80, 92, 155, 162], tj. poprzez pobranie minimalnej<br />
liczby próbek z określonego pola lub też poprzez pomiary wielkości fizycznych,<br />
które są istotnie skorelowane z gęstością i są łatwe w pomiarach [83, 84]. W<br />
tym przypadku może to być opór penetracji gleby.<br />
Minimalną liczebność przy określonym błędzie szacowania gęstości można<br />
określać za pomocą metod geostatystycznych, tj. semiwariogramów, krossemiwariogramów,<br />
krigingu, kokrigingu i kroswalidacji [15, 75, 92, 110, 138, 157, 161,<br />
162]. Metody te pozwolą również opisać powiązania pomiędzy zmiennymi trudno<br />
mierzalnymi i łatwo mierzalnymi, wyznaczyć ich parametry przestrzennej zależności<br />
i współzależności, jak i pozwolą na uzyskanie map przestrzennego rozkładu<br />
każdej badanej cechy czy wielkości fizycznej gleby w sposób optymalny przy żądanym<br />
błędzie estymacji [19, 52, 59, 60, 62, 98, 146-148, 155, 158, 163, 174].<br />
Wyznaczone z modeli cieplne właściwości gleby wymagają jednak weryfikacji.<br />
Może być ona przeprowadzona w oparciu o porównanie danych otrzymanych z<br />
bezpośrednich pomiarów i danych wyliczonych z modeli.<br />
Cel pracy<br />
Głównym celem projektu badawczego było: – 1) dostarczenie danych o wilgotności<br />
powierzchniowej warstwy gleby z wybranych miejsc na Polesiu i Podlasiu<br />
dla walidacji obserwacji misji SMOS [125], w celu pomiaru wilgotności gleby w<br />
skali globalnej, – 2) poszukiwanie istotnych korelacji między poszczególnymi<br />
wielkościami fizycznymi, określanymi z pomiarów naziemnych oraz przygotowanie<br />
i standaryzacja przetworzonych danych do postaci przydatnych dalszym badaniom<br />
i porównaniom z danymi otrzymanymi z satelity, – 3) zbadanie przestrzennych<br />
zmienności wilgotności, przewodnictwa cieplnego, pojemności cieplnej i<br />
dyfuzyjności cieplnej w powierzchniowej warstwie gleby, na wybranych obszarach,<br />
zgodnie ze współczesną praktyką stosowania metod geostatystycznych opisujących<br />
tę zmienność.
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 9<br />
METODYKA I OBIEKTY BADAŃ<br />
Metody geostatystyczne – wprowadzenie<br />
Metody statystyczne stosowane do opisu środowiska przyrodniczego, wykorzystują<br />
zwykle informację przestrzenną ograniczenie. Metody te, już na początku<br />
zakładają, że obserwacje są niezależne od siebie, co jest ograniczeniem istotnym,<br />
przy opisie i analizie zjawisk. W badaniach środowiska przyrodniczego mamy do<br />
czynienia z obserwacjami, które zawierają czynniki zależne, które mogą być<br />
przedmiotem zainteresowania, i fizycznie niezależne, które mogą być źródłem<br />
błędów, do wyeliminowania. Są jednak jeszcze i zależności lub niezależności statystyczne,<br />
które muszą być przedmiotem zainteresowania dla określania błędów,<br />
nawet jeśli źródła błędów pozostaną niezidentyfikowane. Wyniki badań środowiska,<br />
muszą uwzględniać ich dwa aspekty – łącznie, przestrzeny i czasowy. W<br />
aspekcie przestrzennym, trzeba stosować metody analizy pól losowych, na których<br />
opiera się między innymi aparat matematyczny geostatystyki [15, 75, 91, 92, 110,<br />
157, 162]. Wiedza o własnościach ośrodków i procesach, z natury jest fragmentaryczna,<br />
bo ogranicza się do wybranych obszarów lub miejsc, z których pobrano<br />
próbki. Różnorodność środowiska jest ogromna. Nie wiemy, co się dzieje pomiędzy<br />
punktami pomiarowymi. Trzeba charakteryzować obszary w ich ogólności, i<br />
temu służy geostatystyka. Obejmuje ona relacje między rzeczywistością przyrodniczą,<br />
a jej charakterystyką wyrażaną modelami statystycznymi, w przyjętym zakresie<br />
istotności charakterystyki. Te relacje, można przedstawić ogólnie diagramem<br />
Penatiera [109] (Rys. 1).
10<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
Modelowanie semiwariancji<br />
ŚWIAT<br />
REALNY<br />
Obserwacje:<br />
- próbkowanie<br />
- informacja jakościowa<br />
Działania:<br />
- statystyki opisowe<br />
-wstępne analizy danych<br />
-wstępne wariogramy<br />
Cele<br />
operacyjne<br />
Sprawdzenie<br />
hipotezy<br />
stacjonarności<br />
MODEL<br />
PROBABILISTYCZNY<br />
Pojęcia podstawowe:<br />
- zmienna losowa<br />
- zmienna<br />
zregionalizowana<br />
- funkcja losowa<br />
Działania:<br />
-estymacja<br />
-symulacje<br />
Zastosowanie wyników analizy<br />
probabilistycznej do rzeczywistości<br />
Rys. 1. Koncepcja modelowania geostatystycznego wg. Penatiera [109].<br />
Diagram przedstawia ogólen relacje pomiędzy obserwacjami a procesem modelowania<br />
semiwariogramu, przy założeniu stacjonarności procesów, i konfiguruje je<br />
względem wyników charakterystyki badanej rzeczywistości. Wykazuje i przypomina<br />
o istnieniu sprzężenia zwrotnego między źródłami danych do modelowania, i<br />
konieczności stosowania modeli procesów w analizie geostatystycznej, a modele<br />
pozwalają na przewidywanie zachowań, wtedy gdy brakuje danych.<br />
Geostatystykę trzeba uważać za metodologię, która pozwala na analizę przestrzenną<br />
i czasową korelacji danych. Jej podstawowym narzędziem jest wariogram,<br />
a dokładniej połowa wartości wariogramu nazywana semiwariogram. Geostatystyka<br />
posługuje się badaniem funkcji wariogramu reprezentatywnej zmiennej. Funkcja
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 11<br />
wariogramu z określonymi parametrami (tj. wartością samorodka, progiem i zakresem<br />
zależności), przedstawia zachowanie badanej zmiennej przestrzennie regionalizowanej<br />
[15-20, 49, 50, 118, 127], czym umożliwia wnioskowanie o obszarach,<br />
które nie są reprezentowane przez jakiekolwiek dane pomiarowe [7, 26, 57, 59, 60,<br />
62, 91, 138].<br />
Metodyka prowadzenia pomiarów, a zwłaszcza wybór i rozkładu sieci punktów<br />
pomiarowych, ma znaczenie szczególne. Pozwala na utrzymanie istotności opisu<br />
badanego obiektu względem procesów, zarówno w aspekcie przestrzennymi jak i<br />
czasowym. Wybrane elementy środowiska przyrodniczego trzeba traktować jako<br />
układy powiązane między sobą, o związkach wyrażanych za pomocą funkcji matematycznych,<br />
przy respektowaniu obu dziedzin – czasu i przestrzeni. Te funkcje<br />
określają model wewnętrznie, i pozwalają na modyfikacje, korekcje, wynikające z<br />
rozpoznawalnej zmienności otoczenia fizycznego (wejścia, wyjścia). Model pracuje<br />
tymi funkcjami, a jego rezultaty, można wyrażać w kategoriach stacjonarnych<br />
procesów losowych, i traktować w kategoriach statystycznych, np. współzależności<br />
pól losowych.<br />
Poniżej podano szereg podstawowych pojęć i relacji statystycznych, wykorzystywanych<br />
przy opracowywaniu danych. Szereg ten prowadzi do wyboru drogi<br />
postępowania metodologicznego dla danych naziemnych, ale jest na tyle ogólny,<br />
że można tę drogę postępowania odnaleźć i w szczególnych sposobach przetwarzaniu<br />
danych satelitarnych narzędziami bardzo zaawansowanymi. Jeżeli te metody<br />
interpretowania danych satelitarnych, wydają się bardzo specyficzne, to są one<br />
jednak wspólnie zakotwiczone w tej samej statystyce, a specyfika danych satelitarnych<br />
wynika przede wszystkim z użyciu takich modeli podstawowych, które odpowiadają<br />
zaangażowaniu poszczególnych instrumentów (np. technika radarowa,<br />
polaryzacyjna, analiza spektralna, etc.). Ta specyfika jest ograniczona i podporządkowane<br />
statystyce, zwłaszcza w metodach najbardziej zaawansowanych. Niniejsza<br />
praca ogranicza się do ogólnego objaśniania metod krigingu, w postępowaniu z<br />
danymi naziemnymi, i wskazywania aspektów statystycznych metod zaawansowanych,<br />
dla przetwarzania danych satelitarnych (BEAM, NEST, PolSARpro), które<br />
idą dalej, aż po wykorzystywanie sieci neuronowyche w analizie multispektralnej,<br />
lub filtrów nieliniowych (adaptacyjnych), czy też określania entropii i anizotropii.<br />
Cele statystyczne przetwarzania danych naziemnych i satelitarnych, pozostają te<br />
same. Różne są metody formułowania zadań i ich rozwiązywania. Celem jest zawsze<br />
określenie charakterystyk statystycznych, przy minimalizacji lub eliminacji<br />
uwarunkowań technicznych. Jeżeli jesteśmy w stanie odnaleźć wspólny grunt –<br />
statystyczny, dla metod stosowanych na Ziemi, i metod przetwarzania danych satelitarnych,<br />
wtedy specyfika obserwacji Ziemi z kosmosu staje się łatwiejsza do opanowania,<br />
i ograniczona.<br />
Współczesne techniki obserwacji zdalnych, i metod ich przetwarzania, stwarzają<br />
pozorne przekonanie, że z kosmosu można obserwować lepiej i więcej niż na-
12<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
kładem pracy naziemnej. Okazuje się, że obserwacje z orbity muszą być wspierane<br />
z Ziemi, dla zapewnienia im odpowiedniej jakości. W tej pracy, autorzy zdobyli<br />
przekonanie, że podstawowa i fundamentalna różnica, polega na operowaniu danymi<br />
i innej liczebności. Na Ziemi jest ich stale za mało, na to aby sięgać po metody<br />
przetwarzania przyswojone technikom kosmicznym. Jest to bardzo istotna różnica,<br />
i jej skutki powinny skupiać uwagę na znaczeniu statystyki, i modeli fizycznych,<br />
aby badacze z różnych dziedzin znajdowali korzyści ze współpracy, uzupełniali<br />
się możliwościami obserwacyjnymi we wspólnych celach, i nawet wykorzystywali<br />
takie same narzędzia.<br />
Semiwariogram<br />
Podstawowym założeniem geostatystyki potwierdzonym w wielu obserwacjach<br />
środowiska przyrodniczego odnosi się do stwierdzenia, że obok punktu, do którego<br />
przypisana jest określona wartość badanej cechy, istnieją inne punkty (lub ich continuum)<br />
o wartościach zbliżonych lub podobnych, i przez to wartości te muszą być<br />
ze sobą skorelowane [163]. Podstawą obliczeniową jest funkcja wariogramu, a<br />
ściślej, połowa oczekiwanej różnicy wartości zmiennej Z(x) w punkcie x i wartości<br />
Z(x+h), w punkcie oddalonym od niego o dystans h. Semiwariogram przedstawia<br />
zachowanie (przestrzenne lub czasowe) danej zmiennej, zwanej zmienną „regionalizową”.<br />
Ta zmienna zawiera aspekt losowy, tzn. zawiera również komponenty<br />
lokalnie nieprawidłowe strukturalnie, które przesłaniają wielkoskalowe trendy<br />
zjawiska (trend [51]). Zmienna zregionalizowana, z jednej strony wykazuje korelacje<br />
związaną z przestrzennym rozkładem danych traktowanych globalnie, a z drugiej<br />
strony może być – lokalnie, zmienną losową, charakteryzującą się określonym<br />
rozkładem prawdopodobieństwa. Analiza wariogramu zmiennej regionalizowanej<br />
ma dawać miarę i identyfikację struktury jej zmienności. Trzeba wyróżniać trzy<br />
fazy analizy: – a) faza wstępnego badania zebranych danych i wykonania oceny<br />
podstawowych statystyk, – b) faza obliczenia wariogramu empirycznego zmiennej<br />
zregionalizowanej, oraz – c) faza dopasowania funkcji zmienności w modelu matematycznym<br />
do przebiegu wariogramu empirycznego. Wymaga to znajomości<br />
pierwszych dwóch momentów statystycznych funkcji losowych przypisanych do<br />
danego zjawiska:<br />
– momentu pierwszego (średniej) [15, 109, 110, 174],<br />
[ Z ( x)<br />
] m( x)<br />
E = (1)<br />
– i drugiego (wariancji, kowariancji, semiwariogramu – semiwariancji)<br />
Var<br />
{ }<br />
2<br />
{ Z( x)<br />
} E [ Z( x) − m( x)<br />
]<br />
= . (2)
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 13<br />
Jeśli zmienne losowe Z(x 1 ) Z(x 2 ) mają wariancję, to również mają kowariancję,<br />
która jest funkcją położenia x 1 , x 2 :<br />
C<br />
( x x ) E{ [ Z( x ) − m( x )] ⋅[ Z( x ) − m( x )]} = E{ Z( x ) ⋅ Z( x )} − m( x ) ⋅ m( )<br />
= (3)<br />
1,<br />
2<br />
1<br />
1<br />
2<br />
2<br />
1 2<br />
1<br />
x2<br />
Semiwariogram γ(x 1 ,x 2 ) jest definiowany jako połowa wariancji z różnicy<br />
zmiennych losowych {Z(x 1 )– Z(x 2 )} [109, 161, 162]:<br />
1<br />
γ ( x1, x2<br />
) = Var{ Z( x1<br />
) − Z( x2<br />
)}. (4)<br />
2<br />
Oczekuje się, że badany proces jest ergodyczny, czyli wartość oczekiwana<br />
zmiennej regionalizowanej opisującej dany proces jest równa wartości średniej<br />
rozważanej zmiennej, w domenie prawie nieograniczonej. Wymaga się również,<br />
aby badany proces był stacjonarny, tzn. nie zmieniał swoich właściwości przy<br />
zmianie początku skali czasowej lub przestrzennej. W przypadku spełnienia warunku<br />
ergodyczności i stacjonarności, funkcję losową Z(x) określa się jako stacjonarną<br />
drugiego rzędu. Ponadto oczekuje się, że [109]:<br />
– wartość oczekiwana istnieje i nie zależy od położenia x<br />
E<br />
[ Z( x)<br />
] m ∀x<br />
= , (5)<br />
– dla każdej pary zmiennych losowych {Z(x),Z(x+h)} istnieje kowariancja, zależna<br />
tylko od wektora separacji h<br />
C<br />
2<br />
{ } − m ∀x<br />
( h) E Z( x + h) ⋅ Z( x)<br />
= ,<br />
– stacjonarność kowariancji implikuje stacjonarność wariancji i semiwariogramu<br />
Var<br />
2<br />
{ } = C( 0) ∀x.<br />
{ Z( x)<br />
} E [ Z( x)<br />
− m]<br />
(6)<br />
= (7)<br />
Można wykazać, że istnieje powiązanie kowariancji z semiwariogramem [109]:<br />
C<br />
2<br />
( h) = 2E{ Z( x + h ⋅ Z( x)<br />
)} − 2m<br />
= E Z( x + h)<br />
2<br />
2<br />
[ E{ Z( x + h)<br />
} − 2E{ Z( x + h) ⋅ Z( x)<br />
} + E{ Z( x)<br />
}]<br />
( h) = 2C( 0) − 2γ<br />
( h)<br />
( h) = C( 0) − γ ( h)<br />
2C<br />
−<br />
2C<br />
2 2<br />
2 2<br />
[ { } − m ] + [ E{ Z( x)<br />
} − m ]<br />
(8)
14<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
– dla wszystkich wartości wektora h różnica {Z(x+h) – Z(x)} ma skończoną wariancję<br />
i nie zależy od x<br />
{ } ∀x<br />
1 1<br />
2<br />
γ ( h) = Var{ Z( x + h) − Z( x)<br />
} = E [ Z( x + h) − Z( x)<br />
] , . (9)<br />
2<br />
2<br />
Kiedy wartość wektora h równa jest zero, to wartość semiwariancji jest również<br />
równa zero. Semiwariogram jest symetryczny względem h:<br />
( h) = γ ( − h)<br />
γ . (10)<br />
Empiryczny semiwariogram γ(h) dla odległości h obliczany jest z równania<br />
[109, 161]:<br />
N ( h)<br />
1<br />
2<br />
γ =<br />
(11)<br />
( h)<br />
2N<br />
( h)<br />
∑<br />
i=<br />
1<br />
[ z( x ) − z( x + h)<br />
]<br />
gdzie: N(h) oznacza liczbę par punktów oddalonych o h. Równanie (11) wyraża<br />
zróżnicowanie odchyleń wartości zmiennej badanej, w zależności od odległości<br />
między punktami pomiarowymi. Wyróżnia się trzy charakterystyczne parametry<br />
semiwariogramu: – samorodek (ang. nugget), – próg (ang. sill), i – zakres (ang.<br />
range).<br />
Jeśli semiwariogram jest funkcją wzrastającą nie od zera, lecz od pewnej wartości,<br />
to wartość tę nazywa się efektem samorodka. Wyraża ona zmienność badanej<br />
wielkości fizycznej przy skali mniejszej niż przedział próbkowania (może być też<br />
spowodowana niską dokładnością pomiaru). Osiągnięta wartość semiwariogramu,<br />
przy której nie następuje dalszy wzrost funkcji (w przybliżeniu jest ona równa wariancji<br />
próby), jest nazywana progiem, a odległość od zera do osiągnięcia 95%<br />
wartości semiwariogramu, nazywa się jego zakresem. Zakres wyraża największą<br />
odległość, przy której próbkowane wartości są ze sobą skorelowane.<br />
Semiwariogramy są wyznaczone danymi empirycznymi, i do nich można dopasowwywać<br />
modele matematyczne [45, 109]:<br />
– model liniowy semiwariogramu, np. możliwy do opisywania linią prostą. W<br />
modelu tym zakres przestrzennej zależności wartości próbek nie występuje jawnie.<br />
Zakres lub zasięg A 0 określa ostatni krok postępowania z próbkowaniem (h). Model<br />
liniowy opisuje się równaniem [45]:<br />
⎡ ⎤<br />
γ ( h) = C<br />
⎛ ⎞<br />
0<br />
+<br />
⎢<br />
h⎜<br />
C<br />
⎟<br />
⎣ ⎝ A ⎠⎥ (12)<br />
0 ⎦<br />
i<br />
i
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 15<br />
– model sferyczny, np. możliwy do opisania zmodyfikowaną wersją funkcji<br />
kwadratowej. Zakres zależności wartości zmiennej od przestrzennych odległości<br />
próbek, jest równy zasięgowi A 0 , poza którym dane przestają być już skorelowane.<br />
Model sferyczny opisuje się równaniem:<br />
3<br />
⎧ ⎡ h ⎛ h ⎞ ⎤<br />
⎪C<br />
⎢ ⎜ ⎟ ⎥<br />
0<br />
+ C ⋅ 1.5 − 0. 5<br />
≤<br />
( ) ⎨ ⎢<br />
h A0<br />
γ h =<br />
A0<br />
⎥<br />
⎪<br />
⎣ ⎝ A0<br />
⎠<br />
, (13)<br />
⎦<br />
⎪⎩<br />
C0<br />
+ C<br />
h > A0<br />
– model wykładniczy, podobny do modelu sferycznego, ale dający wartości<br />
zbliżające się do progu stopniowo. W modelu wykładniczym, wartości zbliżają się<br />
do progu wolniej, w modelu sferycznym. Zarówno wartości otrzymane z modelu,<br />
jak i próg, właściwie nie zbiegają się nigdy. Model wykładniczy opisuje się równaniem:<br />
h<br />
⎡ − ⎤<br />
A0<br />
γ ( h) = C ⎢<br />
0<br />
+ C ⋅ 1−<br />
e ⎥ h > 0 (14)<br />
⎢<br />
⎣<br />
⎥<br />
⎦<br />
– model Gaussowski, albo model inaczej model hiperboliczny. Jest on podobny<br />
do modelu wykładniczego, stopniowym osiąganiem wzrostu wartości. Model hiperboliczny<br />
opisuje się równaniem:<br />
2<br />
⎡ h<br />
−<br />
⎤<br />
2<br />
( )<br />
⎢ A<br />
γ h = C 1<br />
⎥ 0<br />
0<br />
+ C ⋅<br />
⎢<br />
− e<br />
⎥<br />
h > 0 (15)<br />
⎢⎣<br />
⎥⎦<br />
gdzie: γ(h) – jest wartością semiwariancji dla kroku próbkowania h, h – jest krokiem<br />
próbkowania, C 0 – jest wartością samorodka ≥ 0, C – jest wariancją strukturalną<br />
(ang. structural variance) ≥ C 0 , A 0 – jest zakresem (ang. range).<br />
Model liniowy nie ma żadnego zasięgu efektywnego, i jest ustanowiony długością<br />
ostatniego kroku próbkowania (h). Model sferyczny ma efektywny zasięg A =<br />
A 0 . Model wykładniczy, ma efektywny zasięg A = 3A 0 , co odpowiada odległości,<br />
dla której wartość (C + C 0 ) osiąga 95% wartości progowej. Model Gauss'owski, ma<br />
efektywny zasięg A = 3 0.5 A 0 , i jest odległością, dla której wartość (C + C 0 ) osiąga<br />
95% wartości progowej.
16<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
Dopasowywanie modelu do danych empirycznych, polega na minimalizacji<br />
sumy odchyleń np. kwadratowych. Otrzymane z semiwariogramów modele są<br />
przeznaczone do przestrzenno-czasowej analizy autokorelacji, lub do tworzenia<br />
obrazów, przy estymowaniu zmiennej wartości fizycznej w przestrzeni, np. metodą<br />
krigingu [35, 45, 109].<br />
Trend<br />
Zmienne potrzebne do opisu środowiska przyrodniczego, pochodzą z określonych<br />
obszarów, różniących się np. ukształtowaniem terenu, cechami gleby i pokrywy<br />
roślinnej. Dane wyrażające poszczególne zmienne, z reguły zawierają ślad<br />
zasadniczej, czyli źródłowej charakterystyki fizycznej otoczenia. Statystyczna analiza<br />
ich zmienności i zależności, wymaga strukturalnego przygotowania danych, i<br />
analizy. Zmienna regionalizowa opisuje pewien szczególnie wybrany aspekt charakterystyki<br />
środowiska, lecz zawiera składnik losowy – ε(x), z wszystkimi zmiennościami<br />
lokalnymi i komponentami błędów. Poszukuje się zasadniczego składnika<br />
strukturalnego – m(x), który ma odzwierciedlać wielkoskalowe zmienności zjawiska<br />
(trendy). Poszczególne składniki – błędu i trendu, trzeba poddać dekompozycji<br />
i zidentyfikować, wyseparować [51, 161]:<br />
( x) ( x) m( x)<br />
z = ε +<br />
(16)<br />
Tę potrzebę zaspakaja się obliczeniem czterech podstawowych momentów statystycznych<br />
semiwariogramu empirycznego zmiennej regionalizowanej, przy wykorzystaniu<br />
modelu semiwariogramu. Zakłada się, że proces jest stacjonarny, tzn.<br />
że charakterystyka trendu odnosi się do zmienności ergodycznej, a nie incydentalnej.<br />
Rezultat oczekiwany nie powinien zależeć od wyboru początku skali czasowej<br />
i wyboru skali przestrzennej. Same skale przestrzenne i czasowe, ich zakresy, gęstości<br />
i częstości próbkowania, zachowują znaczenie zasadnicze dla precyzji, ale<br />
ich inny wybór powinien dawać charakterystykę odmienną ograniczenie, tzn. z<br />
inną efektywnością i błędem. Warunek stacjonarności sprowadza się do określenia<br />
albo wyseparowania trendu – m(x) ze zbioru danych:<br />
( x) = z( x) − m( x)<br />
ε . (17)<br />
Dla jednowymiarowego przebiegu wartości równania trendu są następujące:<br />
m<br />
m<br />
m<br />
( x)<br />
= a0<br />
( x)<br />
= a0<br />
+ a1x<br />
2<br />
( x) = a + a x + a x<br />
0<br />
1<br />
2<br />
(18)
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 17<br />
Jeżeli mamy do czynienie z trendem powierzchniowym o współrzędnych x, y to<br />
równania trendu są następujące:<br />
m<br />
m<br />
m<br />
( x,<br />
y)<br />
= a0<br />
( x,<br />
y)<br />
= ax + by + c<br />
2 2<br />
( x,<br />
y) = ax + by + cxy + dx + ey + f<br />
Po wydzieleniu trendu, powinien pozostać składnik losowy o zerowej wartości<br />
średniej i skończonej wariancji.<br />
Empiryczny semiwariogram − γ(h) dla odległości h oblicza się z równania:<br />
( h)<br />
( h)<br />
i=<br />
1<br />
(19)<br />
N<br />
1<br />
2<br />
γ ( h)<br />
= ∑[ ε( xi<br />
) − ε( xi<br />
+ h)<br />
] (20)<br />
2N<br />
gdzie N(h) – oznacza liczbę par punktów odległych o h. Równanie (20) określa<br />
zróżnicowanie odchyleń wartości zmiennej ε(x i ) od trendu, w zależności od odległości<br />
między punktami pomiarowymi.<br />
Semiwariogram standaryzowany<br />
Doświadczenie w wykorzystaniu metod i narzędzi geostatystycznych wskazuje,<br />
że podstawowa definicja semiwariancji nie zawsze daje klarowny obraz przestrzennego<br />
rozkładu badanej zmiennej. Wtedy trzeba próbować innych sposobów<br />
wyznaczania rozkładu przestrzennej zmienności semiwariancji. Jeżeli semiwariogram<br />
ma taki rozrzut próbek, że nie pozwala na dopasowanie żadnego z podstawowych<br />
modeli, to bywa, że może wystarczyć prosta normalizacja semiwariogramu<br />
γ<br />
s [109]:<br />
γ<br />
s<br />
h=0<br />
( h)<br />
γ<br />
=<br />
σ ⋅σ<br />
h<br />
. (21)<br />
Wtedy trzeba posługiwać się – standardowymi odchyleniami zmiennej losowej<br />
między punktem zaczepienia wektora h= 0 ( σ<br />
h= 0 ), a próbką bieżąca w odległości h<br />
( σ<br />
h ). Zależnie od natury próbkowanego procesu stanowiącego o trendzie, można też<br />
wykorzystywać inne sposoby normalizacji, a nawet wykładnicze (lub logarytmiczne)<br />
skalowanie odległości próbek w domenach czasu i przestrzeni.
18<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
Krossemivariogram<br />
Zmienne regionalizowane można przypisywać różnym własnościom fizycznym,<br />
np. ośrodka glebowego. Na ogół okazuje się, że są one skorelowane ze sobą. Założenie<br />
o stacjonarności drugiego rzędu, pozwala charakteryzować wartości zmiennych<br />
Z 1 i Z 2 za pomocą kowariancji krzyżowej (krosskowariancji) określanej jako<br />
[161, 174]:<br />
C<br />
( h) E{ Z1( x) ⋅ Z<br />
2( x + h)<br />
} − m1<br />
2<br />
= (22)<br />
12<br />
m<br />
i<br />
oraz krossemiwariogramem definiowalnym jako:<br />
C<br />
( h) E{ Z<br />
2<br />
( x) ⋅ Z1( x + h)<br />
} − m1<br />
2<br />
= (23)<br />
21<br />
m<br />
1<br />
γ<br />
12<br />
( h) = γ 21<br />
( h) = E{ [ Z1( x + h) − Z1( x)<br />
] ⋅[ Z<br />
2<br />
( x + h) − Z<br />
2<br />
( x)<br />
]},<br />
∀x<br />
(24)<br />
2<br />
gdzie m 1 i m 2 są wartościami oczekiwanymi E{Z 1 (x)} i E{Z 2 (x)}. Wtedy krossemiwariogram<br />
można zapisać następująco:<br />
( ) = 2γ<br />
( h) = 2C<br />
( ) − C ( h) C ( h)<br />
12<br />
h<br />
21<br />
12<br />
0<br />
12 21<br />
2γ −<br />
(25)<br />
Empiryczny krossemiwariogram − γ(h) dla odległości h obliczany jest z równania:<br />
( h)<br />
( h)<br />
N<br />
1<br />
γ<br />
12( h)<br />
= ∑[ z1( xi ) − z1( xi<br />
+ h)<br />
] ⋅[ z2<br />
( xi<br />
) − z2<br />
( xi<br />
+ h)<br />
] (26)<br />
2N<br />
i=<br />
1<br />
gdzie N(h) oznacza liczbę par punktów o wartości [z 1 (x i ), z 1 (x i +h)], [z 2 (x i ),<br />
z 2 (x i +h)], odległych o h.<br />
Obliczanie krossemivariogramu nie wymaga równej liczebności danych dla z 1 i<br />
z 2 . Podobnie jak w semiwariogramie, tak i w krossemiwariogramie, wyróżnia się<br />
trzy podstawowe parametry: – samorodek, – próg, i – zakres korelacji. Dla krosssemiwariogramu,<br />
również dopasowuje się modelowe funkcje matematyczne, i<br />
określa dopasowanie krossemiwariogramów empirycznych z obliczeniowymi.<br />
Otrzymane funkcje semi- i kross-semiwariogramów wykorzystuje się do przestrzenno-czasowej<br />
analizy autokorelacji, lub do wizualizowania zmiennej regiona-
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 19<br />
lizowanej przez estymację, np. metodą krigingu lub kokrigingu w przestrzeni [35,<br />
45,109].<br />
Semiwariogramy wyodrębnianie trendów, określanie wariancji i kowariancji,<br />
korelacji i koherencji, to tylko metody statystycznego ustalania zmienności i relacji<br />
między zmiennymi. W przetwarzaniu danych naziemnych stosuje się je na zbiorach<br />
danych mało licznych, i pewnie dlatego trudno jest o wyniki o znaczeniu rozszerzonym<br />
na duże obszary. Przy przetwarzaniu danych satelitarnych, te zbiory są<br />
bardzo liczne, masowe. Jedno zdjęcie ENVISAT-ASAR [37] o powierzchni ok.<br />
80×110 km wypełnia archiwum o objętości 150-250 MB. Archiwum obserwacji<br />
naziemnych z jednej kampanii, rzadko przekracza 1 MB.<br />
Skupienie uwagi na statystycznej ocenie danych mało licznych, prowadzi do<br />
zajmowania się nimi szczegółowo, nawet pojedynczymi próbkami. Wyniki trzeba<br />
weryfikować na poziomie detalicznym, co jest to możliwe w wycinkach, prostych<br />
semiwariogramach, czy parametrach rozkładu, bo zbiory są mało liczne. Takie<br />
postępowanie staje się jednak zawodne gdy trzeba weryfikować poprawność wydzielania<br />
trendów, klasterów, albo skuteczność metod filtracji, bo zbiory są mało<br />
liczne. Inaczej jest ze zbiorami wielkimi. W nich też można prowadzić oceny statystyczne<br />
szczegółowe, powtarzając je na różnych wycinkach, albo weryfikując w<br />
różnych zasięgach. Oceny stają się bardziej konsekwentne, bo jest na to dość materiału<br />
danych. Można też prowadzić je kompleksowo.<br />
Badanie semiwariogramów, ustępuje wtedy badaniom faktur i tekstur. Daje<br />
wnioski podobne ale oparte już na mocniejszych podstawach. Podobnie jest z ocenami<br />
różnych metod filtracji. Nieliczne próbki nie dają możliwości oceny skuteczności<br />
filtracji i ich efektów pasożytniczych, z powodu niedostatku próbek. W danych<br />
mało licznych brak jest wielu możliwych kontekstów próbek. Nie ujawniają<br />
się wtedy różne efekty przesuwania wartości oczekiwanych (bias, offset, aliasing).<br />
Postępowania kompleksowe w przetwarzaniu danych liczniejszych, okazują się<br />
skuteczniejsze. Przy współczesnej technice komputerowej, nawet operowanie<br />
ogromnymi zbiorami jest szybsze, bo ciężar nadzorowania przetwarzania, przenosi<br />
się na weryfikację procedur zasadniczych. Wysoko zaawansowane narzędzia programowe<br />
dla interpretacji danych satelitarnych, posługują się procedurami już potwierdzonymi<br />
w rutynowych testach walidacyjnych.<br />
Tych narzędzi nie da się jednak przenosić na zastosowania dla danych mało<br />
licznych. Cele przetwarzania są wprawdzie statystycznie podobne, a nawet te same,<br />
przy opracowywaniu danych naziemnych i satelitarnych ale zasoby różnią się liczebnością<br />
o wiele rzędów wielkości. Można z nich jednak wynosić korzyści,<br />
przynajmniej w postaci sformułowania statystycznych celów, i uporządkowania<br />
koncepcji przetwarzania statystycznego.<br />
Praktyczne korzyści z posługiwania się danymi masowymi, polegają również<br />
na wdrażaniu celowego posługiwania się strukturą danych, przez wykorzystywanie<br />
meta-danych i języków do ich formułowania. W przypadku danych naziemnych
20<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
stosuje się formaty i metody proste, bo metody zaawansowane sprowadzają się do<br />
przypadków trywialnych.<br />
Współczesne narzędzia geostatystyki i systemy ich wykorzystania (GIS), rozwinęły<br />
się w takich właśnie kierunkach, które udostępniają zaawansowane metody<br />
przetwarzania, w dziedzinach badań naziemnych mających niewiele wspólnego ze<br />
specyfiką technik i obserwacji zdalnych z kosmosu. Przykładem mogą być numeryczne<br />
modele elewacji DEM. Współcześnie są one podstawą współczesnej kartografii,<br />
niezależnie od tego skąd – z jakiej techniki pochodzą. Po prostu wypracowano<br />
standardy strukturalne zbiorów danych DEM, i już nie można z nich nie korzystać.<br />
Te standardy powstały pod wymagania obsługi masowych zbiorów danych,<br />
lecz mogą i powinny służyć takiemu strukturyzowaniu danych naziemnych.<br />
Praktycznie w każdej dziedzinie badań naziemnych, powinno dochodzić do konfrontowania<br />
wyników, z danymi obserwacji zdalnych. Do tego trzeba wspólnej<br />
platformy i tych samych narzędzi przetwarzania, nawet jeśli znaczenie zmiennych<br />
obserwowanych jest drastycznie różne, np. tak jak temperatura jasności BT (Brightness<br />
Temperature [K]), wg prawa ciała czarnego Plancka, i wilgotność gleby<br />
SM (Soil Moisture, w mierze objętościowej m 3 m –3 ). BT jest miarą [14, 137] właściwą<br />
w radioastronomii, SM zaś miarą fizyczną pospolitą stosowaną powszechnie<br />
w agrofizyce. Agrofizyka nie wykorzystuje BT, ale współczesne techniki badań<br />
środowiskowych są na to przygotowane. Techniki obserwacji zdalnych z orbity,<br />
stosują powszechnie takie wskaźniki miar wegetacyjnych jak LAI, NDVI, fAPAR,<br />
LAIxCab [4, 38], ale te same miary w obserwacjach naziemnych bezpośrednich są<br />
stosowane dużo rzadziej. Większość takich miar ma podstawę w analizie spektralnej<br />
promieniowania, lecz w agrofizyce analizę spektralną stosuje się niezmiernie<br />
rzadko, chyba tylko tam gdzie wykorzystuje się dane z obserwacji satelitarnych.<br />
Praktyka zaspakajania potrzeb ważnych – lokalnie, nie zmusza jeszcze do sięgania<br />
po „specyficzne techniki kosmiczne”.<br />
Wdrażanie zastosowań danych satelitarnych ma swoje skutki nie tylko w<br />
aspekcie statystycznym, lecz i fizycznym. Współczesne sposoby charakteryzowania<br />
środowisk polegają na określaniu indeksów wegetacyjnych, wyrażających bezpośrednie<br />
relacje – fizyczne i statystyczne, w miarach absolutnych lub uniwersalnych.<br />
Wszelkie obserwacje fizyczne, są możliwe tylko poprzez zaangażowanie wymiany<br />
energii pomiędzy instrumentem obserwacyjnym a obiektem obserwowanym.<br />
Ale również wszystkie procesy – fizyczne zachodzą w warunkach ich napędzania<br />
energią wymienianą pomiędzy środowiskami.<br />
Wszystkie procesy chemiczne, i biologiczne w środowisku przyrodniczym zachodzą<br />
przy udziale energii i zaangażowaniu jej nośników, z których na Ziemi<br />
najważniejsza jest – woda.<br />
Specyfiką współczesnych badań środowisk przyrodniczych jest to, że następuje<br />
kompleksowa fuzja wiedzy dla wypracowywania metod badawczych w aspektach:
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 21<br />
– fizycznym, – chemicznym, – biologicznym, i niemal każdym innym, z pełnego<br />
zakresu nauk fizyczno-matematycznych, i nauk o Ziemi. Narzędzia dla tych metod,<br />
komplikują się, ale i standaryzują w zakresie wyboru możliwych zmiennych obserwacyjnych.<br />
NDVI, LAI, fAPAR można mierzyć i z kosmosu, i z Ziemi. Środki<br />
techniczne będą bardzo różne na pokładzie satelity, i w ręku badacza w terenie.<br />
Sposoby przetwarzania danych – też, z wyjątkiem zaangażowania zasady analizy<br />
spektralnej. Same indeksy LAI, fAPAR, mimo że w miarach niemianowanych, i<br />
wyprowadzane z prostych definicyjnych założeń, jak np. geometryczna definicja<br />
LAI, są jednak rozwiązaniem równania transferu energii w środowisku, spełniającym<br />
powszechne prawo zachowania energii. Mają więc bardzo mocne podstawy<br />
fizyczne, na tyle na ile stosowane ich modele zostały zweryfikowane.<br />
Są również i inne zasady uniwersalne, zaczerpnięte z matematyki, które przenikają<br />
na wskroś praktyczne metody postępowania z danymi (niezależnie od ich<br />
liczebności) z różnych dziedzin nauki, jak np. zasady i sposoby normalizacji. Dane<br />
rzeczywiste z obserwacji, mogą charakteryzować się rozpiętością poza granicami<br />
dziedziny pomiaru, usprawiedliwionej zasadą wykorzystywanych instrumentów a<br />
powodowane rozmaitością warunków, błędów i zakłóceń pracy techniki. Np. wtedy<br />
gdy przychodzi analizować zmienne z zakresu niemal od + do – nieskończoności.<br />
Takim przykładem są np. zdjęcia obserwacji zdalnych w różnych warunkach<br />
oświetlenia, mimo że zakres zmienności wartości pikseli jest ograniczony, a nie<br />
nieskończony. Można je standaryzować tak jak w definicji podstawowej, gdzie<br />
odnosi się do siebie relacje między kanałami R („red”) i IR („infrared”) wg zasady<br />
stosunku różnicy do sumy NDVI=(R – IR)/(R + IR). Nawet nieskończony zakres<br />
zmienności kanałów R i IR, zostaje sprowadzany do zakresu znormalizowanego [–<br />
1, +1]. Ta zasada normalizacji może być wykorzystywana przy porównywaniu<br />
innych zmiennych, nawet bez związku z kanałami spektralnymi, i jest często wykorzystywana<br />
w modelach zmienności. Ona też ma bardzo mocne uzasadnienie w<br />
ustalaniu relacji, nie tylko dwóch zmiennych, znane i daleko rozwinięte w algebrze,<br />
w ogólnym zagadnieniu wartości i wektorów własnych. Jest ona np. obecna<br />
w analizie polaryzacyjnej odbicia radarowego przy pomocy 4-ro elementowego<br />
wektora Stokesa, którego dwa pierwsze i najważniejsze wyrazy są sumami i różnicami<br />
komponentów hermitowskich. Analiza polaryzacyjna, w zakresie wykorzystania<br />
tych dwóch wyrazów odpowiada polaryzacyjnej analizie intensywności echa<br />
radarowego, i nie ma nic wspólnego ze „specyfiką spektralną” jaką ma definicja<br />
NDVI. Podobnych przykładów zasad i sposobów unifikujących, stosowanych w<br />
przetwarzaniu danych z obserwacji satelitarnych, jest wiele. Mają one niezwykle<br />
duże znaczenie dla innych dziedzin niż obserwacje satelitarne, o ile tylko zostaną<br />
docenione w swojej skuteczności. Można je czerpać bezpośrednio z wiedzy matematycznej,<br />
bez pośrednictwa znajomości technik obserwacji satelitarnych. Tak<br />
jednak składa się, że w tych technikach zastosowano je bardzo skutecznie, i z tych<br />
zastosowań można wynieść przekonanie, że zdalne badania Ziemi z satelitów mogą
22<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
bardzo wiele wnieść do badań bezpośrednich na Ziemi, nie tylko przez wyniki<br />
obserwacji ale i przez propagację zasad postępowania w przetwarzaniu danych, na<br />
poziomie podstawowym.<br />
Specyfika obserwacji zdalnych jest ograniczona do szczegółów technicznych, i<br />
do wykorzystywanych zmiennych podporządkowanych zasadom fizycznym działania<br />
instrumentów. Każdy pomiar realizuje się jednak fizycznie, i stąd musi wynikać<br />
wniosek, że środki charakteryzowania środowisk przyrodniczych, w rozumieniu<br />
zmiennych mierzonych (i regionalizowanych) mogą korzystnie przyjmować<br />
doświadczenie z dziedziny obserwacji zdalnych.<br />
Pospolite jest przekonanie, że współczesne techniki satelitarne dominują nad<br />
metodami badań naziemnych skutecznością. Mniej pospolite jest przekonanie, że<br />
dostępność instrumentów i danych satelitarnych jest jednak ograniczona. Np. trudno<br />
jest o uzyskiwanie udanych zdjęć satelitarnych swojego terenu – co tydzień<br />
przez rok. Przyczyna leży nie tylko w zmienności warunków zachmurzenia, lecz i<br />
w zasadach ruchu orbitalnego. Logistyczne ograniczenia dostępności zdjęć satelitarnych,<br />
i fundamentalna potrzeba walidowania obserwacji zdalnych badaniami<br />
naziemnymi, czynią badania naziemne potrzebnymi technikom satelitarnym.<br />
Wariancje, semiwariancje, korelacje, nie mówiąc już o koherencji są w obu<br />
dziedzinach jednakowo ważne lecz wyniki zależą od tego jakim wnioskom końcowym<br />
mają służyć. Na Ziemi trudno o wygenerowanie obrazu zmienności przestrzennej<br />
i czasowej, i pozostają oceny na skończonych, krótkich transektach lub w<br />
wycinkach obszarów nie łatwo poddających się rozszerzeniom. Bariery liczebności<br />
danych nie można pokonywać ekstensywnym nakładem pracy na Ziemi. Można<br />
jednak zmieniać cele interpretacji naziemnych tak, aby korespondowały one z celami<br />
obserwacji zdalnych i otwierały się możliwości sięgania po dane rozszerzające<br />
interpretacje naziemne na większe skale, w czasie i przestrzeni.<br />
Kriging<br />
Przestrzenne rozkłady cech środowiska przyrodniczego w badaniach naziemnych<br />
otrzymywane są z pomiarów punktowych, gdyż nie jesteśmy w stanie dokonać<br />
pomiarów we wszystkich punktach badanego obszaru. Otrzymanie jak najbardziej<br />
wiarygodnych przestrzennych rozkładów badanych cech wymaga użycia<br />
metod, które wykorzystują informację o przestrzennej zależności z jednej strony i<br />
minimalizują błąd szacowania w miejscach gdzie nie zostały pobrane próbki z drugiej<br />
strony. Szacowanie wartości w miejscach gdzie nie pobrano prób może być<br />
prowadzone za pomocą metody estymacji zwanej metodą krigingu. Metoda ta daje<br />
najlepsze nieobciążone oszacowanie wartości punktowych lub blokowych badanej<br />
zmiennej regionalizowanej Z(x). Otrzymujemy również za pomocą tej metody minimalną<br />
wariancję podczas procesu estymacji. Wartości wariancji krigingu zależą
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 23<br />
od położenia próbek względem szacowanej lokalizacji, od wag przypisanych próbkom<br />
oraz od parametrów modelu semiwariogramu.<br />
Estymatorem krigingu jest równanie liniowe wyrażone wzorem [161]:<br />
z<br />
N<br />
( x ) = z( x )<br />
•<br />
o<br />
∑<br />
i=<br />
1<br />
λ (27)<br />
gdzie N jest liczbą pomiarów, z(x i ) – zmierzona wartość w punkcie x i , z*(x o ) – wartość<br />
estymowana w punkcie estymacji x o , λ i – wagi. Jeśli z(x i ) jest realizacją funkcji<br />
losowej Z(x i ) to estymator funkcji losowej można zapisać jako:<br />
Z<br />
N<br />
( x ) = Z( x )<br />
•<br />
o<br />
∑<br />
i=<br />
1<br />
i<br />
i<br />
i<br />
λ . (28)<br />
Wagi przydzielone próbkom są nazywane współczynnikami krigingu. Ich wartości<br />
zmieniają się odpowiednio do tego, jak zmienia się obraz opróbkowania i jak<br />
zachodzą przestrzenne zmiany wyrażone przez zmienną podlegającą szacowaniu.<br />
Przydzielone próbkom wagi są tak dobierane, że średniokwadratowy błąd jest minimalny.<br />
Błąd ten nazywany jest wariancją krigingu σ k 2 i może być obliczany dla<br />
każdego obrazu opróbkowania i konfiguracji obszaru estymacji. Zasadniczym problemem<br />
w określeniu funkcji losowej jest znalezienie wag λ i . Wagi te są wyznaczane<br />
z układu równań po uwzględnieniu warunku nieobciążalności estymatora:<br />
•<br />
{ Z ( x ) − Z( )} = 0<br />
o<br />
x o<br />
i<br />
E (29)<br />
i jego efektywności:<br />
2<br />
k<br />
{ } = min<br />
•<br />
( x ) = Var Z ( x ) − Z( x )<br />
σ . (30)<br />
o<br />
o<br />
o<br />
Po podstawieniu estymatora średniej ważonej do wartości oczekiwanej otrzymujemy:<br />
E<br />
•<br />
{ Z ( x ) − Z( x )} = E{ Z( x )} − E{ Z( x )} = m λ − m 0<br />
o<br />
o<br />
∑ i i<br />
o ∑ i<br />
=<br />
i<br />
λ . (31)<br />
Jak widać z powyższego równania, wartość oczekiwana jest równa zero kiedy:<br />
N<br />
∑<br />
i=<br />
1<br />
λ = 1. (32)<br />
i<br />
i
24<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
Natomiast podstawiając do wariancji estymator funkcji losowej można wykazać,<br />
że:<br />
2<br />
k<br />
lub (poprzez semiwariancję):<br />
( x<br />
o<br />
) = ∑∑λ<br />
iλ<br />
jC( xi<br />
, x<br />
j<br />
) + C( 0) − 2∑λ<br />
iC( xi<br />
, xo<br />
)<br />
σ (33)<br />
2<br />
k<br />
i<br />
j<br />
( x<br />
o<br />
) = −∑∑ λ<br />
iλ<br />
jγ<br />
( xi<br />
, x<br />
j<br />
) + 2∑λ<br />
iγ<br />
( xi<br />
, xo<br />
)<br />
σ . (34)<br />
i<br />
j<br />
Minimalizacji wariancji można dokonać techniką Lagrangina, w których N<br />
równań różniczek cząstkowych jest równych zero:<br />
i<br />
i<br />
⎡<br />
∂ ⎢σ<br />
⎣<br />
( )<br />
2<br />
k<br />
x o<br />
− 2μ<br />
∂ λ<br />
i<br />
∑<br />
i<br />
⎤<br />
λ<br />
i ⎥<br />
⎦<br />
= 0 , (35)<br />
gdzie μ oznacza mnożnik Lagrangina. Po zróżniczkowaniu i redukcji równania<br />
można dojść do rozwiązania:<br />
( , x ) + 2γ<br />
( x , x ) − 2μ<br />
0<br />
− 2 ∑λ<br />
jγ<br />
x<br />
i j<br />
i o<br />
= . (36)<br />
j<br />
Uwzględniając warunek na sumę wag krigingu otrzymamy układ równań:<br />
⎧<br />
⎪<br />
⎨<br />
⎪<br />
⎪<br />
⎩<br />
N<br />
∑<br />
j=<br />
1<br />
N<br />
∑<br />
i=<br />
1<br />
λ<br />
λ = 1<br />
i<br />
j<br />
γ<br />
( x , x ) + μ = γ ( x , x )<br />
i<br />
j<br />
i<br />
o<br />
i = 1doN<br />
(37)<br />
Rozwiązując powyższy układ równań wyznaczamy wagi krigingu – λ i . Wagi te<br />
pozwalają wyznaczyć również estymowana funkcje losową Z* i jej wariancję ze<br />
wzoru:<br />
2<br />
k<br />
N<br />
( x ) = μ + λ γ ( x , x )<br />
o<br />
∑<br />
σ . (38)<br />
i=<br />
1<br />
i<br />
i<br />
o
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 25<br />
Kokriging<br />
W miarę jednorodne obszary środowiska przyrodniczego mogą być opisywane<br />
za pomocą zmiennych odnoszących się do poszczególnych jego cech. Jednak często<br />
bywa, że środowisko przyrodnicze jest bardzo skomplikowane i nie poddaje się<br />
prostemu opisowi za pomocą zmiennych rozseparowanych, które odnoszą się do<br />
poszczególnych cech czy wielkości fizycznych tego środowiska. Jedną z metod,<br />
która pozwalają badać obiekty bardziej skomplikowane jest metoda kokrigingu.<br />
Kokriging stanowi specyficzną metodę analizy pól losowych [161, 173]. Polega na<br />
ustaleniu dla określonych parametrów glebowych Z 1 i Z 2 kowariancji i kowariancji<br />
wzajemnej oraz funkcji crossemiwariogramu. Główną zaletą opisywanej metody<br />
jest możliwość pośredniego odtworzenia przestrzennej zmienności cech glebowych,<br />
których pomiary są trudne i kosztowne, na drodze analizy pola innych parametrów<br />
glebowych, łatwiejszych do określenia za pomocą standardowych przyrządów<br />
pomiarowych lub też poprawiać estymację jednej z badanych zmiennych w<br />
oparciu o drugą zmienną.<br />
Szacowanie wartości w miejscach gdzie nie pobrano prób x o może być prowadzone<br />
za pomocą metody estymacji zwanej metodą kokrigingu. Matematyczną<br />
podstawę kokrigingu stanowi twierdzenie o liniowej zależności nieznanego estymatora<br />
Z 2 * (x o ) wyrażonego wzorem [161, 173]:<br />
N1<br />
N2<br />
( xo<br />
) = ∑ 1i<br />
Z1( x1<br />
i<br />
) + ∑λ<br />
2i<br />
Z<br />
2<br />
( x<br />
ij<br />
)<br />
∗<br />
Z<br />
2<br />
2<br />
i=<br />
1<br />
j=<br />
1<br />
λ , (39)<br />
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<br />
i Z 2 włączonych do estymacji w punkcie x o . Wagi kokrigingu są wyznaczane z<br />
układu równań po uwzględnieniu warunku nieobciążalności estymatora:<br />
*<br />
{ Z ( x ) − Z ( x )} 0<br />
E (40)<br />
2 o 2 o<br />
=<br />
i jego efektywności:<br />
2<br />
k<br />
{ } = min<br />
*<br />
( x ) Var Z ( x ) − Z ( x )<br />
σ . (41)<br />
o<br />
=<br />
2 o 2 o<br />
Podstawiając estymator średniej ważonej do wartości oczekiwanej otrzymujemy:<br />
E<br />
N1<br />
*<br />
{ Z ( x ) − Z ( x )} = λ E Z ( x )<br />
= m<br />
1<br />
2<br />
∑<br />
i<br />
o<br />
1i<br />
2<br />
λ + m<br />
2<br />
o<br />
∑<br />
j<br />
2 j<br />
∑<br />
i=<br />
1<br />
1i<br />
λ − m<br />
2<br />
N2<br />
{<br />
1 1i<br />
} + ∑λ<br />
2i<br />
E{ Z<br />
2<br />
( x2ij<br />
)} − E Z<br />
2<br />
( xo<br />
)<br />
= 0<br />
j=<br />
1<br />
{ }<br />
. (42)
26<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
Z powyższego równania widać, że wartość oczekiwana jest równa zero, kiedy:<br />
N1<br />
∑<br />
i=<br />
1<br />
λ 0 i λ 1<br />
(43)<br />
= 1 i<br />
N2<br />
∑<br />
j=<br />
1<br />
2 j<br />
=<br />
Po podstawieniu do wariancji estymatora otrzymamy:<br />
2<br />
*<br />
{ } + E{ Z ( x )} − 2E{ Z ( x ) Z ( x )}<br />
*2<br />
( ) = E Z ( x )<br />
σ (44)<br />
2<br />
ck<br />
xo<br />
2 o<br />
2 o<br />
2 o 2<br />
podstawiając do wariancji estymator funkcji losowej można wykazać, że [173]:<br />
σ<br />
+<br />
2<br />
ck<br />
− 2<br />
( x ) = λ λ C ( x , x ) + λ λ C ( x , x )<br />
∑∑<br />
j<br />
∑<br />
k<br />
o<br />
k<br />
λ<br />
1k<br />
∑∑<br />
i<br />
2 j<br />
λ C<br />
k<br />
λ C<br />
21<br />
1k<br />
i 1k<br />
11 1i<br />
1k<br />
∑∑ 1i<br />
2l<br />
12 1i<br />
i l<br />
( x2<br />
j<br />
, x1<br />
k<br />
) + ∑∑λ<br />
2 jλ<br />
2lC22<br />
( x2<br />
j<br />
, x2l<br />
)<br />
( x , x ) −2<br />
λ C ( x , x ) + C ( 0)<br />
o<br />
1<br />
21<br />
1k<br />
∑<br />
l<br />
Minimalizacji wariancji można dokonać techniką Lagrangina, w których N 1 i N 2<br />
równań różniczek cząstkowych jest równych zero:<br />
i<br />
⎡<br />
∂ ⎢σ<br />
⎣<br />
( )<br />
2<br />
ck<br />
x o<br />
− 2μ<br />
∂ λ<br />
2l<br />
2l<br />
2<br />
j<br />
∑<br />
l<br />
22<br />
l<br />
o<br />
2l<br />
22<br />
o<br />
2l<br />
(45)<br />
⎤<br />
λ<br />
2l<br />
⎥<br />
⎦<br />
= 0 , (46)<br />
⎡<br />
∂ ⎢σ<br />
⎣<br />
( )<br />
2<br />
ck<br />
x o<br />
− 2μ<br />
∂ λ<br />
1k<br />
1<br />
∑<br />
k<br />
⎤<br />
λ<br />
1k<br />
⎥<br />
⎦<br />
= 0 , (47)<br />
gdzie μ 1 i μ 1 są mnożnikami Lagrangina. Po zróżniczkowaniu i redukcji równania<br />
oraz uwzględniając warunek na sumę wag kokrigingu otrzymamy układ równań<br />
[173]:
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 27<br />
⎧<br />
⎪<br />
⎪<br />
⎪<br />
⎪<br />
⎪<br />
⎨<br />
⎪<br />
⎪<br />
⎪<br />
⎪<br />
⎪<br />
⎩<br />
N<br />
1<br />
∑<br />
i=<br />
1<br />
N<br />
1<br />
∑<br />
i=<br />
1<br />
N<br />
1<br />
∑<br />
i=<br />
1<br />
N<br />
2<br />
∑<br />
j=<br />
1<br />
λ C<br />
1i<br />
λ C<br />
λ<br />
1i<br />
1i<br />
2 j<br />
11<br />
21<br />
λ = 0<br />
2<br />
( x1<br />
i,<br />
x1<br />
k<br />
) + ∑ λ<br />
2 jC12( x1<br />
k<br />
, x2<br />
j<br />
) − μ1<br />
= C21( xo,<br />
x1<br />
k<br />
)<br />
2<br />
( x2l<br />
, x1<br />
i<br />
) + ∑ λ<br />
2 jC22<br />
( x2<br />
j<br />
, x2l<br />
) − μ2<br />
= C22( xo,<br />
x2l<br />
)<br />
= 1<br />
N<br />
j=<br />
1<br />
N<br />
j=<br />
1<br />
k = 1, N<br />
l = 1, N<br />
2<br />
1<br />
(48)<br />
Rozwiązując układ powyższy równań wyznaczamy wagi kokrigingu – λ i . Wagi<br />
te pozwalają wyznaczyć również estymowana funkcje losową Z 2 * i jej wariancję ze<br />
wzoru [173]:<br />
2<br />
ck<br />
Wymiar fraktalny<br />
N1<br />
N2<br />
( xo<br />
) = C22<br />
( 0) + μ −∑λ<br />
1iC21( xo,<br />
x1<br />
i<br />
) −∑λ<br />
2 jC22<br />
( x2<br />
j<br />
, xo<br />
)<br />
σ . (49)<br />
i=<br />
1<br />
Występujące w różnych skalach w środowisku przyrodniczym obiekty (zmienne)<br />
wykazują bardzo duże podobieństwo jeden do drugiego [1, 2, 17, 91]. Przestrzenne<br />
rozkłady otrzymywane podczas pomiarów ujawniają się w postaci nieregularnych<br />
płaszczyzn, które często są do siebie podobne w różnych skalach. Te<br />
nieregularności (chaos) można traktować w dwojaki sposób: raz jako odchylenie<br />
od stanu idealnego – klasyczne podejście statystyczne, drugi raz jako nieuporządkowany<br />
przebieg, powiązany wewnętrznie nierozerwalnymi cechami. Badając taki<br />
nieuporządkowany rozkład można otrzymać pożyteczne informacje nie tylko o<br />
samym rozkładzie, ale i badanym obiekcie, z którego ten dane pochodziły. Niezależnie<br />
od skali pomiarowej tego typu rozkłady, przebiegi mogą być analizowane<br />
poprzez semiwariogramy. Stwierdzenie to wynika bezpośrednio z założeń geostatystyki.<br />
Innym pożytecznym narzędziem wykorzystywanym w analizie nieregularności<br />
może być teoria fraktali, która to z definicji zajmuje się właśnie takimi obiektami.<br />
Dotychczasowe badania wskazują, że nie ma bezpośrednich metod wyznaczania<br />
czy też szacowania fraktalności rzeczywistych obiektów. Poszukuje się więc takich<br />
j=<br />
1
28<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
właściwości obiektów, które mogą zawierać w swej strukturze cechy fraktali naturalnych<br />
lub też te, które mogą być wiązane z definicją fraktali [9, 10, 16].<br />
W ostatnich latach analizę fraktalną wykorzystywano nie tylko do opisu geometrii<br />
materiałów, ale także do badania zmienności przestrzennej właściwości ośrodka<br />
porowatego, między innymi: składu granulometrycznego, elektrycznej konduktywności,<br />
oporu penetrometrycznego, gęstości, zawartości różnych soli w glebie<br />
czy wpływu frakcji koloidalnej na erozję gleby [1, 2, 8, 18]. Wymiar fraktalny<br />
wyznaczano poprzez współczynnik nachylenia semiwariogramu wykreślonego w<br />
logarytmicznym układzie współrzędnych. Wymiar fraktalny D określano na bazie<br />
semiwariogramu ze wzoru [16, 17, 45]:<br />
H<br />
D = 2 − , (50)<br />
2<br />
gdzie H jest nachyleniem prostej semiwariogramu, wykreślanego w logarytmicznym<br />
układzie współrzędnych.<br />
Metody krigingu i kokrigingu, omówiono powyżej jako przykład narzędzia<br />
często wykorzystywanego w przetwarzaniu danych naziemnych. Jest długa tradycja<br />
historyczna ich wykorzystywania np. w kartografii. Jednocześnie, są to metody<br />
stale rozwijane, z powodu potrzeby radzenia sobie z danymi o ograniczonej liczebności,<br />
zwłaszcza w obserwacjach bezpośrednich. W dziedzinie obserwacji zdalnych,<br />
stosuje się metody bardziej kompleksowe, prowadzące do klasyfikacji klasterów,<br />
w tym również z uwzględnianiem wymiaru fraktalnego. Szczególną problematyką<br />
w analizie zdjęć satelitarnych, jest wykorzystanie charakterystyki tekstury<br />
jako cechy kompleksowo ujmującej ziarnistą budowę zwartych obszarów reprezentowanych<br />
danymi. Tekstura oznacza pewien wzór wypełnienia, zachowujący zasadę<br />
cykliczności lub powtarzania pewnych jego elementów z zależnościami pomiędzy<br />
próbkami. Tekstura określa rozwijanie wzoru nie tylko w płaszczyźnie obrazu<br />
2-wymiarowego, ale i w innych wymiarach, pomiędzy więcej niż dwiema zmiennymi<br />
obserwowanymi. Jest to typ zasady powtarzania wzoru w kilku wymiarach<br />
lub aspektach. Wymiar fraktalny może dobrze służyć determinowaniu tekstury<br />
matematycznie. Potoczne rozumienie tekstury jest jednak na ogół nie precyzyjne.<br />
Tekstura wynika również z występowania samorodków w semiwariogramie.<br />
Jest szereg narzędzi rozwiniętych dla przetwarzania zdjęć satelitarnych, które służą<br />
do wydobywania lub redukcji tekstury. Należą do nich filtry adaptatywne, i zaawansowane<br />
metody klasyfikacji klasterujących. Na ogół efektem postępowania<br />
bywa obraz 2-wymiarowy, lub mapa. Obraz może być jednak rezultatem zależności<br />
między zmiennymi obserwowanymi, niekoniecznie w dziedzinie zmiennych<br />
przestrzennych określających obraz na płaszczyźnie. Celem analizy mogą być nie<br />
tylko obrazy potrzebne dla rozróżnień i charakterystyk obiektów, ale miary ilościowe,<br />
i obszarowe – charakteryzujące np. różnorodność pokrywy roślinnej, albo
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 29<br />
całkowitą zawartość obserwowanej wody w obszarze, bez potrzeby rozpoznawania<br />
obiektów. Obiekty mogą być rozpoznawane z innego oglądu (innych zdjęć) albo z<br />
innej wiedzy bezpośredniej. Natomiast statystyczna ocena zawartości komponentów<br />
może być istotna bez potrzeby identyfikacji detali.<br />
Przy takim podejściu, często okazuje się, że ocena bywa niepewna w miarach<br />
absolutnych i nie ma dobrych sposobów na usunięcie tej niepewności, ani w zakresie<br />
technik satelitarnych ani naziemnych. Ograniczone zdolności obserwacji zdalnych,<br />
ujawniają się inaczej niż brak wysoko rozdzielczych szczegółów. Wiele<br />
wskazuje na to, że obserwacje wilgotności gleb (SM) przez SMOS, nawet jeśli<br />
precyzyjne radiometrycznie, dadzą niepewną ocenę zawartości wody, w mierze<br />
objętości wody lub jej masy, na całym pikselu w obszarze widzenia. SMOS reaguje<br />
na promieniowanie warstwy gleby nienasyconej wodą, ale o grubości ograniczonej<br />
do głębokości przenikania fali – 5, może 10 cm, a może nawet kilku mm zależnie<br />
od wartości wody. Środowisko przyrodnicze, rodzaje gleb, i ich pokrycie są bardzo<br />
różnorodne. Głębokość optyczna, odpowiadająca głębokości wnikania fali, będzie<br />
ewentualnie znana w miejscach pomiaru naziemnego (na ile taki pomiar jest celowy<br />
i możliwy!). Częściej, głębokość optyczna pozostanie oszacowaniem pomocniczym,<br />
znanym tylko z założonych (i walidowanych) wartości głębokości optycznych<br />
różnych klas gleb i pokrycia, jakich użyto w modelu dla przetwarzania temperatury<br />
jasności BT na wilgotność SM. Z pewnością będą miejsca o dużej wilgotności,<br />
za całą głębokość wnikania, która pozostanie niewielka z powodu wilgotności<br />
powierzchniowej, podczas gdy warstwy głębsze będą nasycone wodą mniej, a<br />
tego w tych miejscach nie okreslano, tak jak nie określano budowy i składu gleby.<br />
Nie można zmierzyć i scharakteryzować wszystkich własności we wszystkich<br />
miejscach na obszarze obserwowanym. Pozostaje integrujący efekt działania modeli<br />
emisyjności, użytych do konwersji BT na SM. Takie modele zebrano dla programu<br />
Cal/Val SMOS w kompleksowym modelu CMEM (Community Microwave<br />
Emission Model) [24]. Te właśnie modele mają być uzgadniane, walidowane, dla<br />
oprogramowania przetwarzającego dane SMOS z BT na SM. Wynik musi być<br />
obciążony błędem zależnym od niejednorodności środowiska. Nie będzie ostrej<br />
determinacji, na jaką głębokość gleby w obszarze jednego piksela, należy szacować<br />
ilość wody na jednostkę objętości gleby. Oszacowanie, jaką masę wody reprezentuje<br />
wartość piksela SMOS, pozostanie niepewnym. Taka sytuacja obserwacyjna,<br />
że miary absolutne są niepewne, występuje typowo w wielu dziedzinach.<br />
Redukcja tej niepewności, musi brać w rachubę różnorodność własności głębokości<br />
optycznej, związną z różnorodnością pokrycia i różnorodnością własności<br />
fizycznych gleb. Można prowadzić oszacowanie za jedną i tę samą głębokość<br />
optyczną np. 5 cm, albo 10 cm, w całym obszarze, otrzymując za każdym razem<br />
inną wartość ilości wody w mierze masy. Można wagować głębokość optyczną<br />
według klas własności, klasterów, etc., ale po to prowadzi się pomiar zdalny aby<br />
uwolnić się od potrzeby rozróżniania elementów niejednorodności. Koncepcja
30<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
wymiaru fraktalnego i określania tekstury obszaru, może okazać się pomocna w<br />
minimalizowaniu tej niepewności szacunku.<br />
Jest jednak i taka okoliczność, że własności pokrycia terenu i różnorodność terenu<br />
obserwowanego będą zawierać elementy stałe, przynajmniej od zdjęcia do<br />
zdjęcia. Tzn., że różnorodność będzie się zmieniała wolno od przelotu do przelotu<br />
satelity, przynajmniej w części wolno zmiennego składnika błędu. W takim razie,<br />
może okazać się że pewniejsze są nie tyle miary absolutne masy wody, co miary<br />
przyrostowe między oszacowaniami – od przelotu do przelotu. Pewniejsze okażą<br />
się oceny, oznaczające jaka masa wody przybyła lub ubyła sumarycznie z pola<br />
widzenia między przelotami. Taki jest cel obserwacji SMOS, który ma dostarczyć<br />
dane o tempie wymiany wody między lądami a atmosferą. Ta wymiana jest determinowana<br />
i napływem/odpływem wody, przy jego napędzaniu motorycznym z<br />
ruchu mas atmosferycznych, i z wymiany energii związanej z własnościami termicznymi<br />
gleby, w cyklicznie zmieniających się warunkach nasłonecznienia.<br />
Trzeba podkreślić, że ta cykliczność będzie próbkowana przez SMOS raz na trzy<br />
dni, w przelocie wg orbity zstępującej, przy przejściu przez równik o godzinie około<br />
6:00, czasu lokalnego. Orbity od przelotu do przelotu, w miejscu rewizytowanym,<br />
mają pokrywać danymi całą Ziemię w czasie trzech dni. Cykl 3-dniowy może<br />
być śledzony w środowisku na miejscu tylko ze stacji obserwacyjnych na Ziemi.<br />
Ta informacja ma podkreślać wagę obu aspektów danych, przestrzennego i temporalnego.<br />
Wyznaczanie właściwości cieplnych gleby<br />
Podział energii na powierzchni czynnej w dużej części determinowany jest<br />
przez właściwości cieplne gleby: pojemność cieplną i przewodnictwo cieplne gleby<br />
[72, 107]. Decydują one o strumieniu przepływającego ciepła w profilu glebowym<br />
[154]. Jak pokazano w wielu pracach, że istotny wpływ na cieplne właściwości ma<br />
skład mineralogiczny gleby, zawartość wody w glebie, zawartość materii organicznej<br />
i gęstość ośrodka [3, 27, 58, 70, 79, 102, 103, 123, 150]. Temperatura gleby,<br />
wilgotność powietrza glebowego i ciśnienie mają mniejszy wpływ na cieplne właściwości<br />
gleby [58]. W glebie występuje duża zmienność wielkości fizycznych i<br />
duża zmienność przestrzenna cech składników ośrodka. Powoduje to, że bezpośrednie<br />
pomiary cieplnych właściwości w takim ośrodku są nadal trudne, czasochłonne<br />
i kosztowne [104]. Wyznaczania cieplnych właściwości metodami, które<br />
wykorzystałby te właściwości i wielkości fizyczne, które niewiele zmieniają się w<br />
czasie w danym obszarze, są dostępne z literatury, map czy z baz danych, stacji<br />
meteorologicznych, jak i tych, które są łatwo mierzalne wydaje się być uzasadnione<br />
[12,28-30, 64, 99, 132, 134, 139, 140, 159]. Cechą gleby, która niewiele zmienia<br />
się w czasie jest jej skład granulometryczny, skład mineralogiczny, gęstość<br />
fazy stałej czy zawartość materii organicznej. Ta ostatnia wielkość w mniejszym
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 31<br />
stopniu jest niezmienna w czasie niż pozostałe składniki. Temperatura gleby i powietrza,<br />
wilgotności gleby, ciśnienie i wilgotność powietrza wykazują dużą zmienność,<br />
są one jednak łatwe do mierzenia za pomocą automatycznych systemów pomiarowych<br />
[107]. Gęstość gleby, która istotnie wpływa na właściwości cieplne<br />
gleby, jest dość uciążliwa do wyznaczania. Zatem, musi być ona wyznaczana w<br />
sposób optymalny, tj. poprzez pobranie minimalnej liczby próbek z określonego<br />
pola. Minimalną liczebność przy określonym błędzie szacowania gęstości można<br />
określać za pomocą metod geostatystycznych [161].<br />
Proces przenoszenia energii cieplnej w ośrodku stałym, płynnym i gazowym<br />
jest procesem podlegającym prawom prawdopodobieństwa, który wynika bezpośrednio<br />
z prawa Fouriera. Proces ten jest bardzo skomplikowany. Energia wprowadzona<br />
z jednego końca próbki nie przepływa wprost po linii prostej do drugiego<br />
końca, lecz cząstki drgając wokół stanu równowagi ulegają licznym zderzeniom<br />
między sobą przekazując energię sąsiadom. Ta skomplikowana forma przepływu<br />
powoduje to, że w wyrażeniu na strumień ciepła występuje gradient temperatury.<br />
Prawo przewodzenia ciepła – prawo Fourier – w ośrodku porowatym w warunkach<br />
stanu ustalonego mówi nam, że gęstość strumienia cieplnego q (W m –2 ) dla jednorodnego<br />
i izotropowego ośrodka, jest proporcjonalna do gradientu temperatury<br />
∂T/∂z (K m –1 ) mierzonego wzdłuż kierunku przepływu ciepła:<br />
∂T<br />
q= − λ . (51)<br />
∂ z<br />
Współczynnik proporcjonalności λ (W m –1 K –1 ) nosi nazwę współczynnika<br />
przewodnictwa cieplnego i charakteryzuje on dany ośrodek pod względem zdolności<br />
do przewodzenia ciepła.<br />
Model statystyczno-fizyczny przewodnictwa cieplnego gleby, który będzie<br />
użyty w tej pracy do szacowania przewodnictwa, zbudowano na bazie pojęć oporu<br />
cieplnego (prawo Ohma i prawo Fourier), dwóch praw Kirchhoffa i rozkładu wielomianowego.<br />
Skonstruowano go tak, że jednostkową objętość gleby (Rys.2a)<br />
składającą się z cząstek stałych, wody i powietrza przedstawiono jako układ zbudowany<br />
z elementarnych figur geometrycznych (przyjęto kule z określonymi właściwościami<br />
fizycznymi), które tworzą warstwy nakładające się na siebie (Rys. 2b).<br />
Przyjęto, że połączenia kul w warstwie i między warstwami będą reprezentowane<br />
przez połączenia równoległe oporników cieplnych, jakie przedstawiają kule w warstwie<br />
i połączenia szeregowe między warstwami (Rys. 2c) [150].
32<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
A<br />
a) b) c)<br />
λ l<br />
i=u<br />
i=u-1<br />
....<br />
....<br />
....<br />
....<br />
....<br />
....<br />
i=2<br />
i=1<br />
....<br />
....<br />
j=1 j=n-1 j=n<br />
Rys. 2. Schemat konstrukcji modelu przewodnictwa cieplnego gleby, a) jednostkowa objętość gleby,<br />
b) układ składający się z kul, które tworzą warstwy nakładające się na siebie, c) połączenia równoległe<br />
w warstwie i szeregowe między warstwami [150].<br />
Porównanie wypadkowej oporności układu oporników połączonych równolegle<br />
i szeregowo, która uwzględnia wszystkie możliwe konfiguracje połączeń cząstek<br />
ze średnią opornością cieplną odnoszącą się do jednostkowej objętości gleby, pozwala<br />
oszacować przewodnictwo cieplne gleby.<br />
Wartości współczynnika przewodnictwa cieplnego gleby (przewodności) –<br />
λ (W m –1 K –1 ) obliczano również stosując model statystyczno-fizyczny opisany<br />
równaniami [150, 152]:<br />
4π<br />
λ (52)<br />
xkj<br />
)<br />
r<br />
= L P(<br />
x1<br />
j ,...,<br />
u∑<br />
j= 1 x1<br />
jλ<br />
1 1 +<br />
( T ) r + ... x λ ( T )<br />
gdzie: u – liczba połączeń równoległych cząstek gleby traktowanych jako oporniki<br />
cieplne, L jest liczbą wszystkich możliwych kombinacji ułożenia cząstek, x 1 , x 2 ,...,<br />
x k – liczba cząstek poszczególnych składników ośrodka o przewodnictwie cieplnym<br />
λ 1 , λ 2 ,..., λ k (T – temperatura) i promieniach cząsteczek r 1 , r 2 ,..., r k , przy<br />
czym:<br />
k<br />
∑<br />
i=1<br />
x<br />
ij =<br />
u , j=1,2,...,L, P(x ij ) – prawdopodobieństwo zaistnienia danej konfiguracji<br />
cząstek. Spełniony musi być też warunek: ∑ ( X = x j<br />
) = 1<br />
L<br />
j=<br />
1<br />
u!<br />
P ( x<br />
...<br />
kj<br />
k<br />
P .<br />
x1<br />
j x kj<br />
1 j ,..., xkj<br />
) = f1<br />
f<br />
k<br />
(53)<br />
! !<br />
x1<br />
j ... xkj<br />
k
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 33<br />
P(x ij ) – podaje prawdopodobieństwo tego, że w u niezależnych próbach uzyskamy<br />
dokładnie x ij wyników typu j, jeśli prawdopodobieństwo wyniku i w pojedynczej<br />
próbie wynosi f i , i = 1, 2, ..., k, ! – silnia. W tym przypadku f 1 , f 2 , ..., f k (m 3 m –3 ), są<br />
to zawartości poszczególnych minerałów, materii organicznej, wody, powietrza w<br />
jednostce objętości i są one traktowane jako prawdopodobieństwa uzyskania wyniku<br />
typu i w pojedynczej próbie.<br />
Dotychczasowe badania wykazały, że do obliczeń przewodnictwa cieplnego<br />
gleby można używać przewodnictwa cieplne głównych jej składników [150, 151].<br />
Wyróżniono pięć głównych składników gleby: kwarc, inne minerały, materia organiczna,<br />
woda i powietrze. Wartości przewodnictwa cieplnego i ich zależności od<br />
temperatury zestawiono w tabeli 1.<br />
Tabela 1. Wartości i wyrażenia używane przy obliczaniu przewodnictwa cieplnego gleby, (T – temperatura<br />
w o C)<br />
Źródło a Parametry b Wyrażenie, wartość b<br />
λ q , W m –1 K –1 9,103 – 0,028 T<br />
2 λ mi , W m –1 K –1 2,93<br />
2 λ o , W m –1 K –1 0,251<br />
1 λ w , W m –1 K –1 0,552 + 2,34⋅10 –3 T – 1,1⋅10 –5 T 2<br />
1 λ a , W m –1 K –1 0,0237 + 0,000064 T<br />
a 1. [71]; 2. [27], b przewodnictwo cieplne: kwarcu, λ q , innych minerałów, λ mi , materii organicznej,<br />
λ o , wody lub roztworu, λ w , powietrza, λ a .<br />
Parametry modelu zostały określone wcześniej na bazie empirycznych danych<br />
[150, 151]. Stopnie swobody u charakteryzujące liczbę połączeń równoległych<br />
oporników cieplnych w funkcji nasycenia gleby wodą θ v /φ przedstawiono na<br />
(Rys. 3), gdzie θ v (m 3 m –3 ) − wilgotność gleby, φ(m 3 m –3 ) − porowatość.<br />
Ekwiwalentny promień kul r k (m) dla wszystkich składników gleby określano ze<br />
wzoru [150]:<br />
r 0 ,036 f + 0,044<br />
(54)<br />
k<br />
=<br />
o<br />
gdzie: f o (m 3 m –3 ) – oznacza zawartość materii organicznej w jednostce objętości.<br />
Promień ten wzrastał wraz ze wzrostem zawartości materii organicznej w glebie,<br />
maksymalnie do wartości 0,08.
34<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
14<br />
12<br />
10<br />
8<br />
u<br />
6<br />
4<br />
2<br />
0<br />
0 0.2 0.4 0.6 0.8 1<br />
Nasycenie wodą - Water saturation (θv/φ)<br />
Rys. 3. Liczba równoległych połączeń oporników cieplnych (u) w funkcji nasycenia gleby (θ v /φ)).<br />
Skokowe przejście wartości u w funkcji nasycenia gleby wodą, θ v /φ powoduje<br />
też skokowy wzrost obliczanych wartości przewodnictwa cieplnego gleby, przez co<br />
wzrasta błąd oszacowania przewodnictwa. Chcąc uniknąć takiego przejścia i<br />
zmniejszyć ten błąd zaproponowano procedurę, która pozwala wyznaczać przewodnictwo<br />
cieplne w danym zakresie dowolnego przedziału nasycenia gleby poprzez<br />
liniową interpolację przewodnictwa w tym przedziale.<br />
Procedura polegała na tym, że wyznaczano przewodnictwo cieplne ośrodka z<br />
ogólnego wzoru na przewodnictwo cieplne (52) dla dwóch kolejnych wartości u i<br />
u+1 (Rys. 3) i odpowiadających im wartości wilgotności ośrodka, θ v (u), θ v (u+1), a<br />
następnie z równania liniowego podanego poniżej wyznaczano wartość przewodnictwa<br />
cieplnego dla szukanej wartości wilgotności ośrodka, θ v :<br />
( u)<br />
v<br />
θ<br />
v<br />
−θ<br />
v<br />
( u)<br />
( λ( u + ) − λ( u)<br />
)<br />
( u + 1) −θ<br />
( u)<br />
λ= λ +<br />
1<br />
θ<br />
v<br />
. (55)<br />
Zgodność modelowanych i zmierzonych danych określano za pomocą średniego<br />
błędu kwadratowego (σ b ) i maksymalnego błędu względnego (η b ):<br />
n<br />
∑ ( f mi − f ci<br />
)<br />
2<br />
i=<br />
1<br />
σ b =<br />
, (56)<br />
k<br />
gdzie f mi – wartość zmierzona, f ci – wartość obliczona, k = n – 1 jeśli n < 30 i k = n<br />
jeśli n > 30, n – liczba danych. Maksymalny błąd względny wyliczano z równania:
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 35<br />
⎪⎧<br />
f<br />
⎪⎫<br />
mi − f ci<br />
η b = max ⎨ ⋅100%<br />
⎬ . (57)<br />
i=<br />
1,2, L,<br />
n⎪⎩<br />
f mi ⎪⎭<br />
Wyznaczono również równania regresji liniowej przewodnictwa cieplnego gleby<br />
oraz współczynniki determinacji R 2 .<br />
Wyznaczone z modelu przewodnictwo cieplne gleby zweryfikowano w oparciu<br />
o bezpośrednie pomiary. Porównano wyniki przewodnictwa cieplnego gleby obliczone<br />
z modelu i otrzymane z pomiarów dla piasku Fairbanks, iłu Healy, pyłu z<br />
Felina, torfu Fairbanks i gliny [151]. Zgodność wyników obliczonych ze zmierzonymi<br />
była bardzo dobra. Współczynniki kierunkowe równania regresji liniowej<br />
były bliskie jedności, natomiast czynniki stałe w równaniu były bliskie zeru.<br />
Współczynniki determinacji R 2 były wysokie i wynosiły 0,948-0,994. Średnie błędy<br />
kwadratowe σ (W m –1 K –1 ) i maksymalne błędy względne η (%), zawierały się<br />
w przedziałach od 0,057 do 0,123 (W m –1 K –1 ) i od 12 do 38,3 %.<br />
Pojemność cieplną na jednostkę objętości – C v (MJ m –3 K –1 ) obliczano używając<br />
empirycznej formuły podanej przez de Vries [27]:<br />
6<br />
( 2,0 2,51 4,19 ) 10<br />
C = x + x + x ⋅ (58)<br />
v s o w<br />
gdzie: x s , x o , x w (m 3 m –3 ) – udział części mineralnej, organicznej i wody w jednostce<br />
objętości gleby. Dyfuzyjność cieplną α obliczano z ilorazu przewodnictwa<br />
cieplnego do pojemności cieplnej na jednostkę objętości:<br />
λ<br />
α= . (59)<br />
C v<br />
Pomiary własności cieplnych gleb<br />
Pomiary własności cieplnych gleb, przeprowadzano w projekcie: – a) metodą<br />
tradycyjną – za pomocą płytek do pomiaru strumienia cieplnego w glebie, i – b) za<br />
pomocą – sond eksperymentalnych według opracowania CBK PAN dla DLR, Berlin,<br />
do eksperymentu kosmicznego MUPUS [88, 89, 129], w kometarnej misji ESA<br />
Roseta.<br />
Płytki strumieniomierzy, np. HFP01, znane są od dawna i dostępne komercyjnie<br />
z firmy Hukseflux, Campbell, i innych. Umożliwiają pomiar strumienia ciepła<br />
wpływającego do gleby, lub oddawanego przez glebę. Pomiar polega na kontrolowaniu<br />
napięcia stosu termopar, zawartego w płytce. Ten pomiar ma swoje wady<br />
polegające głównie na ograniczonej precyzji, zwłaszcza przy niskich strumieniach<br />
mocy. Znane są też takie warianty podobnych przyrządów, które zawierają mały<br />
grzejnik, dla kalibracji, ale umożliwiają też pomiar przewodności i dyfuzyjności.
36<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
Pomiar tych własności wymaga kontrolowanego dostarczenia mocy cieplnej do<br />
ośrodka. Płytki strumieniomierzy, wymagają jednak dobrego dopasowania ich<br />
własności cieplnych do własności ośrodka glebowego, i zwykle trzeba dysponować<br />
kilkoma wariantami płytek, dopasowanymi dyfuzyjnie do rodzaju gleb.<br />
Jednak metodą podstawową do pomiaru dyfuzyjności i przewodności cieplnych<br />
jest metoda liniowego źródła ciepła, zwana również metodą gorącego drutu. Metoda<br />
wywodzi się z klasycznego dzieła Carslaw i Jeagera [21], i ma kilka wariantów,<br />
specjalizowanych dla różnych zastosowań. Jednym z nich jest sonda TP01 dla badań<br />
glebowych, firmy Hukseflux. W pracy stosowano sondę według rozwiązania<br />
dla eksperymentu MUPUS [88], i programu aplikacyjnego EXTASE, wykonanego<br />
również dla DLR, Berlin. Pierwsze zastosowania tej sondy do pomiaru strumieni<br />
cieplnych w glebie, wykonano w IA PAN, w latach 2000-2002 r. [88], i najpierw<br />
wykazano jej zdolność do pomiaru małych natężeń strumieni ciepła w glebie, na<br />
Ziemi. Ta sonda jest jednak dedykowana głównie pomiarom własności przewodnictwa<br />
i dyfuzyjności cieplnych. Jej zaletą w zastosowaniach planetarnych ma być<br />
zdolność do mierzenia niskich dyfuzyjności i przewodności cieplnych. Sondy<br />
TP01, Hukseflux mają ograniczenie zastosowań dla przewodności cieplnych poniżej<br />
0,1 (W m –1 K –1 ), a takie wartości dla gleb zdarzają się rzadko w warunkach<br />
glebowych na Ziemi. Gleby na Ziemi mają przewodności powyżej 0,1 (W m –1 K –<br />
1 ), nawet do 4 (W m –1 K –1 ). Współpraca IA PAN z CBK PAN w zakresie pomiaru<br />
przewodności tą sondą została podjęta, z jednej strony dlatego, aby opanować precyzję<br />
pomiaru, a z drugiej dlatego, aby dostarczyć danych eksperymentalnych do<br />
weryfikacji modelu statystyczno-fizycznego własności gleb, B. Usowicza.
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 37<br />
20<br />
15<br />
Temperatura (°C)<br />
30<br />
25<br />
20<br />
15<br />
10<br />
5<br />
3000 3200 3400 3600 3800 4000 4200<br />
)T [EC] IA_02_1_soil_T.dat /Heating Intervals<br />
4<br />
L<br />
3.5<br />
Rth<br />
3<br />
2.5<br />
2<br />
1.5<br />
1<br />
delay 3.5 sec applied<br />
0.5<br />
0<br />
LN (time) [sec]<br />
-0.5<br />
1 2 3 4 5 6 7 8<br />
10<br />
5<br />
1000 2000 3000 4000 5000 6000 7000 8000<br />
Czas (s)<br />
Rys. 4. Zapis dobowego cyklu w glebie na 16 poziomach do 32 cm głębokości, z pomiarem sondowania<br />
własności cieplnych w cyklicznych interwałach grzania. Na wklejce od góry, powiększony<br />
zakres ok. 1200 s. Na wklejce z prawej, zestawiono 16 pojedynczych interwałów grzania na wszystkich<br />
poziomach, po sprowadzeniu ich do wspólnej umownej temperatury 0°C, tj. odpowiadającej<br />
temperaturze na danym poziomie, w chwili najbliższej włączeniu grzania, tzn. dla pierwszej próbki.<br />
Asymptota (L) oznacza docelowe liniowe zbocze wzrostu temperatury. Asymptota Rth wskazuje na<br />
obecność drugiego niezamierzonego zbocza niby liniowego, powodowane skończoną rezystancją<br />
cieplną od sondy do ośrodka (Rth), na drodze propagacji ciepła do ośrodka.<br />
Metoda liniowego źródła ciepła jest klarowna teoretycznie, ale w praktyce<br />
trudna do opanowania, bo warunek utrzymania cienkiego i długiego źródła (gorący<br />
drut) można spełniać skończenie i niedoskonale. Po pierwsze, zawsze jest jakaś<br />
rezystancja cieplna (Rth) na drodze dyfuzji ciepła od źródła przez sondę do ośrodka.<br />
Po drugie, zawsze jest jakaś skończona pojemność cieplna własna źródła grzejnego,<br />
i własne przewodnictwo cieplne sondy, które odprowadza ciepło poza ośrodek,<br />
ku granicom układu cieplnego (warunki brzegowe). To są ograniczenia pierwsze<br />
– na drodze ciepła, i zasadnicze. Drut musi bardzo cienki, mieć minimalną masę,<br />
i najlepiej wielki stosunek długości do średnicy. Sonda wg rozwiązania w eksperymencie<br />
MUPUS/EXTASE, jest pod tym względem gruba i krótka. Jest to rurka<br />
kompozytową o średnicy 10 mm, i długości 320 mm. Różni producenci podobnych<br />
sond, do zastosowań naziemnych, radzą sobie z ograniczeniami metody, bez
38<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
minimalizacji masy i pojemności cieplnej, ale za pomocą procedur kalibracyjnych i<br />
nie ujawniają sposobów wykorzystania wyników kalibracji. Za to wymagają dopasowania<br />
przewodności cieplnej do własności gleb.<br />
Współpraca CBK PAN, z IA PAN, nad wykorzystaniem rozwiązania kometarnego<br />
w warunkach na Ziemi, ma pomóc rozwiązać tę kwestię, zarówno z pożytkiem<br />
dla precyzji eksperymentu kometarnego MUPUS, jak i dla miernictwa tej<br />
przewodności cieplnej gleby w potrzebach naziemnych.<br />
Problem z pomiarem, polega on na tym, że zakłada się wykrywanie i określanie<br />
tempa wzrostu temperatury grzejnika sondy, podczas grzania, według identyfikacji<br />
zbocza liniowego (L). To nachylenie zbocza zależy od skuteczności odbierania<br />
ciepła przez ośrodek, a więc od jego własności. Liniowe zbocze ma zapewnić,<br />
że proces dyfuzji już się wystarczająco rozwinął, wg. logarytmicznej miary czasu.<br />
Wystarczy poczekać, 3-5 min. Tak jest w materiałach o wystarczająco dużej przewodności.<br />
Jednak w materiałach o przewodności niskiej, wzrost temperatury nasyca<br />
się lecz zbocza liniowego albo nie ma, albo daje wyniki bardzo fałszywe. Stabilizacja<br />
wzrostu może wynikać z istotności warunków brzegowych. Wtedy, pojawia<br />
się pytanie dlaczego pomiar nie był możliwy Zamiast stałego zbocza, po długim<br />
czasie grzania, nastaje pozornie bezładne płynięcie temperatury. A jest ono tylko<br />
świadectwem zmian temperatury otoczenia, np. w cyklu dziennym. Dla perfekcyjnego<br />
układu cieplnego, wg Carlsaw i Jeagera, powinien być tylko nieograniczony i<br />
prawie liniowy wzrost temperatury, w logarytmicznej mierze czasu.<br />
Zarówno dla ośrodków dyfuzyjnie ciężkich, jak i lekkich, występują inne części<br />
wzrostu temperatury, na początku, zaraz po włączeniu grzania. Dla ośrodków ciężkich,<br />
taki początek pokazano jako Rth, na Rys. 4. Dla ośrodków lekkich dyfuzyjnie,<br />
jest to nieliniowy wzrost temperatury, sugerujący opóźnienie procesu oddawania<br />
ciepła. Tym razem nie przez opór cieplny, a przez konieczność naładowania<br />
pojemności cieplnej sondy (Cth). To opóźnienie można kompensować, bo wnosi<br />
ono odpowiedni błąd przy wszystkich zakresach przewodności. Nie występuje<br />
tylko wtedy, gdy przewodność materiału sondy i ośrodka są dopasowane, tzn. bliskie<br />
sobie. Powinna mieć zastosowanie analogia termiczna, do elektrycznych linii<br />
lub układów drabinkowych RC, z wszystkimi konsekwencjami sterowania źródłami<br />
wymuszeń (prądowe, napięciowe, dopasowane), warunkami ciągłości, immitancjami<br />
charakterystycznymi, i dopasowaniem immitancji charakterystycznych. Te<br />
analogie są stosowane w inżynierii cieplnej, lecz dla takiego pomiaru są płytkie i<br />
niekompletne, i w tej dziedzinie pomiaru własności cieplnych problem ciągle czeka<br />
na rozwiązanie.<br />
Koncepcja rozwijana w tej pracy, została przedstawiona przez W. Marczewskiego<br />
i innych [89]. Polega ona na tym, aby do wszystkich danych o chwilowej<br />
temperaturze sondy, wprowadzać stałe opóźnienie czasowe, pozostające w związku<br />
z czasem potrzebnym na ładowanie pojemności własnej sondy. To opóźnienie jest<br />
wprowadzane do danych, po wykonaniu pomiaru, w jego interpretacji. Trzeba zna-
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 39<br />
leźć, dobrać takie opóźnienia, aby liniowo rosnące zbocze zaczynało się moż-liwie<br />
najwcześniej, po włączeniu grzania. Ale nawet wtedy liniowe zbocze jest skończone,<br />
i powstaje dylemat, która jego część jest już niezadowalająca dla pomiaru, bo<br />
stopniowo staje się coraz bardziej reprezentacją warunków brzegowych, zamiast<br />
reprezentacją ładowania ciepłem ośrodka co określają jego własności, a nie warunki<br />
brzegowe.<br />
Sens propozycji z artykułu W. Marczewski et al, 2009 [89], jest taki, aby interpretację<br />
własności ośrodka podporządkować nie tyle poszukiwanej liniowości zbocza,<br />
co porównywaniu zachowania sondy w czasie, w trzech materiałach, dwóch<br />
znanych własności cieplnych i różniących się wzajemnie przewodnością i dyfuzyjnością,<br />
z zachowaniem w materiale mierzonym i nieznanym, przy czym czas wyrażany<br />
za pośrednictwem liczby Fouriera, wiążącej czas z dyfuzją ciepła. Kolejne<br />
fazy transportu są podobne, ale podobieństwo stwierdza się na podstawie wartości<br />
liczby Fouriera. Można uznać, że proces rozwijania się procesu cieplnego ma swoje<br />
miary czasu, określające na ile jest on mniej lub bardziej zaawansowany w rozwoju.<br />
Liczba Fouriera ma tu znaczenie fundamentalne. Materiały referencyjne,<br />
znane co do własności, mogą być zmierzone dla kalibracji raz. Natomiast samo<br />
porównanie rozwijającego się procesu grzania, powinno odwoływać się do zrównywania<br />
wartości liczb Fouriera, skalowanych odpowiednio do ich dyfuzyjności.<br />
Takie postępowanie jest zbieżne z definiowaniem liniowego zbocza wzrostu temperatury,<br />
dla pewnego zakresu wystarczająco dużych przewodności ośrodka mierzonego.<br />
Ocena oparta na zrównywaniu się wartości odpowiednio interpretowanych<br />
liczb Fouriera, wydaje się oceną odwołującą się do najpierwotniejszych fundamentów<br />
rozwijania się procesów cieplnych w warunkach nie koniecznie doskonałej<br />
geometrii. Znane są nieoczekiwane wyniki pomiarów własności cieplnych,<br />
kiedy wynik nie może się ustabilizować i stale płynie, mimo zdawałoby się klarownej<br />
sytuacji pomiarowej.
40<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
)T [EC] IA_02_1_soil_T.dat /Heating Intervals<br />
4<br />
3.5<br />
3<br />
2.5<br />
2<br />
1.5<br />
1<br />
0.5<br />
0<br />
J = 0.05 sec<br />
J = 3.55 J = 8.05<br />
-0.5<br />
-4 -2 0 2 4 6 8<br />
LN (time) [sec]<br />
Rys. 5. Trzy grupy 16-tu tych samych interwałów grzania (jak na Rys. 4, wklejka z prawej), ale po<br />
zastosowaniu trzech różnych wartości opóźnienia, wprowadzanego do danych po pomiarze. Gruba<br />
linia styczna do wszystkich odpowiedzi, pokazuje jakiego charakteru odpowiedzi należy oczekiwać<br />
od perfekcyjnego systemu pomiarowego, wg metody źródła liniowego, i klasycznych zależności dla<br />
nieograniczenie długiej konfiguracji cylindrycznego rozchodzenia się ciepła..<br />
Okazuje się jednak, że pierwszy pomiar po włączeniu grzania, bardzo odbiega<br />
od następnych, jeśli respektować logarytmiczną skalę czasu (Rys. 5). Pomiar<br />
pierwszy znajduje swoje miejsce w porządku innych dopiero po wprowadzeniu<br />
około 3,5 s opóźnienia do wszystkich innych, a efekt tej korekcji odbija się na<br />
zmianie nachylenia zbocza quasi-liniowego wzrostu i po kilku minutach czasu<br />
bieżącego. Powstaje błąd, lub jego korekcja. Można uważać, że tak małe poprawki<br />
opóźnienia są efektem konieczności naładowania własnej pojemności cieplnej sondy,<br />
zanim zacznie przyrastać jej temperatura. Skutek nie jest pozbawiony znaczenia<br />
dla błędu pomiarowego. Ten błąd narasta niepomiernie, gdy dyfuzyjność cieplna<br />
ośrodka jest mała lub bardzo mała. Wtedy wszystkie próbki temperatury bieżącej<br />
narastają nieliniowo, nie osiągając spodziewanego zbocza liniowego w ogóle.<br />
Kiedy wydaje się, że wreszcie ten poziom osiągnęły, to okazuje się że ten poziom<br />
ulega ciągłym wahaniom bo zmienia się temperatura otoczenia w cyklu dobowym,<br />
i sonda powtarza te zmiany. Długie grzanie jest bezcelowe.<br />
W takiej sytuacji pozostaje wykonać pomiar bardzo szybko, pobierać próbki<br />
częściej (niż 5 s) nawet o rzędy wielkości częściej, i wprowadzać opóźnienia ko-
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 41<br />
rekcyjne prostujące zbocze początkowe do prawie liniowego. Ta część charakterystyki<br />
reprezentuje wtedy pomiar własności związanej z dyfuzyjnością ośrodka.<br />
Aby zmierzyć własność ośrodka, trzeba jednak znaleźć przyczynę, dla której zakres<br />
zbocza liniowego (L) (Rys 4, wklejka z prawej), nie zaczyna się liniowo od<br />
próbek najwcześniejszych. Jeśli jej nie zidentykować, to można uzyskać inny odcinek<br />
zbocza liniowego (Rth) i brać go za reprezentanta własności ośrodka, z wynikiem<br />
fałszywym. Taki odcinek liniowy można otrzymać korekcją opóźnienia, które<br />
jednak nie skutkuje dla opóźnień ujemnych. Opóźnienia ujemne nie mogą spowodować<br />
przekroczenia wartości czasu logarytmicznego w zakres ujemny, bo brakuje<br />
początkowych próbek do korygowania. Trzeba mieć ich więcej, w początkowym<br />
zakresie funkcji wzrostu temperatury podczas grzania. Początek funkcji może się<br />
wyprostować, a czas pomiaru skrócić.<br />
Jest przekonanie, że na tej drodze można jednak znaleźć metodę pomiaru własności<br />
cieplnych, szybką i krótkotrwałą, tak jak w działaniu zmysłu dotyku, który<br />
pozwala człowiekowi rozróżniać niemal natychmiastowo, czy ręka dotyka materiału<br />
o małej czy dużej pojemności cieplnej, bez oczekiwania na stabilizację wg rozpoznania<br />
abstrakcyjnie liniowego wzrostu temperatury. Czas pomiaru powinien<br />
ważyć tylko na precyzji określania przewodności i dyfuzyjności, z ograniczeniem<br />
do czasu, aż pomiar trwa już za długo, i w grę wchodzą warunki brzegowe zewnętrzne<br />
coraz odleglejszych części systemu cieplnego. Dla takiej metody można<br />
nawet kompromisowo poświęcać precyzję. Takiej metody jeszcze nie wypracowano,<br />
a ta praca jest inspirowana przekonaniem o jej możliwości.<br />
Temat tego pomiaru włączono do projektu SWEX dlatego, że dla ostatecznych<br />
celów walidacji i wykorzystania obserwacji SMOS, potrzebny jest bilans energetyczny<br />
obszarowy na Ziemi. Tego bilansu nie można wykonać w jednym miejscu,<br />
a taką sondę można wykorzystać tylko miejscowo. Z drugiej strony, oparcie takiego<br />
bilansu wyłącznie na wielkoobszarowych ocenach satelitarnych, zmiennych<br />
wegetacyjnych, powoduje dużą niepewność miar absolutnych. SMOS jest zaś powołany<br />
dla takich celów jak ocena wymiany wody z atmosferą, co jest uwarunkowane<br />
energetycznie. Pytania takie jak to, – jaka jest intensywność ewapotranspiracji<br />
w obszarze, czyli pytanie jak tworzą się chmury nad różnymi regionami, może<br />
być zaspokojone tylko bilansem energetycznym, i stwierdzeniem co dzieje się z<br />
energią pochłanianą. Tu decyduje wprawdzie precyzja bilansu, ale niekoniecznie<br />
ta, która określa np. dokładność miar wegetacyjnych. O poziomie błędu może decydować<br />
istotność statystycznej metody wagowania klas wegetacyjnych, i ich<br />
uogólnianie w ocenach zbiorczych. Obserwacje zdalne są spójne, lecz zawsze wymagają<br />
walidacji, nawet miejscowych. Dla potrzeb bilansu energetycznego, z poziomu<br />
satelitów, wykorzystuje się dane spektralne w podczerwieni (np. z instrumentu<br />
ENVISAT-AATSR) [36], i odpowiedniego procesora SEBS w programie<br />
BEAM [4]. Takie oceny trzeba potem konfrontować z ocenami in-situ, i w tym<br />
celu podjęto pracę nad bezpośrednim pomiarem własności cieplnych gleb, i stru-
42<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
mieni ciepła w glebie. Sonda może być niewygodna do użycia w wielu miejscach.<br />
Wymaga pomiarów stosunkowo długich, i warunków przekazywania ciepła z glebą<br />
dobrze ustabilizowanych. Najlepiej stosować ją dla co najmniej jednego cyklu<br />
dobowego, co nie jest możliwe przy zmianach miejsca testowego. Pomiary własności<br />
cieplnych wykonuje się zwykle długo, w wielu cyklach. Rys. 4 pokazuje prawie<br />
pełen cykl dobowy z wieloma pomiarami przewodności, w naturalnym ośrodku<br />
glebowym, na miejscu testowym w Kulczynie. Pomiar temperatury jest powtarzany<br />
co 5 s, na 16 poziomach od powierzchni do 30 cm poniżej, a cyklicznie włącza się<br />
moc grzania około 100-400 mW, i śledzi wzrost temperatury.<br />
Położenie terenu badań Niziny Południowopodlaskiej<br />
Pierwszy teren badań o powierzchni około 140 km 2 położony jest w gminie<br />
Trzebieszów w środkowej części Równiny Łukowskiej [108, 156]. Równina Łukowska<br />
obejmuje około 2570 km 2 powierzchni [76], rozpościerającej się we<br />
wschodniej i południowo-wschodniej części Niziny Południowopodlaskiej. Równinę<br />
otaczają od zachodu Wysoczyzna Żelechowska, od południa Pradolina Wieprza,<br />
od strony północno-zachodniej Wysoczyzna Siedlecka, w części północnowschodniej<br />
Podlaski Przełom Bugu, a od strony wschodniej Zaklęsłość Łomazka,<br />
zaliczana już do innego makroregionu – Polesia Zachodniego. Gmina Trzebieszów<br />
wchodzi w skład powiatu łukowskiego województwa lubelskiego. Na Rys. 6 pokazano<br />
szeroko skomplikowany układ sieci hydrologicznej w regionie, uwarunkowany<br />
morfologią. Wyróżniono miejsca testowe: Krowie Bagno, i Bagno Bubnów, w<br />
okolicach Kulczyna. Na Rys. 7 pokazano ogólny plan gminy Trzebieszów, z pokryciem<br />
leśnym i pokryciem użytkami rolnymi w gminie.<br />
Teren Równiny Łukowskiej jak i gminy Trzebieszów jest względnie płaski, o<br />
deniwelacjach na ogół nieprzekraczających 20 m, z podmokłymi dolinami rzek<br />
Krzny Południowej i Północnej. W znacznym procencie równinę stanowią rozmyte<br />
pokrywy sandrowe. Przeważają tu gleby wytworzone z piasków luźnych, słabogliniastych,<br />
naglinowych i gliniastych [142].<br />
Gmina Trzebieszów ma wybitnie rolniczy charakter. Użytki rolne obejmują<br />
80,5% powierzchni gminy, na grunty orne przypada 62,3%, a na użytki zielone<br />
18,2% powierzchni [169]. Lasy zajmują około 13,5% powierzchni. Kompleksy<br />
leśne znajdują się w części południowo-wschodniej i zachodniej gminy.
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 43<br />
Rys. 6. Morfologia regionu na podstawie modelu elewacji DEM (Digital Elevation Model) z Centre<br />
for Tropical Agriculture (CIAT), http://srtm.csi.cgiar.org. Model SRTM (Shuttle Radar Topography<br />
Measurement) [130] jest globalną kolekcją obrazów radarowych w paśmie C, wykonywanych z<br />
pokładów Space Shuttle przez prawie dekadę, i analizowanych wysokościowo dla geoidy (WGS-<br />
84DD). Wersję SRTM 4.1 (3 arcsec, 90 m ground range) aktualizowano w sierpniu 2008. Legenda na<br />
barwnym pasku u dołu, oznacza odpowiedniość barw wysokościom elewacji w terenie w (m). Żółte<br />
krzyżyki wskazują stacje meteorologiczne własne i miejsca testowe programu SWEX. Mapa elewacji<br />
nie wyróżnia wód otwartych i rzek, ani też nie wyróżnia lasów od terenów otwartych, a wyłącznie<br />
elewację, skutkiem czego widoczne są koryta starorzeczy zamiast wód płynących. Trzy jeziora uwidoczniono<br />
piktogramami aby wprowadzić oczywiste (jak wybrane miasta) punkty orientacyjne dla<br />
wzmocnienia czytelności mapy. Powierzchnia odpowiada około 20 pikselom obserwacji SMOS, z<br />
pokosu śladem 500 lub 1000 km.
44<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
Rys. 7. Mapa przeglądowa gminy Trzebieszów (http://maps.geoportal.gov.pl/webclient/ )<br />
Charakterystyka stosunków klimatycznych<br />
Nizina Południowopodlaska, i mezoregiony sąsiadujące stanowią makroregion<br />
o specyficznej odrębności krajobrazowej, wyróżniającej się fizjograficznie od regionów<br />
sąsiadujących: Nizina Północnopodlaska, Polesie Lubelskie, Wyżyna Lubelska,<br />
i Nizina Południowomazowiecka (Rys. 8). Dużych odrębności klimatycznych,<br />
właściwie nie wyróżnia się.<br />
Klasyfikacja terenu Niziny Południowopodlaskiej, na podstawie stosunków<br />
termicznych i opadowych, nakazuje włączyć ją do o wiele większych obszarowo<br />
jednostek otaczających. Według Romera [119], o podziałach Polski na regiony<br />
klimatyczne, teren ten należy do rozległej Krainy Chełmsko-Podlaskiej. Według
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 45<br />
Wiszniewskiego i Chełchowskiego [168], leży on w Regionie Mazowiecko-<br />
Podlaskim, a wg Okołowicza [106] w krainie drugiego Regionu Mazowiecko-<br />
Podlaskiego. W podziale Gumińskiego [53], na dzielnice rolniczo-klimatyczne,<br />
Nizina Południowopodlaska znalazła się wraz z Niziną Północnopodlaską i Polesiem<br />
Lubelskim, w Dzielnicy IX Wschodniej. W regionalizacjach opracowanych<br />
na podstawie częstości występowania określonych typów pogody [171] lub struktury<br />
bilansu cieplnewgo [112], wykazywano brak zróżnicowania klimatycznego<br />
obszaru Niziny Południowo- i Północnopodlaskiej oraz Polesia Lubelskiego. Natomiast<br />
zachodnia granica Niziny Południowopodlaskiej, jest w przybliżeniu równoznaczna<br />
z granicą regionów (lub podregionów) klimatycznych wydzielonych<br />
przez Paszyńskiego i Krawczyk [112] oraz Okołowicza [106], a na odcinku Wysoczyzny<br />
Siedleckiej – również Wosia [171]. Należy dodać, że w jednej tylko regionalizacji<br />
Polski – na regiony termiczne [121, 122] – wyodrębniony został obszar<br />
odpowiadający w przybliżeniu Nizinie Południowopodlaskiej jako oddzielny Region<br />
Siedlecki.<br />
Obszar obejmujący Nizinę Mazowiecko-Podlaską oraz Wyżynę Lubelską, na<br />
tle innych regionów Polski, wyróżnia się zwiększonym kontynentalizmem klimatu<br />
[11, 73, 74]. Wcześniejsze badania wykazały, że cała Polska pozostaje pod przeważającym<br />
wpływem cyrkulacji zachodniej. Masy powietrza napływające są najczęściej<br />
powietrzem polarnomorskim. Jest ich około 65% dni w roku [13,65]. Jednocześnie<br />
notowano tu największą liczbę dni z typem sytuacji synoptycznej antycyklonalnej<br />
(wyżowej) przy zaleganiu masy powietrza kontynentalnego [77, 78]. O<br />
zwiększonym kontynentalizmie klimatu tego obszaru świadczy przede wszystkim<br />
duże wartości amplitudy rocznej temperatury powietrza (kontynentalizm termiczny),<br />
a także znaczna przewaga opadów letnich nad zimowymi (kontynentalizm<br />
pluwialny) [65, 81, 119].
46<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
Rys. 8. Szerokie tło, w postaci mapy elewacji DEM (SRTM [130]), morfologicznego usytuowania<br />
regionu całego Podlasia.<br />
Obszar Niziny Południowopodlaskiej oraz sąsiednie regiony, zwłaszcza Wyżyna<br />
Lubelska i Polesie pod względem warunków solarnych – drugiego obok cyrkulacji<br />
atmosferycznej podstawowego czynnika kształtującego klimat – należą do<br />
najbardziej uprzywilejowanych w Polsce. Notowane są tu jedne z najwyższych w<br />
Polsce sum rocznych usłonecznienia rzeczywistego, średnio ponad 1600 godzin<br />
[23, 82, 97], jak i promieniowania słonecznego całkowitego rzędu 3700-3800 MJ·m –2<br />
[93, 111, 113]. Obszar ten jeszcze wyraźniej wyróżnia się przy rozpatrywaniu sum
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 47<br />
całkowitego promieniowania słonecznego w okresie wegetacyjnym [114], gdzie<br />
w średnich wieloletnich wynoszą one ponad 3100 MJ·m –2 .<br />
Charakteryzowane w oparciu o wieloletnie dane dotyczące średniej rocznej oraz<br />
średnich miesięcznych i sezonowych wartości temperatury powietrza warunki termiczne<br />
na Nizinie Południowopodlaskiej są mało zróżnicowane i zbliżone do występujących<br />
w sąsiednich regionach [66, 67, 160, 175]. Różnice średnich rocznych<br />
wartości temperatury między stacjami położonymi na Nizinie Południowopodlaskiej<br />
wynoszą zaledwie 0,4°C, a w poszczególnych miesiącach i porach roku –<br />
najwyżej 0,6°C. Średnia roczna temperatura powietrza w regionie wynosi około<br />
7,3°C, przy czym nieco niższe wartości notowano w jego części północnej, a wyższe<br />
w części południowej i południowo-zachodniej.<br />
Oceny warunków termicznych dokonano na podstawie danych przebiegu roczny<br />
temperatury powietrza pochodzących z położonej niemal w centrum regionu i<br />
najbardziej dla niego reprezentatywnej stacji w Siedlcach (tabela. 2). Wobec<br />
znacznych wahań temperatury powietrza z roku na rok, warto zwrócić również<br />
uwagę na zakres występowania ich wartości zanotowany w trakcie 50-letniego<br />
(1949-1998) ciągu obserwacji. Według tych danych, miesiącem najcieplejszym był<br />
lipiec (17,7°C), a najchłodniejszym styczeń (–3,6°C). Należy podkreślić, że najchłodniejszym<br />
miesiącem w poszczególnych latach był nie tylko styczeń (44%<br />
przypadków), ale i luty (34%), grudzień (14%) oraz marzec i listopad (po 4%), a<br />
najcieplejszym – obok lipca (62% przypadków) – również czerwiec (16%) i sierpień<br />
(22%). Amplituda roczna temperatury powietrza w Siedlcach obliczona ze<br />
średnich miesięcznych stycznia i lipca wynosiła 21,3°C, ale z różnic średniej<br />
temperatury miesiąca najcieplejszego i najchłodniejszego w poszczególnych<br />
latach 23,4°C.<br />
Rozkład opadów atmosferycznych w ciągu roku w Siedlcach (tabela 2), wskazują<br />
na występowanie najwyższych opadów w miesiącach czerwcu i lipcu (ponad<br />
70 mm), najniższych (poniżej 30 mm) w miesiącach styczeń, luty i marzec. Występuje<br />
tu znaczna przewaga opadów letnich (212 mm) nad zimowymi (83 mm). Suma<br />
opadów w okresie wegetacyjnym (IV-IX) – 350,9 mm – stanowiła 65,4% sumy<br />
rocznej, ale w ciągu rozpatrywanych 50 lat wahała się od 224 do 530 mm.<br />
Zróżnicowanie przestrzenne sum miesięcznych i rocznych opadów na obszarze<br />
Niziny Południowopodlaskiej, a zwłaszcza w jej części wschodniej, jest małe [67],<br />
rzędu 70 mm w sumach opadów rocznych, a do 20 mm w sumach opadów miesięcznych<br />
(w średnich wieloletnich) (tabela 3). Zestawione dane odnoszące się<br />
bezpośrednio do rejonu przeprowadzonych badań, tj. miejscowości Trzebieszów i<br />
jego okolic wykazują one bardzo niewielkie zróżnicowanie, za wyjątkiem opadów<br />
w Międzyrzecu Podlaskim (najwyższych spośród rozpatrywanych miejscowości),<br />
które mogą być wynikiem wpływów lokalnych (położenia stacji).
48<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
Tabela 2. Średnie wieloletnie, a także najniższe i najwyższe średnie miesięczne i roczne wartości temperatury powietrza oraz sumy miesięczne<br />
i roczne opadów atmosferycznych i usłonecznienia rzeczywistego w Siedlcach [156]<br />
Parametr, okres<br />
Parameter, period<br />
Temperatura<br />
Temperature (°C)<br />
1949-1998<br />
Opady<br />
Precipitation (mm)<br />
1949-1998<br />
Usłonecznienie<br />
Sunshine duration<br />
(godz. – hours)<br />
1984-1998<br />
Wartość<br />
Value<br />
średnia<br />
average<br />
najniższa<br />
lowest<br />
najwyższa<br />
highest<br />
średnia<br />
average<br />
najniższa<br />
lowest<br />
najwyższa<br />
highest<br />
średnia<br />
average<br />
najniższa<br />
lowest<br />
najwyższa<br />
highest<br />
I II III IV V VI VII VIII IX X XI XII<br />
–3,6<br />
–14,2<br />
2,5<br />
–2,8<br />
–13,4<br />
4,4<br />
0,9<br />
–4,9<br />
5,9<br />
7,3<br />
3,9<br />
10,3<br />
13,1<br />
9,2<br />
15,9<br />
16,3<br />
13,9<br />
19,9<br />
17,7<br />
14,5<br />
20,7<br />
17,1<br />
14,9<br />
20,8<br />
12,7<br />
10,2<br />
16,2<br />
7,7<br />
4,8<br />
11,0<br />
2,6<br />
–3,4<br />
6,0<br />
24,8 23,5 26,0 35,5 53,1 73,9 71,3 66,5 50,5 37,4 38,7<br />
2 1 5 6 14 30 18 3 12 1 8<br />
59 53 59 91 114 194 179 195 141 180 88<br />
51,5 75,0 117,6 167,4 248,3 233,2 258,6 241,3 135,7 114,7 52,6<br />
17 52 63 121 173 155 188 199 72 64 18<br />
87 130 169 222 299 309 396 300 186 179 84<br />
–1,2<br />
–8,7<br />
2,7<br />
35,1<br />
5<br />
90<br />
35,9<br />
16<br />
67<br />
Rok<br />
Year<br />
7,3<br />
5,5<br />
8,9<br />
536,5<br />
364<br />
721<br />
1731,7<br />
1542<br />
1869
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 49<br />
Tabela 3. Średnie miesięczne i roczne sumy opadów atmosferycznych (w mm) w latach 1961-80 w Trzebieszowie oraz najbliżej położonych<br />
posterunkach opadowych i stacji meteorologicznej w Siedlcach [156]<br />
Miejscowość<br />
Locality<br />
Współrzędne<br />
Coordinates<br />
Trzebieszów φ 51 o 59’<br />
λ 22 o 33’<br />
Łuków φ 51 o 55’<br />
λ 22 o 22’<br />
Wólka Kam. φ 52 o 04’<br />
λ 22 o 31’<br />
Międzyrzec φ 51 o 59’<br />
λ 22 o 47’<br />
Kąkolewnica φ 51 o 54’<br />
λ 22 o 41’<br />
Siedlce φ 52 o 11’<br />
λ 22 o 16’<br />
I II III IV V VI VII VIII IX X XI XII<br />
Rok<br />
Year<br />
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<br />
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<br />
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<br />
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<br />
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<br />
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<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
Położenie terenu badań Polesia Zachodniego 1<br />
Drugi teren badań położony jest w środkowowschodniej części województwa<br />
lubelskiego, w powiecie włodawskim. Obejmuje fragmenty gmin rolniczych:<br />
Brus Stary, Hańsk i Urszulin, pozostających w zasięgu Poleskiego Parku Narodowego<br />
i granic jego bezpośredniej osłony (Rys. 6 i 9).<br />
Rys. 9. Mapa przeglądowa gminy Urszulin (http://maps.geoportal.gov.pl/webclient/ )<br />
Fizjograficznie, według podziału fizyczno-geograficznego Kondrackiego [76],<br />
obszar badań leży w centralnej części Polesia Zachodniego, w obrębie mezoregionu<br />
Równiny Łęczyńsko-Włodawskiej, znanej częściej pod nazwą Pojezierze<br />
Łęczyńsko-Włodawske [165, 166]. Położony jest na pograniczu Europy Zachodniej<br />
i Wschodniej oraz niżu środkowoeuropejskiego i pasa wyżyn Europy Środ-<br />
1 Paragraf opracował dr Józef Paszczyk.
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 51<br />
kowej. Jest jedynym w Polsce obszarem większego zgrupowania 67 jezior, pozostającego<br />
poza zasięgiem lądolodu ostatniego zlodowacenia [96].<br />
Budowa geologiczna, litologia i rzeźba terenu<br />
Badany obszar Pojezierza Łęczyńsko-Włodawskiego położony jest w peryferyjnej<br />
strefie prekambryjskiej platformy wschodnioeuropejskiej, zbudowanej ze<br />
skał wieku archaicznego. W całości znajduje się w obrębie Zapadliska Włodawskiego<br />
– struktury tektonicznej, na którą składają sie skały głębokiego, krystalicznego<br />
i wulkanicznego podłoża, przykrytego miąższą serią osadów młodszych:<br />
paleozoicznych, mezozoicznych oraz kenozoicznych [54, 55, 176].<br />
Najstarszymi utworami pojawiającymi się lokalnie na powierzchni lub w pobliżu<br />
powierzchni terenu są górnokredowe skały mastrychtu, wykształcone w<br />
postaci margli i kredy piszącej. Ukształtowanie stropu serii wspomnianych skał<br />
węglanowych charakteryzuje silne urozmaicenie. Obok licznych wzniesień kredowych,<br />
występują tu wyraźne obniżenia krasowe i głębokie doliny erozyjne.<br />
Mają one założenia strukturalne, ich kierunki są na ogół zgodne z przebiegiem<br />
uskoków tektonicznych zaobserwowanych w głębszym podłożu mezozoicznym<br />
[55]. Obok form erozyjnych w podłożu kredowym istnieją także obniżenia o charakterze<br />
rozległych kotlin krasowych.<br />
Wszystkie wymienione formy podłoża kredowego wypełniają osady plejstoceńskie<br />
i holoceńskie. Na wyniesieniach utwory plejstoceńskie reprezentowane są<br />
przede wszystkim przez gliny zwałowe bądź piaski i żwiry zlodowacenia Odry.<br />
W obniżeniach natomiast, w strefie spągu, mają one postać glin ilastych i żwirów<br />
deluwialnych, na których zalegają piaski ze żwirami oraz gliny zwałowe zlodowacenia<br />
Sanu. W stropie serii skał plejstoceńskich występują utwory fluwioglacjalne<br />
i glacjalne piaski i żwiry oraz gliny zwałowe zlodowacenia Odry. Lokalnie<br />
są one nadbudowane mułkami rzecznymi i jeziorno-rozlewiskowymi górnego<br />
plejstocenu. W obrębie większych obniżeń dolinnych i kotlin warstwę osadów<br />
mineralnych pokrywają utwory organogeniczne – głównie torfy i gytje, których<br />
proces sedymentacji rozpoczął się u schyłku ostatniego zlodowacenia Wisły.<br />
Do największych obszarów torfowiskowych w terenie badań należą Krowie<br />
Bagno oraz Bagno Bubnów i Staw. Są to torfowiska niskie, w części także rzadko<br />
spotykane w Polsce torfowiska węglanowe [6, 22, 54, 141]. Stanowią one najbardziej<br />
płaską i monotonną część Pojezierza Łęczyńsko-Włodawskiego.<br />
Warto zaznaczyć, że typową cechą współczesnej rzeźby opisywanego terenu<br />
jest zdecydowana przewaga powierzchni równinnych, o niewielkim zróżnicowaniu<br />
wysokości bezwzględnych i względnych. Według Wilgata, [165, 166] tworzą<br />
one cztery typy genetyczne: dwie akumulacyjne i dwie denudacyjne. Spośród<br />
nich najszerzej rozprzestrzenione są równiny akumulacyjne: wyższa – plejstoceńska<br />
i niższa – holoceńska. Pierwsza z nich wznosi się niewiele ponad 170 m
52<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
n.p.m. i obniża się nieznacznie w kierunku wschodnim, ku dolinie Bugu. Druga<br />
natomiast pokrywa się z zasięgiem najniżej położonych dolin rzecznych, torfowisk<br />
i zbiorników wodnych. Obie równiny, mimo niewielkich różnic wysokości,<br />
charakteryzuje wyraźny kontrast krajobrazowy, związany z rodzajem gleb oraz<br />
typem użytkowania i pokrycia terenu [141[. W obrębie równin holoceńskich w<br />
przewadze występują gleby hydrogeniczne, zajęte głównie przez zakrzaczenia i<br />
podmokłości. W strefie wyższego poziomu akumulacyjnego, gdzie spotykane są<br />
gleby semihydrogeniczne i fitogeniczne, duże powierzchnie zajmują łąki i pastwiska<br />
oraz lasy. Zwarte tereny upraw rolnych i obszarów zabudowanych koncentrują<br />
się przede wszystkim w obrębie równin denudacyjnych, dla których typowe są<br />
gleby autogeniczne. Ich dwudzielność genetyczna wiąże się z rodzajem utworów<br />
powierzchniowych, na jakich się wykształciły – na plejstoceńskich osadach moreny<br />
dennej oraz w strefie wyniesień kredowych i płytkiego zalegania utworów<br />
węglanowych.<br />
Stosunki wodne<br />
Charakter stosunków wodnych badanego obszaru zależy przede wszystkim od<br />
budowy geologicznej i rzeźby powierzchni topograficznej oraz warunków klimatycznych<br />
obiegu wody. Szczególną cechę hydrograficzną opisywanego terenu<br />
stanowi płytkie występowanie i słabe zróżnicowanie gradientów powierzchni<br />
zwierciadła wód podziemnych [54, 94, 95, 141, 167]. Warstwę wodonośną pierwszego<br />
poziomu użytkowego stanowią najczęściej żwiry i piaski, przedzielone<br />
niekiedy słabiej przepuszczalnymi utworami pyłkowo-mułkowymi. Głębokości<br />
występowania wody nawiązują do rzeźby terenu. Obszary najniżej położone –<br />
pozostające w strefie holoceńskiej równiny akumulacyjnej – z reguły są stale<br />
nasycone wodą, pochodzącą z opadów i spływu z wyżej wyniesionych obszarów.<br />
W rejonach występowania torfów i namułów torfiastych zwierciadło wód poziemnych<br />
rzadko sięga głębiej niż 1,0 m p.p.t. Większą miąższością strefy aeracji<br />
(1,5-3,0 m) charakteryzują się tereny wyższej równiny akumulacyjnej, a maksymalne<br />
głębokości zwierciadła wód podziemnych (4,0-8,0 m) pokrywają się z zasięgiem<br />
równin denudacyjnych. Wody podziemne pozostają w ścisłym związku<br />
hydraulicznym z wodami powierzchniowymi. Są jednak bardzo słabo drenowane.<br />
Gęstą sieć wód powierzchniowych tworzą rowy melioracyjne, uregulowane<br />
cieki oraz jeziora i sztuczne zbiorniki wodne. Cały analizowany obszar odwadniany<br />
jest przez system wodny Włodawki i jej większych lewych dopływów:<br />
Krzewianki (w obrębie Krowiego Bagna znanej jako Więzienny Rów) i Krzemianki.<br />
Większość lokalnych działów wodnych zlewni ma charakter strefowy.<br />
Skomplikowany układ sztucznie przekopanych cieków, powiązanych dodatkowo<br />
z systemem melioracyjnym Kanału Wieprz-Krzna, w znacznym stopniu zmienił,<br />
bowiem sposób naturalnego rozrządu wody. Do zlewni górnej Włodawki w wy-
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 53<br />
niku prac regulacyjnych przyłączone zostały, niemające wcześniej odpływu, bagna<br />
Bubnów i Staw.<br />
Większość drenujących cieków badanego obszaru, z wyjątkiem rzeki głównej<br />
– Włodawki, prowadzi niewielkie ilości wody. Odpływy jednostkowe sięgają tu<br />
2,0-3,0 dm 3 s –1 km –2 i są niższe od średnich, ustalonych dla całego obszaru Pojezierza<br />
Łęczyńsko-Włodawskiego (4,0-4,5 dm 3 s –1 km –2 ) [76, 94]. Przeciętne wielkości<br />
wskaźnika odpływu zawierają się w granicach 60-90 mm, przy czym prawie<br />
dwukrotnie więcej wody odpływa w półroczu zimowym niż letnim. Największe<br />
objętości odpływu notowane są wiosną – 41% i zimą 25%. Mniejsze odpływy<br />
zdarzają się latem (18%) i jesienią (16%) [95, 96, 141].<br />
Charakterystyka stosunków klimatycznych<br />
Według podziału klimatycznego Polski Gumińskiego [53] teren opracowania,<br />
zaliczyć należy do strefy klimatu równin podlaskich (IX), a według regionalizacji<br />
klimatycznej Lubelszczyzny W. A. Zinkiewiczów [175] do Lubartowsko-<br />
Parczewskiej dziedziny klimatycznej.<br />
Warunki pogodowe tej części Polski pozostają, w ponad 80% przypadków,<br />
pod wpływem mas powietrza polarnego pochodzenia morskiego (PPm) i kontynentalnego<br />
(PPk) [54, 68, 69]. Według Warakomskiego [54] wśród sytuacji barycznych<br />
niewielką przewagę mają układy wyżowe (51% przypadków). Maksimum<br />
ich występowania przypada na sierpień, a minimum na listopad. Niże baryczne<br />
– odwrotnie – pojawiają się najczęściej w listopadzie, a najrzadziej w<br />
sierpniu i październiku. We wszystkich miesiącach roku częstość wystąpień frontów<br />
atmosferycznych chłodnych ( średnio 20% ilości dni), przeważa nad częstością<br />
pojawiania się frontów ciepłych (10%) oraz zokludowanych i stacjonarnych<br />
(7%). Największą ilość frontów wszystkich rodzajów notuje się w grudniu, listopadzie<br />
i kwietniu, a najmniejszą w okresie miesięcy letnich [54].<br />
Badany obszar Pojezierza Łęczyńsko-Włodawskiego pod względem warunków<br />
solarnych – drugiego obok cyrkulacji atmosferycznej ważnego czynnika<br />
decydującego o cechach klimatu – należy do najbardziej uprzywilejowanych regionów<br />
w Polsce [54, 69, 175]. Charakteryzuje się, bowiem wielkością rocznego<br />
usłonecznienia rzeczywistego sięgającego 1650 godzin, a rocznego promieniowania<br />
słonecznego całkowitego 3700-3800 MJ m –2 , przy czym w sumie tej na okres<br />
wegetacyjny przypada aż 3100 MJ m –2 [54, 69, 175].<br />
O charakterze stosunków termicznych w badanych obszarze informują wyniki<br />
obserwacji reprezentatywnej dla badanego obszaru stacji we Włodawie (Tabela 4)<br />
w okresie 1951-1990 [69].<br />
Tabela 4. Średnie wieloletnie (T_średnie) i skrajne (T_min i T_max (w °C)) wielkości<br />
średnich miesięcznych wielkości temperatur powietrza we Włodawie w latach 1951-1990.
54<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
I II III IV V VI VII VIII IX X XI XII<br />
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<br />
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<br />
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<br />
Średnia wieloletnia temperatura roczna na tej stacji wynosiła 7,3°C. Najchłodniejszym<br />
miesiącem roku okazał się styczeń (–4,1°C), a najcieplejszym<br />
lipiec (17,9°C). Amplituda roczna temperatur miesięcznych była znaczna, przekraczała<br />
bowiem 21°C. W warunkach polskich jest ona efektem narastającego w<br />
kierunku wschodnim wpływu klimatu kontynentalnego.<br />
Średnia wieloletnia temperatura w półroczu zimowym wynosiła około 0,3°C,<br />
a w okresie ciepłym 14,2°C. Typowe długości trwania poszczególnych termicznych<br />
pór roku w opisywanym rejonie [53] przedstawiają się następująco: wiosna<br />
52, lato 96, jesień 64 i zima 78 dni, a pór przejściowych: przedwiośnia i przedzimia<br />
wynoszą od 35 do 40 dni. Okres wegetacyjny trwa tu przeciętnie 210-220<br />
dni, a liczba dni z przymrozkami przekracza 45 [53].<br />
Przeciętne warunki opadowe w obszarze opracowania obrazują dane dla stacji<br />
Włodawa przedstawione w tabeli 5. Średnie suma roczna opadu wyliczona dla<br />
okresu 1951-1990 wynosiła 542 mm [54, 69], a w skrajnych przypadkach roku<br />
suchego (1982) i wilgotnego (1970) sięgała 424 i 778 mm. Zakres zmienności<br />
sum rocznych w stosunku do średniej wieloletniej mieścił się w szerokim przedziale<br />
od 78% do 153%. Opady półrocza letniego roku hydrologicznego (V-X),<br />
mające decydujące znaczenie dla wegetacji i produkcji roślinnej, wykazują wyraźną<br />
przewagę nad opadami półrocza zimowego (XI-IV). Wyliczone sumy opadów<br />
półrocza letniego dla roku przeciętnego wynosiły 349 mm (64,4%) a zimowego<br />
193 mm (35,6% sumy rocznej). Sumy opadowe jesieni (IX-XI) były wyższe<br />
od opadów okresu wiosny (III-V). W cyklu rocznym maksymalne miesięczne<br />
sumy opadów zanotowano w lipcu i czerwcu (70-85 mm), a minimalne w styczniu<br />
i lutym (20-30 mm). W ciągu roku w ogólnej sumie opadów na badanym terenie<br />
przeważają opady deszczu – udział opadów stałych na przekracza na ogół<br />
17%, a pokrywa śnieżna utrzymuje się średnio przez 70-75 dni [53].<br />
Syntetyczną miarą zmienności sezonowej warunków hydroklimatycznych,<br />
charakteryzujących badany obszar, jest zestawienie przeciętnego klimatycznego<br />
bilansu wodnego (tabela 5), obliczonego dla poszczególnych miesięcy w formie<br />
różnicy wieloletnich średnich miesięcznych sum opadu i parowania rzeczywistego,<br />
oszacowanego metodą Thornthwaite’a i Mathera [170]. Z przedstawionych w<br />
tabeli 5 danych wynika, że z hydrologicznego punktu widzenia istotne znaczenie<br />
mają nadwyżki wodne zgromadzone w okresie jesienno-zimowym. Ujemne wartości<br />
P – E, oznaczające niedobory wodne, przepadające na sezon IV – IX, są<br />
natomiast niekorzystne dla rolnictwa i gospodarki wodnej.
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 55<br />
Tabela 5. Zestawienie średnich wieloletnich miesięcznych wielkości bilansu klimatycznego według<br />
danych dla stacji Włodawa w okresie 1951 – 1990<br />
I II III IV V VI VII VIII IX X XI XII I - XII<br />
P 28 27 27 35 55 67 81 61 47 38 39 37 542<br />
E 0 1 10 44 87 98 89 70 48 27 8 1 483<br />
P-E 28 26 17 –9 –32 –31 –8 –9 –1 11 31 36 59<br />
P – oznacza miesięczne sumy opadu, E jest wielkością parowania rzeczywistego oszacowaną metodą<br />
Thornthwaite’a i Mathera [170]<br />
Rozpatrywane obiekty badań, parametry i metody ich określania<br />
Pomiary i badania prowadzone były na dwóch obiektach o powierzchni około<br />
140 km 2 każdy: pierwszy obiekt obejmowałby gleby mineralne (generalnie – słabo<br />
uwilgotnione) znajdujące się w gminie Trzebieszów (N 51°59'24" E<br />
22°33'37") region – Podlasie Południowe, drugi obiekt znajdujący się w gminie<br />
Urszulin (N 51°23'43" E 23°11'54"), region – Polesie Zachodnie, obejmowałby<br />
gleby organiczno-mineralne o znacznym uwilgotnieniu. Pomiary wilgotności,<br />
oporu penetracji, temperatury i przewodności elektrycznej gleby w powierzchniowej<br />
warstwie gleby (w warstwie 0-10 cm) wykonywano za pomocą miernika<br />
wilgotności, zasolenia i temperatury (TDR). Liczba pomiarów i gęstość sieci pomiarowej,<br />
na każdym obiekcie, dobrano w zależności od zmienności przestrzennej<br />
badanej cechy, trudności wykonania pomiaru i potrzeb geostatystyki.<br />
Dane użyte do analiz pochodziły z pomiarów składu granulometrycznego, pH,<br />
materii organicznej w powierzchniowej (1-10 cm) warstwie gleby na polach<br />
uprawnych w gminie Trzebieszów, Urszulin i z Felinie koło <strong>Lublin</strong>a. Próbki gleby<br />
pobierano do płóciennych woreczków. Na wybranych obiektach określano<br />
gęstość i wilgotności gleby w warstwie powierzchniowej.<br />
Analiz próbek glebowych dokonano metodami powszechnie stosowanymi w<br />
gleboznawstwie. Współrzędne przestrzenne punktów pobierania próbek gleby<br />
określano za pomocą globalnego systemu pozycjonowania (Global Positioning<br />
System – GPS) oraz nanoszono na mapy pochodne ewidencji gruntów. Rozmieszczenie<br />
tych punktów na terenie gminy było nieregularne, natomiast w obrębie<br />
pól – w siatce regularnej (Rys. 10, 11). Przy wyznaczaniu współrzędnych<br />
punktów pomiarowych na terenie gminy (z dokładnością od 1 do 5 m) korzystano<br />
z miernika Trimble's GPS GeoExplorer 3. Na rozpatrywanych polach regularną<br />
siatkę punktów wyznaczano przy użyciu taśmy mierniczej, natomiast współrzędne<br />
wybranych punktów reperowych – za pomocą GPS.
56<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
(°)<br />
(°)<br />
Rys. 10. Rozkład punktów pomiarowych na obszarze gminy Trzebieszów i Urszulin.<br />
Doświadczenie polowe<br />
Pomiary prowadzono na polach koło Instytutu Agrofizyki w <strong>Lublin</strong>ie (Felin<br />
51°13'29" N, 22°38'42" E). Glebę na Felinie zaliczono do typu gleb płowych<br />
wytworzoną z utworu lessopodobnego niecałkowitą na utworze kredowym. Na
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 57<br />
badanych polach zaobserwowano następujący profil glebowy: od 0 do około 25<br />
cm poziom próchniczny o barwie brunatno–szarej, wyraźnie odcinający się od<br />
warstwy następnej o barwie rdzawej, poniżej 30 cm nieco jaśniejszej z żółtymi<br />
plamami o dużej zawartości piasku. Od głębokości około 45-50 cm pojawiają się<br />
okruchy zwietrzałej skały wapiennej stanowiącej poniżej 90 cm znaczący składnik<br />
materiałowy.<br />
Ziemniaki<br />
Kapusta Buraki cukrowe Pszenica ozima<br />
Kukurydza<br />
Pole 1<br />
Kukurydza<br />
Kukurydza<br />
Pszenica jara<br />
Pole 2<br />
Rys. 11. Rozkład punktów pomiarowych na polach uprawnych.<br />
Dla każdego obiektu badań określono podstawowe parametry statystyczne, tj.<br />
wartość średnią, standardowe odchylenie, współczynnik zmienności (CV), wartość<br />
maksymalną i minimalną oraz wartości charakteryzujące rozkład danej cechy<br />
tj. skośność i kurtozę. Przestrzenną charakterystykę rozpatrywanych danych przeprowadzono<br />
metodami geostatystycznymi. Statystyki, histogramy, transformowanie<br />
danych funkcjami ln i pierwiastkiem kwadratowym, semiwariogramy, krossemiwariogramy,<br />
wymiar fraktalny, estymację badanych cech gleby metodą kri-
58<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
kingu i kokrigingu i ich mapowanie otrzymywano za pomocą programów komputerowych<br />
GS+9 i Statistica 8 [45, 131].<br />
Pomiar gęstości i wilgotności gleby<br />
Wilgotność gleby na badanych obiektach mierzono za pomocą miernika opartego<br />
na metodzie reflektometrii domonowo-czasowej (Time Domain Reflectometry<br />
– TDR) produkcji Easy Test Ltd., <strong>Lublin</strong>, Polska [86]. Równocześnie, w tych<br />
samych punktach pobierano próbki gleby do cylinderków o objętości 100 cm 3 i<br />
wysokości 5 cm, celem określenia gęstości i wilgotności gleby metodą grawimetryczną.<br />
Dane wilgotności gleby otrzymane z metody grawimetrycznej posłużyły<br />
do weryfikacji danych uzyskanych z miernika TDR [148]. Próbki glebowe na<br />
wilgotność i gęstość z obszaru gminy Trzebieszów i Urszulin pobierano z warstwy<br />
ornej na wiosnę i w lecie (bezpośrednio po żniwach).<br />
Pomiar składu granulometrycznego, zawartości węgla i pH gleby<br />
Skład granulometryczny oznaczany jest zarówno metodą sitową jak i sedymentacyjną.<br />
W badaniach zastosowano metodę sedymentacyjną Bouyoucos’a w<br />
modyfikacji Casagrande’a i Prószyńskiego. Uwzględniając analizę sitową, podział<br />
na frakcje granulometryczne o konkretnych wielkościach ziaren skład granulometryczny<br />
przedstawiono w oparciu o zalecane normy.<br />
Zawartość węgla organicznego w glebach oznaczano metodą miareczkową<br />
znaną jako metoda Tiurina [143]. Polega ona na utlenieniu węgla organicznego<br />
(C) do CO 2 w środowisku silnie kwaśnym przy użyciu K 2 Cr 2 O 7 (w obecności<br />
katalizatora Ag 2 SO 4 ). Dla próbek glebowych o zawartości 7% węgla organicznego<br />
i więcej, metoda ta daje wyniki orientacyjne zawartości węgla organicznego.<br />
Procentową zawartość węgla organicznego w próbce oblicza się wg wzoru:<br />
( a − b)<br />
n ⋅ 0,0006 ⋅100<br />
C = [%] (60)<br />
c<br />
gdzie: a – ilość soli Mohra zużyta na miareczkowanie 10 cm 3 roztworu K 2 Cr 2 O 7<br />
o stężeniu 0,07 M, b – ilość soli Mohra zużyta do miareczkowania nadmiaru<br />
K 2 Cr 2 O 7 pozostałego po utlenieniu węgla w naważce gleby, n – poprawka na<br />
miano soli Mohra, c – naważka gleby pobranej do analizy oraz przy założeniu, że<br />
1 cm 3 soli Mohra o stężeniu 0,2 M jest równoważny 0,0006 g węgla organicznego.<br />
Odczynu gleby (pomiar pH gleby) mierzono metodą elektrometryczna poprzez<br />
pomiar różnicy potencjałów w ogniwie składającym się z elektrody porównawczej<br />
(tj. elektrody o stałym potencjale) oraz elektrody pomiarowej, zanurzonych<br />
w zawiesinie glebowej (najlepiej w roztworze nad osadem po sedymentacji za-
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 59<br />
wiesiny) powstałej po wymieszaniu gleby i roztworu w stosunku 1:2,5 [100, 120,<br />
172]. Pomiar odczynu (pH) gleb obejmują: stosunek gleby do roztworu jak 1:2,5;<br />
dokładne wymieszanie składników suspensji, pozostawienia mieszaniny przez<br />
okres 24 godz. celem ustalenia się równowagi w układzie oraz pomiar pH<br />
w roztworze nad osadem. Pomiary wykonywano w trzech powtórzeniach przy<br />
użyciu pH-metru firmy Radiometr Copenhagen oraz elektrody zespolonej firmy<br />
Orion Research.<br />
Pomiar zawartości kwarcu w glebie<br />
Zawartość kwarcu w glebie określano w/g zmodyfikowanej metody Jacksona i<br />
in. [61, 85] polegającej na wydzieleniu kwarc z próbek glebowych. Do separacji<br />
kwarcu wykorzystano kwas sześciofluorokrzemowy (H 2 SiF 6 ). Naważkę powietrznie<br />
suchej gleby o masie 5,000 g traktowano 6 M HCl celem usunięcia węglanu<br />
wapnia i materii organicznej,. Glebe z roztworem kwasu solnego ogrzano<br />
na płycie grzejnej przez 2 godziny w temperaturze 100 °C. Rozpuszczone składniki<br />
zdekantowano, a pozostałość przemyto wodą destylowana i ponownie zdekantowano.<br />
Przemywanie wodą destylowaną wykonano trzykrotnie. Po wysuszeniu<br />
pozostałości, próbkę zalano 15 ml stężonego H 2 SiF 6 i inkubowano w temperaturze<br />
pokojowej przez 3 dni, mieszając kilkakrotnie w ciągu dnia. Zawartość<br />
zlewki ostrożnie zdekantowano, a pozostałość przemyto wodą destylowaną. Trawienie<br />
kwasem sześciofluorokrzemowym powtórzono 4 krotnie. Po przemyciu<br />
wodą destylowaną zawartość zlewki przeniesiono ilościowo do tygla i prażono w<br />
temp. 500 °C przez 2 godziny. Po ostudzeniu w eksykatorze próbkę zważono.<br />
Tak wyizolowany kwarc roztarto w moździeżu agatowym i przygotowano preparat<br />
proszkowy do oznaczeń składu mineralogicznego metodą dyfraktometryczną.<br />
Przygotowane preparaty proszkowe poddano analizie dyfraktometrycznej na<br />
dyfraktometrze HZG-4 TUR z lampą CuK α , filtrem Ni, przy parametrach roboczych<br />
20 KV i 15 mA (prąd lampy). Impulsy zbierano w zakresie kątowym 10-50<br />
50 2 °θ. Dyfraktogramy opracowano z wykorzystaniem programu komputerowego<br />
ORIGIN.<br />
O obecności wyłącznie kwarcu w badanych próbkach świadczy występowanie<br />
dubletu silnych linii dyfrakcyjnych (0,334 nm i 0,426 nm) odpowiadającym<br />
(101) oraz (100). Słaba linia 0,246 nm odpowiada refleksowi (110) kwarcu.<br />
Normy i standardy używane podczas pomiarów próbek glebowych<br />
ISO 12 277 – Oznaczanie składu granulometrycznego w mineralnym materiale<br />
glebowym. Metoda sitowa i sedymentacyjna.<br />
PN-R-04032: 1998 – Gleby i utwory glebowe – Pobieranie próbek i oznaczenie<br />
składu granulometrycznego.
60<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
PN-R-04033: 1998 – Gleby i utwory mineralne – Podział na frakcje i grupy<br />
granulometryczne.<br />
ISO 14 235 – Oznaczanie zawartości węgla organicznego przez utlenianie<br />
dwuchromianem w środowisku kwasu siarkowego.<br />
PN-ISO 10390, 1997. Jakość gleby. Oznaczanie pH.<br />
PN-R-04027, 1997. Analiza chemiczno-rolnicza gleby. Oznaczanie kwasowości<br />
hydrolitycznej w glebach mineralnych.<br />
PN-EN 1307, 2002. Środki poprawiające glebę i podłoża uprawowe. Oznaczanie<br />
pH.<br />
PN ISO 13536:2002 Oznaczanie potencjalnej pojemności wymiennej kationowej<br />
i kationów wymiennych z zastosowaniem zbuforowanego roztworu chlorku<br />
baru o pH = 8,1.<br />
PN ISO 11260:1999 Oznaczanie efektywnej pojemności wymiennej kationowej<br />
i stopnia wysycenia zasadami z zastosowaniem roztworu chlorku baru.<br />
PN-ISO 11461: 2003 Oznaczanie wilgotności objętościowej gleby z zastosowaniem<br />
pierścienia. Metoda wagowa.<br />
PN-EN 13041: 2002 Oznaczanie właściwości fizycznych. Gęstość objętościowa<br />
suchej próbki, pojemność powietrzna, pojemność wodna, kurczliwość<br />
i porowatość ogólna.<br />
Dane satelitarne<br />
Badania w projekcie, są częścią szerszego polskiego programu SWEX (Soil<br />
Water and Energy Exchange) jako zadania dla typu krajobrazu bagiennego w<br />
Polsce. Obszar wybrano na Polesiu. Program SWEX jest polskim wkładem w<br />
inny szerszy program globalny SVRT (Cal/Val SMOS Validation and Retrieval<br />
Team) prowadzony przez Misję ESA SMOS (Soil Moisture and Ocean Salinity)<br />
[41]. Misja SMOS ma za cel globalne monitorowanie wilgotności gleb na lądach,<br />
i zasolenia oceanów, w celach ustalania globalnych warunków wymiany wody z<br />
atmosferą, w związku z badaniami globalnych zmian klimatu.<br />
Wymiana wody z atmosferą ustala warunki zmian klimatu, i zasadniczo zależy<br />
od stanu warunków hydrologicznych na powierzchni Ziemi, oraz zdolności wymiany<br />
energii między Ziemią a atmosferą i promieniowaniem słonecznym. Wymiana<br />
energii wiąże się ściśle z termicznymi własnościami gleb, i pokrycia roślinnego,<br />
z zawartością wody w nienasyconych warstwach gleb, i zdolnością pokrywy<br />
roślinnej do ewapo-transpiracji (ET).<br />
Zadania walidacji obserwacji satelitarnych SMOS, wymagają aby na Ziemi<br />
prowadzić badania środowiska pozostające w związku z wodą, i bilansem energetycznym.<br />
Badania naziemne mają służyć walidowaniu obserwacji satelitarnych.<br />
Głównym ograniczeniem możliwości charakteryzowania środowiska na skale<br />
regionalne, przy pomocy badań naziemnych, jest trudność w uchwyceniu związ-
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 61<br />
ków między zależnościami tych zmiennych środowiskowych ECV (Environmental<br />
Climate Variable) [46], które stanowią najmocniej o związkach z klimatem na<br />
duże skale regionalne. Do takich zmiennych ECV, zalicza się wilgotność gleb.<br />
Dlatego powołano misję SMOS do działania. Misja wystartowała 2 listopada<br />
2009 r., ma działać przez 3-5 lat, i ma dostarczać obserwacji powierzchni Ziemi z<br />
cyklicznością 3-4 dni, dla tego samego miejsca na Ziemi. Żadne metody naziemne<br />
nie są w stanie dostarczyć tak konsekwentnie długich szeregów, przy rytmicznym<br />
odświeżaniu danych, i przy jednoczesności obserwacji na tak wielkich obszarach.<br />
Na Ziemi można zapewnić nawet bardzo dokładne i częstsze monitorowanie<br />
wybranych zmiennych ECV, ale tylko w wybranych i stosunkowo nielicznych<br />
miejscach. Monitorowanie obszarów wielkich wymaga środków zdalnych, z<br />
poziomu lotniczego i satelitarnego. Badania naziemne uogólnia się na obszary<br />
wielkie bardzo trudno, z powodu nie tylko kosztów, ale i różnorodności warunków<br />
wykonywania pomiarów, różnorodności źródeł błędów (fizycznych i technicznych),<br />
oraz z powodu różnorodności pokrycia obszarów środowiskiem biologicznym.<br />
Te trudności można pokonywać dopiero środkami obserwacji zdalnych,<br />
z orbity.<br />
Obserwacje satelitarne dają bardzo szerokie pole widzenia spójnego, ale kosztem<br />
wzrostu niepewności wyniku w miarach absolutnych. Wynik może być spójny<br />
na skalę kontynentu, ale przy braku pewności jak jest zawyżony lub zaniżony,<br />
a nawet zredukowany w precyzji, w porównaniu do tego jaki można uzyskać na<br />
Ziemi, dla ustalonego miejsca stacji obserwacyjnej. Po to jest program Cal/Val<br />
SVRT, dla SMOS, i inne projekty walidacyjne dla innych misji, aby wyniki weryfikować<br />
– na Ziemi, wprowadzać niezbędne korekcje w modelowych procesorach<br />
przetwarzania danych, przez misję SMOS, i później dostarczać ogółowi użytkowników<br />
dane pewniejsze.<br />
Wyniki walidowania obserwacji SMOS na Polesiu, i w kilkunastu innych programach<br />
międzynarodowych realizowanych globalnie, mają wspólnie, i rozdzielnie<br />
– uwiarygodniać obserwacje SMOS. Takie postępowanie walidacyjne jest<br />
rutynową praktyką wszystkich misji obserwacji Ziemi. Im większy jest obszar<br />
ocen prowadzonych lokalnie na Ziemi, tym większa może być wartość obserwacji<br />
z satelity. Ten interes zbiega się zgodnie z potrzebami ocen środowiskowych na<br />
Ziemi.<br />
Dlatego została podjęta tematyka niniejszego programu. Trzeba prowadzić<br />
istotne obserwacje naziemne, na Polesiu (okolice Kulczyna), odnosić je do obserwacji<br />
w terenie kontrastującym hydrologicznie i środowiskowo na Podlasiu<br />
(okolice Trzebieszowa), potem określać charakterystyki – czasowe i przestrzenne,<br />
według zdjęć satelitarnych naszego regionu z różnych dostępnych misji satelitarnych<br />
(ENVISAT ASAR, MERIS, AATSR, MODIS, LandSat, ALOS, RADAR-<br />
SAT), a na koniec porównywać wyniki z misją SMOS.
62<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
Zakres tematów niezbędnych dla takiego poszerzania skal, w kolejnych stopniach<br />
weryfikacji jest ogromny, ale i dobrze ugruntowany praktyką wykorzystywania<br />
obserwacji satelitarnych do ocen środowiskowych. W niniejszej pracy wykorzystano<br />
posiadane już doświadczenie i kompetencje w zakresie badań własności<br />
termicznych gleb, w związku z wodą, i metody statystyczne stosowane do<br />
wyznaczania rozkładów przestrzennych.<br />
Dane satelitarne potrzebne w projekcie, umożliwiają poszerzanie skal przestrzennych,<br />
ale początkowe wyznaczanie rozkładów własności trzeba prowadzić z<br />
danych naziemnych. Metody statystyczne wykorzystywane na Ziemi mają swoje<br />
przedłużenia w metodach statystycznych wykorzystywanych do interpretacji danych<br />
satelitarnych. Obserwacje naziemne różnią się tym od obserwacji satelitarnych,<br />
że dostarczają mało danych. Stale odczuwa się niedobór danych, na to by<br />
były statystycznie reprezentatywne. Inaczej jest z danymi satelitarnymi. Te dostarczają<br />
ogromne ilości danych, ale bywają dostępne rzadko. To są ważne różnice<br />
dotyczące reprezentatywności, do pokonywania na gruncie geostatystyki, i stąd<br />
wynikła orientacja niniejszego programu na metody statystyczne.<br />
Dane satelitarne z Polesia Zachodniego dla tej pracy, pozyskano w ramach<br />
programu ESA na udostępnianie obserwacji satelitarnych Cat-1 [40], dla celów<br />
naukowych związanych z walidacją obserwacji SMOS w projekcie SWEX [136].<br />
Pozyskano około 50 zdjęć w ciągu 3 lat, do projektu SWEX, ale tylko kilkanaście<br />
dla Polesia. Są to zdjęcia ENVISAT-ASAR (radarowe), o rozdzielczości około 30<br />
m, ENVISAT-MERIS (optyczne) wielkoskalowe o rozdzielczości 300 m, na skalę<br />
połowy Polski, ENVISAT-AATSR (w podczerwieni) wielkoskalowe o rozdzielczości<br />
około 1000 m, na zakres globalny – od bieguna do równika, lub od bieguna<br />
do bieguna. Trzeba wybierać własny wycinek, np. ze zdjęcia AATSR, i korzystać<br />
z wyspecjalizowanych procedur SEBS (Surface Energy Balance Simulator) w<br />
programie BEAM [4, 42], lub inne procedury w programie NEST [101] dla zdjęć<br />
ASAR. Są to narzędzia publicznie dostępne, darmowe, uprzystępnione dla użytkowników<br />
z wszelkich dziedzin obserwacji Ziemi, i do tego bogato udokumentowane<br />
na poziomie pozwalającym wprowadzać własne procedury. Współcześnie,<br />
nie wykorzystywanie obserwacji satelitarnych można usprawiedliwić tylko brakiem<br />
potrzeby, a nie brakiem środków lub źródeł wiedzy.<br />
Praktyka posługiwania się zdjęciami w projekcie, wykazała, że dostępność<br />
zdjęć jest względnie łatwa bo bez opłat, ale i trudna bo trudno uzyskać akceptację<br />
zamówienia indywidualnego na zdjęcie własnego terenu, w wybranych datach z<br />
częstością powtarzania np. 3 zdjęć w roku. Jest duże zapotrzebowanie od innych<br />
użytkowników, i zamówienia są realizowane z niewielkim powodzeniem. Tym<br />
niemniej w archiwach można znaleźć wiele zdjęć z różnych misji, z Polski, choć<br />
nie zawsze z pożądanego okresu. Praktycznie można liczyć na jedno zdjęcie<br />
ASAR w roku, w trybie niepłatnym Cat-1. Tak jest ze zdjęciami dedykowanymi
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 63<br />
konkretnemu użytkownikowi dla konkretnej lokalizacji i czasu. Inaczej jest ze<br />
zdjęciami wykonywanymi przez misje rutynowo, i cyklicznie. Na przykład zdjęcia<br />
wielkoskalowe instrumentów ENVISAT MERIS i ASAR, są dostępne cyklicznie<br />
prawie wszystkim użytkownikom, w przedziałach czasowych wg ustalonego<br />
porządku skanowania. Okresy powtarzania zdjęć, z tych samych obszarów<br />
są kilku, kilkunasto, lub około 35-dniowe. Użytkowanie zdjęć w tym projekcie,<br />
przekonuje że najlepszą reprezentatywność dla swojego terenu można osiągać w<br />
trybach zdjęć wielkoskalowych, a i to z ograniczeniami do rozkładu jazdy satelity<br />
i koniecznego porządku ruchu orbitalnego, który trzeba poznać (np. wykorzystując<br />
publiczne programy EOLISA, ESOV, i tym podobne [42]).<br />
Dzieje się tak dlatego, że najwyższy priorytet badawczy, dla społeczności naukowych<br />
mają obserwacje Ziemi wielkoskalowe, co wynika z globalnych priorytetów<br />
naukowych. Współczesna nauka w dziedzinie obserwacji Ziemi jest kierowana<br />
na naukowe cele mesoskalowe. Takie też są współczesne cele badawcze<br />
najważniejszych misji środowiskowych.<br />
Ograniczone powodzenie w posługiwaniu się zdjęciami satelitarnymi w tym<br />
programie, prowadzi do wniosku merytorycznego, że jednak obserwacje satelitarne<br />
są rzadkie. Częste uzyskiwanie zdjęć jest osiągalne w innych trybach współpracy<br />
z agencjami kosmicznymi, a to jest albo kosztowne, albo wymaga akceptacji<br />
i włączenia własnego programu w programy międzynarodowe.<br />
Misja SMOS gwarantuje monitorowanie rytmiczne co 3-4 dni, prze 3-5 lat, i w<br />
tym jest jej wielka potencjalna wartość obserwacji. Każde miejsce na Ziemi, na<br />
małych i średnich szerokościach geograficznych, będzie monitorowane nie rzadziej<br />
niż 3-4 dni, każdego dnia o tej samej godzinie (około 6:00 rano czasu lokalnego),<br />
w tym samym miejscu. Czasowa zmienność wilgotności gleb, będzie<br />
próbkowana co 3-4 dni, a więc stosunkowo często (w porównaniu z innymi zdjęciami<br />
satelitarnymi), ale i rzadko bo tylko co 3 lub 4 cykl znajdzie swoją reprezentację.<br />
Stwarza to kolejne wymagania dla wyznaczania czasowej zmienności<br />
rozkładów przestrzennych wilgotności na Ziemi. Każde zdjęcie SMOS będzie<br />
integrowało efekty 3-4 cykli dziennych, kiedy zmienność warunków atmosferycznych,<br />
temperatury, opadów będzie wymuszana wieloma wydarzeniami meteorologicznymi,<br />
co trzeba będzie respektować opracowując dane naziemne statystycznie,<br />
i czerpać tę wiedzę z innych źródeł. Zresztą i SMOS jest misją, która<br />
czerpie potrzebne dane nie tylko ze swojego instrumentu, ale i z innych źródeł<br />
zewnętrznych.
64<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
WYNIKI<br />
Analiza statystyczna obserwacji naziemnych<br />
Statystyki zawartości frakcji granulometrycznych, odczynu gleby (pH), zawartości<br />
materii organicznej i kwarcu w warstwie 0-10 cm z obszaru gminy Trzebieszów<br />
i Urszulin zestawiono w tabelach 6 i 7. Dla pól uprawnych zestawiono dane odnoszące<br />
się do zawartości frakcji granulometrycznych, odczynu gleby (pH), zawartości<br />
materii organicznej i gęstości fazy stałej dla warstwy przypowierzchniowej (0-15<br />
cm) i podornej (30-40 cm) i warstwie 80-90 cm (tab. 8).<br />
Wartości średnie, które są szczególnie istotną miarą tendencji centralnej rozkładu<br />
danej zmiennej i pozwalają one wstępnie odpowiedzieć na pytanie na ile<br />
badany rozkład jest zgodny z rozkładem normalnym. Ta informacja jest konieczna<br />
do dalszej analizy geostatystycznej. W przypadku, gdy badany rozkład odbiega<br />
od rozkładu normalnego dane są poddawane transformacji, po to żeby przybliżyć<br />
go do rozkładu normalnego.<br />
Przeprowadzona analiza zebranych danych z obszaru gminy Trzebieszów dotycząca<br />
składu granulometrycznego gleby (tab. 6) wykazała, że średnio w warstwie 0-<br />
10 cm najwięcej było piasku (71,9%), następnie pyłu (26,4%), najmniej zaś iłu<br />
(1,68%). Minimalne zawartości tych frakcji (w zbiorze 464 danych) wynosiły<br />
odpowiednio 45, 4 i 0%, a maksymalne 95, 54 i 8%.<br />
Odczyn gleb w gminie Trzebieszów, generalnie był kwaśny lub obojętny.<br />
Średnia wartość pH w warstwie 0-10 cm mierzona w KCl wynosiła 4,25, a w H 2 O<br />
4,82. Minimalne wartości pH próbek gleby wynosiły 3,47 (KCl) i 3,88 (H 2 O), a<br />
maksymalne odpowiednio 6,98 i 7,29 (tab. 6).<br />
Zawartość materii organicznej w glebie na terenie gminy Trzebieszów była<br />
niewielka i wynosiła 0,84% w warstwie powierzchniowej 0-10 cm, Najmniejsza i<br />
największa zawartość materii organicznej, jaką zanotowano w pojedynczym<br />
punkcie pomiarowym w warstwie powierzchniowej to 0,002 i 3,75%.<br />
Średnia wartość pojemności kationowymiennej wynosiła około 10 cmol·kg –1 ,<br />
choć w poszczególnych próbkach zmieniała się znacznie (w przedziale od 3,69 do<br />
27,6 cmol·kg –1 ).<br />
Analizy danych z gminy Urszulin odnoszące się do składu granulometrycznego<br />
gleby (tab. 7) wykazała również, że średnio w warstwie 0-10 cm najwięcej było<br />
piasku (82,9%), więcej było go o 11% niż w gminie Trzebieszów. Pyłu było<br />
znacznie mniej (15,5%), podobnie jak w gmninie Trzebieszów najmniej było iłu<br />
(1,6%). Minimalne zawartości tych frakcji (w zbiorze 86 danych) wynosiły odpowiednio<br />
58, 3 i 0%, a maksymalne 96, 31 i 15%.
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 65<br />
Odczyn gleb w gminie Urszulin, generalnie był obojętny. Średnia wartość pH<br />
w warstwie 0-10 cm mierzona w KCl wynosiła 6,2, a w H 2 O 6,6. Minimalne wartości<br />
pH próbek gleby wynosiły 3,7 (KCl) i 4,7 (H 2 O), a maksymalne odpowiednio<br />
7,7 i 7,8 (tab. 7).<br />
Zawartość materii organicznej w glebie na terenie gminy Urszulin była znacząco<br />
większa niż w gminie Trzebieszów i wynosiła 3,2% w warstwie powierzchniowej<br />
0-10 cm (tab. 7). Najmniejsza i największa zawartość materii organicznej,<br />
jaką zanotowano w pojedynczym punkcie pomiarowym w warstwie<br />
powierzchniowej to 0,4 i 48,8%.<br />
Zmienność charakteryzowana przez współczynnik zmienności (CV) wykazuje,<br />
że największą zmienność dla zawartości materii organicznej (187,2%) i frakcji iłu<br />
(104,9%) zanotowano w gminie Urszulin. W gmninie Trzebieszówe wartości CV<br />
badanych cech (47,2, 67,5) były znacznie mniejsze niż w gminie Urszulin. Najmniejszą<br />
zmienność odnotowano dla frakcji piasku w obu gminach.<br />
Skośność, która charakteryzuje stopień asymetrii rozkładu wokół jego średniej,<br />
w przypadku rozpatrywanych zmiennych była w większości dodatnia, część<br />
z raczej umiarkowaną asymetrią i część ze znaczną asymetrią, głównie ił, pH gleby<br />
i materia organiczna.<br />
Różnice między wartościami średnimi a medianami dla poszczególnych<br />
zmiennych jak i wartości asymetrii i kurtozy (tabela 6 i 7) wskazują, że większość<br />
badanych zmiennych z dość dobrą dokładnością można opisywać rozkładem<br />
normalnym. Tam gdzie te różnice były znaczne podczas analizy geostatystycznej<br />
dane zostały poddane transformacji (funkcje matematyczne – ln, pierwiastek<br />
kwadratowy) po to żeby osiągnąć dobrą zgodność z rozkładem normalnym. Zawartość<br />
iłu i materii organicznej na obu obiektach, przewodnictwo cieplne i dyfuzyjność<br />
cieplna na drugim polu były poddane transformacji logarytmem normalnym.<br />
Kwarc<br />
Gleba jest mieszaniną minerałów pierwotnych i wtórnych o różnej średnicy<br />
ziaren. Przeważającym składnikiem spośród minerałów pierwotnych jest kwarc<br />
oraz skalenie. Zawartość kwarcu – składnika relatywnie odpornego na działanie<br />
czynników fizycznych i chemicznych (procesów wietrzenia) jest często wykorzystywana<br />
do oszacowania wieku oraz genezy gleb [61, 126]. Kwarc jest również<br />
minerałem pierwotnym, który decyduje o przewodnictwie cieplnym i wilgotności<br />
gleby [39, 116].<br />
Kwarc w badanych glebach jest składnikiem frakcji piasku, frakcji pyłu oraz<br />
występuje we frakcji ilu grubego (kwarc drobnoziarnisty). Hardy i in. [56] stwierdzili<br />
obecność kwarcu we frakcji > 2 µm.
66<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
W badanych próbkach jest to głównie kwarc odmiany β tzw. kwarc niskotemperaturowy,<br />
o czym świadczą słabe refleksy wyższego rzędu na dyfraktogramach<br />
wszystkich analizowanych próbek (d = 0,228 µm, d = 0,213 µm).<br />
Pewna rozbieżność między wynikami zawartości kwarcu uzyskanymi metodą<br />
chemicznej izolacji wg Jacksona [61], którą zastosowano w niniejszej pracy oraz<br />
zawartością frakcji piasku oznaczonego metodę sedymentacyjną może wynikać z<br />
obecności kwarcu drobnokrystalicznego we frakcjach drobnych gleb.<br />
Średnia zawartość kwarcu w gminie Trzebieszów wynosiła 69,5% i była ona<br />
zbliżona do zawartości frakcji piasku 71,9. W tym przypadku można wnosić, że<br />
we frakcji piasku występuje głównie kwarc, który z kolei ma istotny wpływ na<br />
stałą dielektryczną gleby. Ta stała dielektryczna jest konieczna do walidacji wilgotności<br />
gleby zmierzonej, raz poprzez satelitę, drugi raz poprzez miernik TDR<br />
oparty na pomiarze czasu propagacji fali elektromagnetycznej w glebie.<br />
W przypadku gminy Urszulin średnia zawartości kwarcu (65,7%) była znacząco<br />
mniejsza niż frakcji piasku (82,9%). Z tego porównania można wnosić, że<br />
oprócz kwarcu na obszarze tej gminy we frakcji piasku są inne składniki mineralogiczne,<br />
które należy uwzględnić przy oznaczaniu stałej dielektrycznej gleby.<br />
Porównując standardowe odchylenia w obu gminach wyraźnie wyróżnia się<br />
gmina Urszulin (15,6) z odchyleniem ponad 5-krotnie większym niż w gminie,<br />
Trzebieszów (2,97). Minimalne i maksymalne wartości kwarcu potwierdzają<br />
większe zróżnicowanie kwarcu w gminie Urszulin (18,7-84,8%) niż w gminie<br />
Trzebieszów (65,5-75,5%).<br />
Główne składniki mineralogiczne gleby, tj. kwarc i inne minerały określono z<br />
rozkładu granulometrycznego przyjmując, że frakcja 1-0,02 mm zawiera głównie<br />
kwarc, we frakcji poniżej 0,02 mm występują inne minerały [27, 164]. W tabeli 8<br />
przedstawiono skład granulometryczny i niektóre właściwości fizykochemiczne<br />
gleby z Felina k/<strong>Lublin</strong>a.
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 67<br />
Tabela 6. Statystyka zawartości frakcji granulometrycznych, odczynu (pH), zawartości materii organicznej (OM), pojemności kationowymienej<br />
(CEC) i zawartości kwarcu w warstwie 0-10 cm z obszaru gminy Trzebieszów (Podlasie Południowe) [156]<br />
Gmina – Commune<br />
Parametr – Parameter<br />
% zawartość frakcji<br />
% zawartość<br />
% content of fractions pH [KCl] pH [H 2 O] OM CEC kwarcu<br />
1-0,05<br />
(mm)<br />
0,05-0,002<br />
(mm)<br />
68<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
Tabela 7. Statystyka zawartości frakcji granulometrycznych, odczynu (pH), zawartości materii organicznej (OM) i zawartości kwarcu w<br />
warstwie 0-10 cm z obszaru gminy Urszulin (Polesie)<br />
Gmina – Commune<br />
Parametr – Parameter<br />
% zawartość frakcji<br />
% zawartość<br />
% content of fractions pH [KCl] pH [H 2 O] OM kwarcu<br />
1-0,05<br />
(mm)<br />
0,05-0,002<br />
(mm)<br />
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 69<br />
Tabela 8. Skład granulometryczny oraz niektóre właściwości fizykochemiczne gleby z Felin<br />
k/<strong>Lublin</strong>a.<br />
Wastwa<br />
(cm)<br />
1-0,1 0,1<br />
-0,05<br />
% zawartość frakcji<br />
0,05 0,02<br />
-0,02 -0,006<br />
0,006<br />
-0,002<br />
<<br />
0,002<br />
pH<br />
(KCl)<br />
OM<br />
(%)<br />
Gęstość<br />
fazy<br />
stałej<br />
(Mgm –<br />
3 )<br />
0-15 20 6 42 23 3 6 5,8 1,48 2,61<br />
30-40 16 10 42 13 6 13 5,4 – 2,63<br />
80-90 66 10 9 4 3 8 5,6 – 2,58<br />
Analiza geostatystyczna obserwacji naziemnych<br />
Wszystkie zebrane dane pomiarowe z obszaru gminy przeanalizowano pod kątem<br />
wykrycia trendu w rozkładzie przestrzennym badanych cech gleby. W przypadku<br />
stwierdzenia trendu było on uwzględniany w dalszej analizie geostatystycznej.<br />
W przypadku obiektów w gminie Trzebieszów i Urszulin jak i Felinie<br />
można przyjąć, że rozpatrywane cechy spełniają warunek stacjonarności procesu<br />
lub kwasi-stacjonarności wymagany przy analizie geostatystycznej [51]. Rozkłady<br />
wartości badanych cech gleby były zbliżone do rozkładu normalnego (Rys.<br />
12a-37a).<br />
Zmienność przestrzenną każdej z rozpatrywanej zmiennej (cechy gleby) w<br />
gminie Trzebieszów Urszulin jak i na Felinie badano przy użyciu semiwariogramów<br />
i krossemiwariogramów. Określano wartości samorodków, progi i zakresy<br />
autokorelacji przestrzennej oraz dopasowywano modele semiwariogramów i<br />
krossemiwariogramów do empirycznych wartości wraz z określeniem parametrów<br />
dopasowania modeli. Starano się tak dobrać krok próbkowania, sposób liczenia<br />
semiwariancji i krossemiwariancji, tak by jakość dopasowania modeli teoretycznych<br />
semiwariogramów i krossemiwariogramów do empirycznych danych była<br />
jak najlepsza w każdym przypadku. Otrzymane wysokie wartości współczynników<br />
determinacji (R 2 > 0,8) oraz niewielkie wartości sumy kwadratów reszt<br />
(RSS
70<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
Stwierdzono przestrzenną zależność badanych cech na wszystkich badanych<br />
obiektach (Rys. 12-37). Kształt zależności przestrzennej w zdecydowanej większości<br />
był sferyczny. Zależnością wykładniczą charakteryzowała się nieznaczna<br />
część badanych zmiennych. Parametry samiwariogramów wskazują, że przy wielu<br />
badanych zmiennych występuje efekt samorodka (Rys 12-37). Świadczy to o<br />
tym, że zmienność badanych cech jest mniejsza niż przyjęta w pomiarach polowych<br />
minimalna odległość pobieranych próbek glebowych. W przypadku, gdy<br />
wartości samorodka nie wiele się różni od wysycenia (progu), a zakres przestrzennej<br />
zależności jest niewielki w takim przypadku można przyjąć, że występuje<br />
czysty efekt samorodka, a do reprezentatywnego opisu badanej zmiennej<br />
wystarczą dwie wartości – średnia i wariancja. Można też w następnych pomiarach<br />
zmniejszyć krok próbkowania celem dokładniejszego wyznaczenia charakteru<br />
zmian wariancji strukturalnej, czy też potwierdzenia, że dana zmienną nie wykazuje<br />
przestrzennej zależności na badanym obiekcie. Jak pokazano na wszystkich<br />
rysunkach (Rys. 12-37) wartości wysycenia semiwariancji są porównywalne<br />
z wartościami wariancji wyznaczonej w sposób klasyczny, oznacza to, że nie<br />
występują istotne składowe deterministyczne (trendy) w badanych rozkładach. W<br />
gminie Trzebieszów i Urszulin wartości wysycenia semiwariogramów były pochodną<br />
zawartości poszczególnych frakcji. Największe ich wartości obserwowano<br />
dla frakcji piasku i pyłu w Trzebieszowie i kwarcu w gminie Urszulin. Inne<br />
zmienne charakteryzowały się znacząco mniejszymi wartościami.<br />
Analizując zakresy przestrzennej zależności składu granulometrycznego, gęstości<br />
i wilgotności gleby w gminie Trzebieszów i Urszulin można stwierdzić, że<br />
mieściły się one w zakresie od 0,01 do 0,06° (Rys. 12-37c, i na niektórych rysunkach<br />
a i e). W gmine Trzebieszów piasek, pył i wilgotność gleby osiągały górną<br />
wartość, ił, materia organiczna, kwarc i gęstość dolną. W przypadku gminy Urszulin<br />
największe wartości przestrzennej zmienności obserwowano dla kwarcu,<br />
gęstości i wilgotności gleby, pozostałe zmienne miały dolne wartości.<br />
Dla obszaru testowego w gminie Urszulin, wyznaczano krossemiwariogramy<br />
pomiędzy frakcjami granulometrycznymi pokazane na Rys. 18e-20e. Otrzymane<br />
empiryczne krossemiwariogramy i dobrane do nich modele posłużyły w dalszej<br />
analizie metodą kokrigingu uzyskać mapy rozkładu badanych cech o wiele dokładniejsze<br />
niż gdyby to było wykonane za pomocą metody krigingu. Pomiędzy<br />
zawartością piasku i pyłu wystąpiły między tymi zmiennymi zależność ujemna<br />
krossemiwariancji, natomiast między zawartością iłu i pyłu dodatnia zależność.<br />
Zakres przestrzennej zależności wynosił około 0,01°.<br />
Zmienność przestrzenną gęstości, wilgotności i właściwości cieplnych w glebie<br />
na polach Felina badano również przy użyciu semiwariogramów. Określano wartości<br />
samorodków, progi i zakresy autokorelacji przestrzennej oraz dopasowywano<br />
modele semiwariogramów do empirycznych wartości jak i określono parametry<br />
dopasowania modeli (Rys. 24-37). Stwierdzono autokorelację przestrzenną dla
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 71<br />
wszystkich badanych cech. Kształt zależności autokorelacji przestrzennej dla większości<br />
badanych zmiennych był sferyczny. W dwóch przypadkach wilgotności gleby<br />
i dyfuzyjności w drugim dniu pomiarów był wykładniczy (eksponencjalny).<br />
Największe wartości zakresu autokorelacji zanotowano dla wilgotności gleby,<br />
przewodnictwa, pojemności i dyfuzyjności na polu pierwszym w pierwszym dniu, i<br />
polu drugim (około 180 m). Najmniejsze zaś dla gęstości na obu polach i w drugim<br />
dniu dla pozostałych rozpatrywanych zmiennych. (~8-40 m). W drugim rozpatrywanym<br />
dniu, pole pierwsze, zaobserwowano znacznie większą wilgotność gleby niż<br />
w pierwszym dniu i na drugim polu. Wyniki te wskazują, że cieplne właściwości i<br />
ich zmienność jak i zakresy są silnie determinowane przez dwie zmienne wilgotności<br />
i gęstość gleby. Przy niższym uwilgotnieniu gleby cieplne właściwości przyjmują<br />
zakres wilgotności gleby, zaś przy większym uwilgotnieniu gleby przyjmują one<br />
zakres zmienności gęstości gleby. Ta informacja wskazuje, która zmienną aktualnie<br />
istotnie determinuje zmienność przestrzenną, chociaż na wartości bezwzględne<br />
cieplnych właściwości mają wpływ obie zmienne oraz dominujący mineralogiczny<br />
czy organiczny składnik gleby.<br />
Analiza wymiaru fraktalnego<br />
Obliczone w oparciu o log-log semiwariogramy wymiary fraktalne oraz parametry<br />
dopasowania prostej do empirycznych danych semiwariancji w logarytmicznym<br />
układzie współrzędnych przedstawiono na Rys 12d-16d, 18d-22d, 24d-<br />
37d lub c). Parametry dopasowania tj. standardowy błąd dopasowania, współczynnik<br />
determinacji, r 2 , przy n dobranej liczebność danych, wskazują na dobre<br />
dopasowanie linii prostej do empirycznych danych oraz że otrzymane wyniki<br />
współczynników nachylenia prostych bardzo dobrze wskazują kierunek zmian<br />
semiwariancji na badanych obiektach, tym samym pozwalają w zadawalający<br />
sposób wyznaczyć wymiary fraktalne. Wymiary fraktalne obliczone dla poszczególnych<br />
zmiennych odzwierciedlają zmienność poszczególnych cech gleby. Im<br />
większa była zmienność na danym obszarze gminy czy polu tym wymiar fraktalny<br />
by większy. W przypadku cieplnych właściwości wynika, że gęstości i wilgotność<br />
gleby również determinuje wymiar fraktalny. Przyjmowały one wartości tej zmiennej,<br />
która aktualnie ma decydujący wpływ na zmienność przestrzenną właściwości<br />
cieplnych gleby.
72<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
Frequency<br />
50<br />
NonTransformed<br />
a) b)<br />
40<br />
30<br />
20<br />
10<br />
0<br />
45 55 65 75 85 95<br />
Sand (%)<br />
c)<br />
120<br />
Sand: Isotropic Variogram<br />
Semivariance<br />
90<br />
60<br />
30<br />
0<br />
0.00 0.03 0.06 0.09<br />
Separation Distance (h)<br />
Spherical model (Co = 34.60000; Co + C = 99.20000; Ao = 0.05; r2 = 0.933;<br />
RSS = 213.)<br />
d)<br />
log(Semivariance)<br />
Sand: Isotropic Analysis<br />
2.03<br />
1.52<br />
1.02<br />
0.51<br />
0.00<br />
-2.25 -1.86 -1.46 -1.07<br />
log(Separation Distance [h])<br />
D0 = 1.857 (SE = 0.289; r2 = 0.855; n = 9)<br />
Rys. 12. Geostatystyczna charakterystyka zawartości piasku (Sand) w gminie Trzebieszów: (a) –<br />
histogram, (b) – semiwariogram powierzchniowy, (c) – izotropowy semiwariogram z modelem i<br />
parametrami (C 0 – wartość samorodek, C 0 +C – wariancja strukturalna, A 0 – zakres przestrzennej<br />
zależności, r2 – współczynnik determinacji, RSS – resztowa suma kwadratów), (d) – wykres loglog<br />
semiwariancji od odległości z parametrami (D0 – wymiar fraktalny, SE – błąd standardowy, r2<br />
– współczynnik determinacji, n – liczebność kroków próbkowania, h – krok próbkowania w (°)<br />
gminy i (m) Felin)
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 73<br />
Frequency<br />
NonTransformed<br />
a) b)<br />
40<br />
30<br />
20<br />
10<br />
0<br />
0 15 30 45 60<br />
Silt (%)<br />
c)<br />
Semivariance<br />
120<br />
90<br />
60<br />
30<br />
Silt: Isotropic Variogram<br />
0<br />
0.00 0.03 0.06 0.09<br />
Separation Distance (h)<br />
Spherical model (Co = 34.60000; Co + C = 96.30000; Ao = 0.05; r2 = 0.934;<br />
RSS = 189.)<br />
d)<br />
log(Semivariance)<br />
Silt: Isotropic Analysis<br />
2.02<br />
1.52<br />
1.01<br />
0.51<br />
0.00<br />
-2.25 -1.86 -1.46 -1.07<br />
log(Separation Distance [h])<br />
D0 = 1.860 (SE = 0.282; r2 = 0.861; n = 9)<br />
Rys. 13. Geostatystyczna charakterystyka zawartości pyłu (Silt) w gminie Trzebieszów: (a) – histogram,<br />
(b) – semiwariogram powierzchniowy, (c) – izotropowy semiwariogram z modelem i parametrami,<br />
(d) – wykres log-log semiwariancji od odległości z parametrami (opis parametrów patrz Rys.<br />
12)
74<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
120<br />
Transformed<br />
a) b)<br />
Frequency<br />
90<br />
60<br />
30<br />
0<br />
0.0 0.4 0.8 1.2 1.6 2.0<br />
ln( [Clay] + 1)<br />
c)<br />
0.20<br />
Clay: Isotropic Variogram<br />
Semivariance<br />
0.15<br />
0.10<br />
0.05<br />
0.00<br />
0.00 0.03 0.06 0.09<br />
Separation Distance (h)<br />
Spherical model (Co = 0.0121; Co + C = 0.1452; Ao = 0.01; r2 = 0.619;<br />
RSS = 3.262E-04)<br />
d)<br />
Clay: Isotropic Analysis<br />
log(Semivariance)<br />
-0.802<br />
-0.831<br />
-0.861<br />
-0.890<br />
-0.919<br />
-2.25 -1.86 -1.46 -1.07<br />
log(Separation Distance [h])<br />
D0 = 1.966 (SE = 0.560; r2 = 0.638; n = 9)<br />
Rys. 14. Geostatystyczna charakterystyka zawartości iłu (Clay) w gminie Trzebieszów: (a) – histogram,<br />
(b) – semiwariogram powierzchniowy, (c) – izotropowy semiwariogram z modelem i parametrami,<br />
(d) – wykres log-log semiwariancji od odległości z parametrami (opis parametrów patrz Rys.<br />
12)
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 75<br />
Frequency<br />
Transformed<br />
a) b)<br />
50<br />
40<br />
30<br />
20<br />
10<br />
0<br />
0.0 0.4 0.8 1.2 1.6<br />
ln( [OM] + 1)<br />
c)<br />
Semivariance<br />
0.072<br />
0.054<br />
0.036<br />
0.018<br />
OM: Isotropic Variogram<br />
0.000<br />
0.00 0.03 0.06 0.09<br />
Separation Distance (h)<br />
Exponential model (Co = 0.01160; Co + C = 0.06340; Ao = 0.01; r2 = 0.527;<br />
RSS = 1.876E-04)<br />
d)<br />
log(Semivariance)<br />
OM: Isotropic Analysis<br />
-1.14<br />
-1.19<br />
-1.23<br />
-1.27<br />
-1.32<br />
-2.25 -1.86 -1.46 -1.07<br />
log(Separation Distance [h])<br />
D0 = 1.941 (SE = 0.396; r2 = 0.774; n = 9)<br />
Rys. 15. Geostatystyczna charakterystyka zawartości materii organicznej (OM) w gminie Trzebieszów:<br />
(a) – histogram, (b) – semiwariogram powierzchniowy, (c) – izotropowy semiwariogram z<br />
modelem i parametrami, (d) – wykres log-log semiwariancji od odległości z parametrami (opis<br />
parametrów patrz Rys. 12)
76<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
NonTransformed<br />
a)<br />
Frequency<br />
5<br />
4<br />
3<br />
1<br />
0<br />
65 70 75 80<br />
QC (%)<br />
b)<br />
Semivariance<br />
QC: Isotropic Variogram<br />
15<br />
12<br />
9<br />
6<br />
3<br />
0<br />
0.00 0.03 0.06 0.09<br />
Separation Distance (h)<br />
Spherical model (Co = 1.38000; Co + C = 9.77000; Ao = 0.02; r2 = 0.325;<br />
RSS = 46.9)<br />
c)<br />
log(Semivariance)<br />
QC: Isotropic Analysis<br />
1.13<br />
0.85<br />
0.57<br />
0.28<br />
0.00<br />
-2.23 -1.90 -1.58 -1.26<br />
log(Separation Distance [h])<br />
D0 = 1.794 (SE = 0.455; r2 = 0.795; n = 6)<br />
Rys. 16. Geostatystyczna charakterystyka zawartości kwarcu (QC) w gminie Trzebieszów: (a) –<br />
histogram, (b) – izotropowy semiwariogram z modelem i parametrami, (c) – wykres log-log semiwariancji<br />
od odległości z parametrami (opis parametrów patrz Rys. 12)
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 77<br />
BD: Isotropic Variogram<br />
0.03<br />
a)<br />
Semivariance<br />
0.02<br />
0.01<br />
0.00<br />
0.00 0.03 0.06 0.09<br />
Separation Distance (°)<br />
Spherical model (Co = 0.00907; Co + C = 0.01675; Ao = 0.02; r2 = 0.108;<br />
RSS = 1.161E-04)<br />
WCgrav: Isotropic Variogram<br />
b)<br />
Semivariance<br />
0.008<br />
0.006<br />
0.004<br />
0.002<br />
0.000<br />
0.00 0.03 0.06 0.09<br />
Separation Distance (°)<br />
Spherical model (Co = 0.00127; Co + C = 0.00550; Ao = 0.04; r2 = 0.721;<br />
RSS = 5.147E-06)<br />
WC TDR: Isotropic Variogram<br />
c)<br />
0.008<br />
Semivariance<br />
0.006<br />
0.004<br />
0.002<br />
0.000<br />
0.00 0.03 0.06 0.09<br />
Separation Distance (°)<br />
Spherical model (Co = 0.00178; Co + C = 0.00405; Ao = 0.05; r2 = 0.429;<br />
RSS = 5.403E-06)<br />
Rys. 17. Geostatystyczna charakterystyka (izotropowy semiwariogram z modelem): (a) – gęstości<br />
gleby (BD), (b) – wilgotności grawimetrycznej (WCgrav), (c) – wilgotności gleby (WC TDR) w<br />
gminie Trzebieszów (opis parametrów patrz Rys. 12)
78<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
Frequency<br />
NonTransformed<br />
a) b)<br />
15<br />
12<br />
9<br />
6<br />
3<br />
0<br />
50 60 70 80 90 100<br />
Sand (%)<br />
c)<br />
Sand: Isotropic Variogram<br />
Semivariance<br />
100<br />
80<br />
60<br />
40<br />
20<br />
0<br />
0.00 0.03 0.06 0.09 0.12 0.15<br />
Separation Distance (h)<br />
Spherical model (Co = 5.60000; Co + C = 72.48000; Ao = 0.01; r2 = 0.099;<br />
RSS = 674.)<br />
Sand: Isotropic Analysis<br />
d) e)<br />
log(Semivariance)<br />
1.99<br />
1.49<br />
0.99<br />
0.50<br />
0.00<br />
-2.32 -1.89 -1.45 -1.02<br />
log(Separation Distance [h])<br />
D0 = 1.978 (SE = 2.013; r2 = 0.108; n = 10)<br />
Semivariance<br />
80<br />
40<br />
0<br />
-40<br />
Sand x Silt: Isotropic Cross Variogram<br />
-80<br />
0.00 0.03 0.06 0.09 0.12 0.15<br />
Separation Distance (h)<br />
Spherical model (Co = -0.10000; Co + C = -65.96000; Ao = 0.01; r2 = 0.062;<br />
RSS = 504.)<br />
Rys. 18. Geostatystyczna charakterystyka zawartości piasku (Sand) w gminie Urszulin: (a) – histogram,<br />
(b) – semiwariogram powierzchniowy, (c) – izotropowy semiwariogram z modelem i parametrami,<br />
(d) – wykres log-log semiwariancji od odległości z parametrami, (e) – izotropowy krossemiwariogram<br />
z modelem i parametrami (opis parametrów patrz Rys. 12)
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 79<br />
a) b)<br />
NonTransformed<br />
Frequency<br />
15<br />
12<br />
9<br />
6<br />
3<br />
0<br />
0 5 10 15 20 25 30 35<br />
Silt (%)<br />
c)<br />
Silt: Isotropic Variogram<br />
100<br />
Semivariance<br />
75<br />
50<br />
25<br />
0<br />
0.00 0.04 0.08 0.11 0.15<br />
Separation Distance (h)<br />
Spherical model (Co = 0.10000; Co + C = 62.24000; Ao = 0.01; r2 = 0.040;<br />
RSS = 421.)<br />
d) Silt: Isotropic Analysis<br />
e)<br />
Silt x Sand: Isotropic Cross Variogram<br />
log(Semivariance)<br />
1.87<br />
1.40<br />
0.94<br />
0.47<br />
0.00<br />
-2.07 -1.72 -1.37 -1.01<br />
log(Separation Distance [h])<br />
Semivariance<br />
80<br />
40<br />
0<br />
-40<br />
-80<br />
0.00 0.03 0.06 0.09 0.12 0.15<br />
Separation Distance (h)<br />
D0 = 1.994 (SE = 7.832; r2 = 0.013; n = 7)<br />
Gaussian model (Co = -17.30000; Co + C = -66.12000; Ao = 0.01; r2 = 0.062;<br />
RSS = 503.)<br />
Rys. 19. Geostatystyczna charakterystyka zawartości pyłu (Silt) w gminie Urszulin: (a) – histogram,<br />
(b) – semiwariogram powierzchniowy, (c) – izotropowy semiwariogram z modelem i parametrami,<br />
(d) – wykres log-log semiwariancji od odległości z parametrami, (e) – izotropowy krossemiwariogram<br />
pył-piasek z modelem i parametrami (opis parametrów patrz Rys. 12)
80<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
Frequency<br />
Transformed<br />
a) b)<br />
60<br />
45<br />
30<br />
15<br />
0<br />
0.0 0.5 1.0 1.5 2.0 2.5 3.0<br />
ln( [Clay] + 1)<br />
c)<br />
Clay: Isotropic Variogram<br />
Semivariance<br />
0.2<br />
0.2<br />
0.1<br />
0.1<br />
0.0<br />
0.00 0.03 0.06 0.09 0.12 0.15<br />
Separation Distance (h)<br />
Spherical model (Co = 0.0097; Co + C = 0.1594; Ao = 0.01; r2 = 0.444;<br />
RSS = 6.715E-04)<br />
log(Semivariance)<br />
Clay: Isotropic Analysis<br />
d) e)<br />
-0.739<br />
-0.779<br />
-0.818<br />
-0.858<br />
-0.898<br />
-1.93 -1.64 -1.34 -1.05<br />
log(Separation Distance [h])<br />
Semivariance<br />
Clay x Silt: Isotropic Cross Variogram<br />
2.0<br />
1.6<br />
1.2<br />
0.8<br />
0.4<br />
0.0<br />
0.00 0.03 0.06 0.09 0.12 0.15<br />
Separation Distance (h)<br />
D0 = 1.956 (SE = 1.917; r2 = 0.258; n = 5)<br />
Spherical model (Co = 0.1790; Co + C = 1.2290; Ao = 0.01; r2 = 0.107;<br />
RSS = 0.280)<br />
Rys. 20. Geostatystyczna charakterystyka zawartości iłu (Clay) w gminie Urszulin: (a) – histogram,<br />
(b) – semiwariogram powierzchniowy, (c) – izotropowy semiwariogram z modelem i parametrami,<br />
(d) – wykres log-log semiwariancji od odległości z parametrami, (e) – izotropowy krossemiwariogram<br />
ił-pył z modelem i parametrami (opis parametrów patrz Rys. 12)
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 81<br />
a) b)<br />
20<br />
Transformed<br />
Frequency<br />
15<br />
10<br />
5<br />
0<br />
0.0 1.0 2.0 3.0 4.0<br />
ln( [OM] + 1)<br />
c)<br />
1.5<br />
OM: Isotropic Variogram<br />
Semivariance<br />
1.0<br />
0.5<br />
0.0<br />
0.00 0.03 0.06 0.09 0.12 0.15<br />
Separation Distance (h)<br />
Exponential model (Co = 0.190; Co + C = 1.124; Ao = 0.00; r2 = 0.203;<br />
RSS = 0.164)<br />
d)<br />
log(Semivariance)<br />
OM: Isotropic Analysis<br />
0.183<br />
0.098<br />
0.013<br />
-0.071<br />
-0.156<br />
-2.92 -2.34 -1.75 -1.17<br />
log(Separation Distance [h])<br />
D0 = 1.949 (SE = 0.851; r2 = 0.304; n = 14)<br />
Rys. 21. Geostatystyczna charakterystyka zawartości materii organicznej (OM) w gminie Urszulin:<br />
(a) – histogram, (b) – semiwariogram powierzchniowy, (c) – izotropowy semiwariogram z modelem<br />
i parametrami, (d) – wykres log-log semiwariancji od odległości z parametrami (opis parametrów<br />
patrz Rys. 12)
82<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
a)<br />
Frequency<br />
NonTransformed<br />
5<br />
4<br />
3<br />
1<br />
0<br />
15 25 35 45 55 65 75 85<br />
QC (%)<br />
QC: Isotropic Variogram<br />
b)<br />
Semivariance<br />
650<br />
520<br />
390<br />
260<br />
130<br />
0<br />
0.00 0.03 0.06 0.09 0.12 0.15<br />
Separation Distance (h)<br />
Spherical model (Co = 0.00000; Co + C = 244.10000; Ao = 0.06; r2 = 0.396;<br />
RSS = 377287.)<br />
c)<br />
QC: Isotropic Analysis<br />
log(Semivariance)<br />
2.97<br />
2.22<br />
1.48<br />
0.74<br />
0.00<br />
-2.39 -1.92 -1.45 -0.98<br />
log(Separation Distance [h])<br />
D0 = 1.828 (SE = 0.826; r2 = 0.352; n = 11)<br />
Rys. 22. Geostatystyczna charakterystyka zawartości kwarcu (QC) w gminie Urszulin: (a) – histogram,<br />
(b) – izotropowy semiwariogram z modelem i parametrami, (c) – wykres log-log semiwariancji<br />
od odległości z parametrami (opis parametrów patrz Rys. 12)
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 83<br />
a)<br />
b)<br />
c)<br />
Rys. 23. Geostatystyczna charakterystyka (izotropowy standaryzowany semiwariogram z modelem):<br />
(a) – gęstości gleby (BD), (b) – wilgotności grawimetrycznej (WCgrav), (c) – wilgotności<br />
gleby (WC TDR) w gminie Urszulin.
84<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
a) NonTransformed<br />
b)<br />
Frequency<br />
30<br />
23<br />
15<br />
8<br />
0<br />
1.1 1.2 1.3 1.4 1.5 1.6<br />
BD (Mg/m^3)<br />
c)<br />
Semivariance<br />
BD: Isotropic Variogram<br />
0.008<br />
0.006<br />
0.004<br />
0.002<br />
0.000<br />
0 50 100 150 200<br />
Separation Distance (h)<br />
Spherical model (Co = 0.00001; Co + C = 0.00505; Ao = 20.10; r2 = 0.265;<br />
RSS = 3.069E-06)<br />
d)<br />
BD: Isotropic Analysis<br />
log(Semivariance)<br />
-2.24<br />
-2.28<br />
-2.32<br />
-2.36<br />
-2.40<br />
0.00 0.76 1.52 2.28<br />
log(Separation Distance [h])<br />
D0 = 1.974 (SE = 1.104; r2 = 0.158; n = 19)<br />
Rys. 24. Geostatystyczna charakterystyka gęstości gleby (BD) na Felinie, pole 1, dzień 1 i 2: (a) –<br />
histogram, (b) – semiwariogram powierzchniowy, (c) – izotropowy semiwariogram z modelem i<br />
parametrami, (d) – wykres log-log semiwariancji od odległości z parametrami (opis parametrów<br />
patrz Rys. 12)
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 85<br />
a) NonTransformed<br />
b)<br />
Frequency<br />
30<br />
20<br />
10<br />
0<br />
0.0 0.1 0.2 0.3<br />
WC (m^3/m^3)<br />
c)<br />
Semivariance<br />
WC: Isotropic Variogram<br />
0.004<br />
0.003<br />
0.002<br />
0.001<br />
0.000<br />
0 50 100 150 200<br />
Separation Distance (h)<br />
Spherical model (Co = 0.000001; Co + C = 0.003042; Ao = 178.20; r2 = 0.978;<br />
RSS = 4.119E-07)<br />
d)<br />
WC: Isotropic Analysis<br />
log(Semivariance)<br />
-2.51<br />
-2.72<br />
-2.93<br />
-3.14<br />
-3.36<br />
0.00 0.76 1.52 2.28<br />
log(Separation Distance [h])<br />
D0 = 1.588 (SE = 0.079; r2 = 0.960; n = 19)<br />
Rys. 25. Geostatystyczna charakterystyka wilgotności gleby (WC) na Felinie, pole 1, dzień 1: (a) –<br />
histogram, (b) – semiwariogram powierzchniowy, (c) – izotropowy semiwariogram z modelem i<br />
parametrami, (d) – wykres log-log semiwariancji od odległości z parametrami (opis parametrów<br />
patrz Rys. 12)
86<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
Frequency<br />
NonTransformed<br />
a) b)<br />
30<br />
20<br />
10<br />
0<br />
0.5 1.0 1.5 2.0<br />
TC (W/mK)<br />
Isotropic Variogram<br />
c)<br />
Semivariance<br />
0.20<br />
0.16<br />
0.12<br />
0.08<br />
0.04<br />
0.00<br />
0 50 100 150 200<br />
Separation Distance (m)<br />
Spherical model (Co = 0.04010; Co + C = 0.17520; Ao = 160.00; r2 = 0.971;<br />
RSS = 8.861E-04)<br />
d)<br />
TC: Isotropic Analysis<br />
log(Semivariance)<br />
-0.73<br />
-0.87<br />
-1.00<br />
-1.14<br />
-1.27<br />
0.00 0.76 1.52 2.28<br />
log(Separation Distance [h])<br />
D0 = 1.769 (SE = 0.088; r2 = 0.960; n = 19)<br />
Rys. 26. Geostatystyczna charakterystyka przewodnictwa cieeplnego gleby (TC) na Felinie, pole 1,<br />
dzień 1: (a) – histogram, (b) – semiwariogram powierzchniowy, (c) – izotropowy semiwariogram z<br />
modelem i parametrami, (d) – wykres log-log semiwariancji od odległości z parametrami (opis<br />
parametrów patrz Rys. 12)
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 87<br />
a) NonTransformed<br />
b)<br />
Frequency<br />
30<br />
23<br />
15<br />
8<br />
0<br />
1.3 1.5 1.7 1.9 2.1 2.3<br />
HC (MJ/m^3K)<br />
c)<br />
Semivariance<br />
HC: Isotropic Variogram<br />
0.060<br />
0.045<br />
0.030<br />
0.015<br />
0.000<br />
0 50 100 150 200<br />
Separation Distance (h)<br />
Spherical model (Co = 0.00430; Co + C = 0.05300; Ao = 164.40; r2 = 0.978;<br />
RSS = 8.506E-05)<br />
d)<br />
HC: Isotropic Analysis<br />
log(Semivariance)<br />
-1.26<br />
-1.43<br />
-1.60<br />
-1.77<br />
-1.93<br />
0.00 0.76 1.52 2.28<br />
log(Separation Distance [h])<br />
D0 = 1.692 (SE = 0.079; r2 = 0.965; n = 19)<br />
Rys. 27. Geostatystyczna charakterystyka pojemności cieplnej gleby (HC) na Felinie, pole 1, dzień<br />
1: (a) – histogram, (b) – semiwariogram powierzchniowy, (c) – izotropowy semiwariogram z modelem<br />
i parametrami, (d) – wykres log-log semiwariancji od odległości z parametrami (opis parametrów<br />
patrz Rys. 12)
88<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
a) NonTransformed<br />
b)<br />
Frequency<br />
30<br />
20<br />
10<br />
0<br />
1 2 3 4 5 6 7 8 9 10<br />
TD x10^-7 (m^2/s)<br />
c)<br />
Semivariance<br />
TD: Isotropic Variogram<br />
3<br />
2<br />
1<br />
0<br />
0 50 100 150 200<br />
Separation Distance (h)<br />
Spherical model (Co = 0.75400; Co + C = 2.58900; Ao = 159.00; r2 = 0.966;<br />
RSS = 0.188)<br />
d)<br />
TD: Isotropic Analysis<br />
log(Semivariance)<br />
0.438<br />
0.321<br />
0.205<br />
0.089<br />
-0.028<br />
0.00 0.76 1.52 2.28<br />
log(Separation Distance [h])<br />
D0 = 1.801 (SE = 0.095; r2 = 0.955; n = 19)<br />
Rys. 28. Geostatystyczna charakterystyka dyfuzyjności cieplnej gleby (TD) na Felinie, pole 1,<br />
dzień 1: (a) – histogram, (b) – semiwariogram powierzchniowy, (c) – izotropowy semiwariogram z<br />
modelem i parametrami, (d) – wykres log-log semiwariancji od odległości z parametrami (opis<br />
parametrów patrz Rys. 12)
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 89<br />
NonTransformed<br />
a)<br />
Frequency<br />
40<br />
30<br />
20<br />
10<br />
0<br />
0.15 0.20 0.25 0.30<br />
WC (m^3/m^3)<br />
WC: Isotropic Variogram<br />
b)<br />
Semivariance<br />
0.0010<br />
0.0008<br />
0.0006<br />
0.0004<br />
0.0002<br />
0.0000<br />
0 50 100 150 200<br />
Separation Distance (h)<br />
Exponential model (Co = 0.000289; Co + C = 0.000931; Ao = 38.80; r2 = 0.974;<br />
RSS = 5.296E-09)<br />
WC: Isotropic Analysis<br />
c)<br />
log(Semivariance)<br />
-3.03<br />
-3.11<br />
-3.19<br />
-3.27<br />
-3.35<br />
0.00 0.68 1.37 2.05<br />
log(Separation Distance [h])<br />
D0 = 1.849 (SE = 0.100; r2 = 0.975; n = 11)<br />
Rys. 29. Geostatystyczna charakterystyka wilgotności gleby (WC) na Felinie, pole 1, dzień 2: (a) –<br />
histogram, (b) – izotropowy semiwariogram z modelem i parametrami, (c) – wykres log-log semiwariancji<br />
od odległości z parametrami (opis parametrów patrz Rys. 12)
90<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
a) NonTransformed<br />
b)<br />
Frequency<br />
40<br />
30<br />
20<br />
10<br />
0<br />
0.5 1.0 1.5 2.0<br />
TC (W/mK)<br />
c)<br />
Semivariance<br />
0.20<br />
0.16<br />
0.12<br />
0.08<br />
TC: Isotropic Variogram<br />
0.04<br />
0.00<br />
0 50 100 150 200<br />
Separation Distance (h)<br />
Spherical model (Co = 0.00010; Co + C = 0.03950; Ao = 20.20; r2 = 0.281;<br />
RSS = 1.753E-04)<br />
d)<br />
TC: Isotropic Analysis<br />
log(Semivariance)<br />
-1.34<br />
-1.38<br />
-1.43<br />
-1.47<br />
-1.51<br />
0.00 0.76 1.52 2.28<br />
log(Separation Distance [h])<br />
D0 = 1.988 (SE = 2.446; r2 = 0.037; n = 19)<br />
Rys. 30. Geostatystyczna charakterystyka przewodnictwa cieplnego gleby (TC) na Felinie, pole 1,<br />
dzień 2: (a) – histogram, (b) – semiwariogram powierzchniowy, (c) – izotropowy semiwariogram z<br />
modelem i parametrami, (d) – wykres log-log semiwariancji od odległości z parametrami (opis<br />
parametrów patrz Rys. 12)
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 91<br />
a)<br />
Frequency<br />
NonTransformed<br />
40<br />
30<br />
20<br />
10<br />
0<br />
1.5 1.7 1.9 2.1 2.3 2.5<br />
HC (MJ/m^3K)<br />
HC: Isotropic Variogram<br />
b)<br />
Semivariance<br />
0.03<br />
0.02<br />
0.01<br />
0.00<br />
0 50 100 150 200<br />
Separation Distance (h)<br />
Spherical model (Co = 0.006890; Co + C = 0.019180; Ao = 40.10; r2 = 0.928;<br />
RSS = 3.474E-06)<br />
HC: Isotropic Analysis<br />
c)<br />
log(Semivariance)<br />
-1.62<br />
-1.69<br />
-1.76<br />
-1.83<br />
-1.90<br />
0.00 0.72 1.43 2.15<br />
log(Separation Distance [h])<br />
D0 = 1.906 (SE = 0.290; r2 = 0.783; n = 14)<br />
Rys. 31. Geostatystyczna charakterystyka pojemności cieplnej gleby (HC) na Felinie, pole 1, dzień<br />
2: (a) – histogram, (b) – izotropowy semiwariogram z modelem i parametrami, (c) – wykres log-log<br />
semiwariancji od odległości z parametrami (opis parametrów patrz Rys. 12)
92<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
a)<br />
Frequency<br />
NonTransformed<br />
50<br />
40<br />
30<br />
20<br />
10<br />
0<br />
4 5 6 7 8 9 10<br />
TD x10^-7 (m^2/s)<br />
b)<br />
Semivariance<br />
TD: Isotropic Variogram<br />
0.6<br />
0.5<br />
0.4<br />
0.3<br />
0.2<br />
0.1<br />
0.0<br />
0 50 100 150 200<br />
Separation Distance (h)<br />
Exponential model (Co = 0.02800; Co + C = 0.43900; Ao = 8.90; r2 = 0.394;<br />
RSS = 0.0174)<br />
c)<br />
log(Semivariance)<br />
TD: Isotropic Analysis<br />
-0.298<br />
-0.343<br />
-0.388<br />
-0.433<br />
-0.478<br />
0.00 0.76 1.52 2.28<br />
log(Separation Distance [h])<br />
D0 = 1.960 (SE = 0.580; r2 = 0.402; n = 19)<br />
Rys. 32. Geostatystyczna charakterystyka dyfuzyjności cieplnej gleby (TD) na Felinie, pole 1,<br />
dzień 2: (a) – histogram, (b) – izotropowy semiwariogram z modelem i parametrami, (c) – wykres<br />
log-log semiwariancji od odległości z parametrami (opis parametrów patrz Rys. 12)
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 93<br />
Frequency<br />
NonTransformed<br />
a) b)<br />
80<br />
60<br />
40<br />
20<br />
0<br />
1.0 1.2 1.4 1.6<br />
BD (mg/m^3)<br />
BD: Isotropic Variogram<br />
c)<br />
Semivariance<br />
0.008<br />
0.006<br />
0.004<br />
0.002<br />
0.000<br />
0 50 100 150 200<br />
Separation Distance (h)<br />
Spherical model (Co = 0.000010; Co + C = 0.005770; Ao = 32.30; r2 = 0.890;<br />
RSS = 2.536E-06)<br />
d)<br />
BD: Isotropic Analysis<br />
log(Semivariance)<br />
-2.19<br />
-2.33<br />
-2.48<br />
-2.63<br />
-2.77<br />
0.00 0.72 1.44 2.16<br />
log(Separation Distance [h])<br />
D0 = 1.840 (SE = 0.347; r2 = 0.684; n = 15)<br />
Rys. 33. Geostatystyczna charakterystyka gęstości gleby (BD) na Felinie, pole 2: (a) – histogram,<br />
(b) – semiwariogram powierzchniowy, (c) – izotropowy semiwariogram z modelem i parametrami,<br />
(d) – wykres log-log semiwariancji od odległości z parametrami (opis parametrów patrz Rys. 12)
94<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
a) NonTransformed<br />
b)<br />
Frequency<br />
80<br />
60<br />
40<br />
20<br />
0<br />
0.0 0.1 0.2 0.3<br />
WC (m^3/m^3)<br />
c)<br />
0.0020<br />
WC: Isotropic Variogram<br />
Semivariance<br />
0.0015<br />
0.0010<br />
0.0005<br />
0.0000<br />
0 50 100 150 200<br />
Separation Distance (h)<br />
Spherical model (Co = 0.000140; Co + C = 0.001670; Ao = 149.00; r2 = 0.850;<br />
RSS = 5.881E-07)<br />
d)<br />
log(Semivariance)<br />
WC: Isotropic Analysis<br />
-2.75<br />
-2.89<br />
-3.03<br />
-3.17<br />
-3.31<br />
0.00 0.72 1.44 2.16<br />
log(Separation Distance [h])<br />
D0 = 1.749 (SE = 0.320; r2 = 0.697; n = 15)<br />
Rys. 34. Geostatystyczna charakterystyka wilgotości gleby (WC) na Felinie, pole 2: (a) – histogram,<br />
(b) – semiwariogram powierzchniowy, (c) – izotropowy semiwariogram z modelem i parametrami,<br />
(d) – wykres log-log semiwariancji od odległości z parametrami (opis parametrów patrz Rys.<br />
12)
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 95<br />
Frequency<br />
Transformed<br />
a) b)<br />
80<br />
60<br />
40<br />
20<br />
0<br />
-1.4 -1.0 -0.6 -0.2 0.2 0.6<br />
ln(TC)<br />
c)<br />
Semivariance<br />
TC: Isotropic Variogram<br />
0.30<br />
0.24<br />
0.18<br />
0.12<br />
0.06<br />
0.00<br />
0 50 100 150 200<br />
Separation Distance (h)<br />
Spherical model (Co = 0.0386; Co + C = 0.2262; Ao = 125.30; r2 = 0.911;<br />
RSS = 5.123E-03)<br />
d)<br />
TC: Isotropic Analysis<br />
log(Semivariance)<br />
-0.60<br />
-0.77<br />
-0.94<br />
-1.11<br />
-1.29<br />
0.00 0.72 1.44 2.16<br />
log(Separation Distance [h])<br />
D0 = 1.752 (SE = 0.137; r2 = 0.927; n = 15)<br />
Rys. 35. Geostatystyczna charakterystyka przewodnictwa cieplnego gleby (TC) na Felinie, pole 2:<br />
(a) – histogram, (b) – semiwariogram powierzchniowy, (c) – izotropowy semiwariogram z modelem<br />
i parametrami, (d) – wykres log-log semiwariancji od odległości z parametrami (opis parametrów<br />
patrz Rys. 12)
96<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
a) b)<br />
Frequency<br />
NonTransformed<br />
60<br />
40<br />
20<br />
0<br />
1.00 1.25 1.50 1.75 2.00<br />
HC (MJ/m^3K)<br />
c)<br />
Semivariance<br />
HC: Isotropic Variogram<br />
0.05<br />
0.04<br />
0.03<br />
0.02<br />
0.01<br />
0.00<br />
0 50 100 150 200<br />
Separation Distance (h)<br />
Spherical model (Co = 0.003500; Co + C = 0.041700; Ao = 138.90; r2 = 0.899;<br />
RSS = 2.388E-04)<br />
d)<br />
HC: Isotropic Analysis<br />
log(Semivariance)<br />
-1.35<br />
-1.51<br />
-1.68<br />
-1.84<br />
-2.00<br />
0.00 0.72 1.44 2.16<br />
log(Separation Distance [h])<br />
D0 = 1.729 (SE = 0.196; r2 = 0.857; n = 15)<br />
Rys. 36. Geostatystyczna charakterystyka pojemnośći cieplnej gleby (HC) na Felinie, pole 2: (a) –<br />
histogram, (b) – semiwariogram powierzchniowy, (c) – izotropowy semiwariogram z modelem i<br />
parametrami, (d) – wykres log-log semiwariancji od odległości z parametrami (opis parametrów<br />
patrz Rys. 12)
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 97<br />
a) b)<br />
Transformed<br />
Frequency<br />
80<br />
60<br />
40<br />
20<br />
0<br />
0.0 0.5 1.0 1.5 2.0 2.5<br />
ln(TD)<br />
c)<br />
Semivariance<br />
TD: Isotropic Variogram<br />
0.20<br />
0.15<br />
0.10<br />
0.05<br />
0.00<br />
0 50 100 150 200<br />
Separation Distance (h)<br />
Spherical model (Co = 0.02610; Co + C = 0.11920; Ao = 119.20; r2 = 0.905;<br />
RSS = 1.322E-03)<br />
d)<br />
log(Semivariance)<br />
TD: Isotropic Analysis<br />
-0.88<br />
-1.04<br />
-1.21<br />
-1.38<br />
-1.54<br />
0.00 0.72 1.44 2.16<br />
log(Separation Distance [h])<br />
D0 = 1.770 (SE = 0.137; r2 = 0.928; n = 15)<br />
Rys. 37. Geostatystyczna charakterystyka dyfuzyjności cieplnej gleby (TD) na Felinie, pole 2: (a) –<br />
histogram, (b) – semiwariogram powierzchniowy, (c) – izotropowy semiwariogram z modelem i<br />
parametrami, (d) – wykres log-log semiwariancji od odległości z parametrami (opis parametrów<br />
patrz Rys. 12)
98<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
Estymacja rozkładów badanych cech za pomocą metody kriging i kokriging<br />
Przestrzenne rozkłady dla poszczególnych cech gleby w gminie Trzebieszów,<br />
Urszulin i na Felinie uzyskano na bazie wcześniej wyznaczonych parametrów,<br />
modeli semiwariogramów i krossemiwariogramów oraz zmierzonych danych z<br />
poszczególnych punktów pomiarowych przy użyciu metody krigingu i kokrigingu.<br />
Kriging używany był przy estymacji poszczególnych cech gleby w gminie<br />
Trzebieszów, w części zmiennych w gminie Urszulin i na Felinie. Skład granulometryczny<br />
w gminie Urszulin został estymowany przy użyciu metody kokrigingu<br />
gdyż metoda ta dawała o wiele lepszą zgodnością z danymi pomiarowymi niż to<br />
przy użyciu metody krigingu. Wykreślono mapy rozkładów przestrzennych badanych<br />
cech w obrębie rozpatrywanych obiektów (Rys. 38-49), jak również określano<br />
wartości błędu popełnionych podczas estymacji. Błąd estymacji dla wszystkich<br />
badanych cech gleby nie był większy niż 10-15% analizowanej cechy. W<br />
okolicach punktów pomiarowych błędy były znacznie mniejsze, około 2-4%, największe<br />
błędy wystąpiły na obrzeżach siatek pomiarowych.<br />
Mapy zawartości frakcji granulometrycznych w związku z tym, że ich suma<br />
zawsze musi być równa 100%, kształtują się odmiennie. Tam gdzie jest więcej<br />
piasku tam musi być mniej pyłu i iłu, i na odwrót. Można z pewnością znaleźć na<br />
mapie miejsca gdzie suma zawartości frakcji nie zawsze równa jest 100%. Jest to<br />
wynik samej estymacji i błędów użytej metody. Jednak rozpoznanie rozkładów<br />
przestrzennych poszczególnych frakcji dostarcza na tyle istotnych informacji (o<br />
zasięgu występowania określonych wartości, ukierunkowaniu ich zmian), że może<br />
one być wykorzystane przy dalszych analizach podczas walidacji wilgotności<br />
gleby na bazie pomiarów zdalnych z poziomu satelity. Rozkład piasku, pyłu,<br />
kwarcu i gęstości gleby (Rys. 38a i b, 40a) w gminie Trzebieszów ma charakter<br />
równoleżnikowy więcej piasku i kwarcu w części środkowej, również jest większa<br />
gęstość w tej strefie, mniej zaś w tej części jest pyłu. Ił i materia organiczna<br />
(Rys. 39a i b) miała przestrzenny układ bardziej wyspowy niż regularny (równoleżnikowy).<br />
Rozkład wilgotności gleby otrzymany z pomiarów grawimetrycznych wykazywał<br />
znacznie większe zróżnicowanie i większe wartości bezwzględne niż wartości<br />
wilgotności gleby otrzymane z pomiarów miernikiem TDR (Rys. 41a i b). Wyniki<br />
te wskazują na mniejszą czułość metody TDR niż metody grawimetrycznej. Jednak,<br />
ze względów na fakt, że metoda TDR jest o wiele szybsza i nie destrukcyjna jest<br />
ona do przyjęcia w masowych pomiarach. Wymaga ona jednak korekty na gęstość i<br />
skład mineralogiczny badanego ośrodka. Wskazane jest porównanie obu metod, po<br />
to, żeby błąd z pomiarów miernikiem TDR był jak najmniejszy.<br />
Przy przeglądzie map rozkładu piasku i pyłu wykonanych dla terenu gminy Urszulin<br />
można zauważyć, nieco odmienny charakter w rozkładzie zawartości piasku i
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 99<br />
pyłu (Rys. 42a i b). Tu jest rozkład bardziej wyspowy z lekkim ukierunkowaniem<br />
rozkładu w stronę zachodnio-północną. W przypadku iłu, zawartości materii organicznej,<br />
kwarcu (Rys. 42c, 43a i b) uwidoczniają się wyraźne wyspy z większymi<br />
zawartościami. Gęstość gleby ma układ rozkładów ukierunkowany w stronę zachodnio-północną,<br />
natomiast wilgotność gleby wyraźnie zaznaczające się trzy obszary,<br />
różniące się między sobą znacznie (Rys. 44a,b i c). Podobnie jak w przypadku<br />
gminy Trzebieszów metoda grawimetryczna jest o wiele bardziej czuła niż metoda<br />
TDR. Przestrzenne rozkłady wilgotności z obu metod są do siebie podobny, ale<br />
widać mniejsze zróżnicowanie wilgotności na mapie otrzymanej z pomiarów miernikiem<br />
TDR (Rys. 44b i c)<br />
Przestrzenne rozkłady gęstości, wilgotności gleby na polu 1 w dniu 1 i 2 i polu<br />
2 ukazują losowy charakter rozkładu gęstości gleby na dla wszystkich upraw i<br />
charakterystyczny wstęgowy układ rozkładu wilgotności wynikający z rozkładu<br />
uprawianych roślin na tym polu (Rys. 45a,b,c, 48a,b). Nawet znaczący wzrost<br />
wilgotności po opadzie nadal ukazywał podobny układ do wcześniejszego rozkładu<br />
wilgotności. Poszczególne właściwości cieplne gleby przybierały podobieństwo<br />
rozkładu wilgotności, przypadku małych uwilgotnień gleby. Kiedy wilgotność<br />
gleby była znaczna, około polowej pojemności wodnej, głownie przewodnictwo<br />
cieplne i dyfuzyjność cieplna była w przestrzennym rozkładzie podobna<br />
do rozkładu gęstości gleby (Rys. 45, 46, 47, 48, 49).<br />
a)
100<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
b)<br />
Rys. 38. Przestrzenny rozkład zawartości piasku (a) i pyłu (b) w warstwie gleby 0-10 cm na obszarze<br />
gminy Trzebieszów
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 101<br />
a)<br />
b)<br />
Rys. 39. Przestrzenny rozkład zawartości iłu (a) i materii organicznej (b) w warstwie gleby 0-10 cm<br />
na obszarze gminy Trzebieszów
102<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
a)<br />
b)<br />
Rys. 40. Przestrzenny rozkład zawartości kwarcu (a) i gęstości (b) w warstwie gleby 0-10 cm na<br />
obszarze gminy Trzebieszów.
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 103<br />
a)<br />
b)<br />
Rys. 41. Przestrzenny rozkład wilgotności gleby: metoda grawimetryczna (a) i TDR (b) w warstwie<br />
0-10 cm w gminie Trzebieszów.
104<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
a)<br />
b)<br />
c)<br />
Rys. 42. Przestrzenny rozkład w warstwie gleby 0-10 cm zawartości piasku (a), pyłu (b) i iłu (c) na<br />
obszarze gminy Urszulin.
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 105<br />
a)<br />
b)<br />
Rys. 43. Przestrzenny rozkład w warstwie gleby 0-10 cm materii organicznej (a) i kwarcu (b) na<br />
obszarze gminy Urszulin
106<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
a)<br />
b)<br />
c)<br />
Rys. 44. Przestrzenny rozkład gęstości (a) i wilgotności gleby (metodą grawimetryczną (b) i TDR<br />
(c)) w warstwie 0-10 cm w gminie Urszulin.
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 107<br />
a)<br />
b)<br />
c)<br />
Rys. 45. Przestrzenny rozkład gęstości (a) i wilgotności gleby (w dniu 1 (b) i 2 (c)) w warstwie 0-10<br />
cm na polu uprawnym 1 (Felin).
108<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
a)<br />
b)<br />
c)<br />
Rys. 46. Przestrzenny rozkład przewodnictwa cieplnego (a), pojemności cieplnej (b) i dyfuzyjności<br />
cieplnej gleby (c) w warstwie 0-10 cm na polu uprawnym 1, dzień 1 (Felin).
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 109<br />
a)<br />
b)<br />
c)<br />
Rys. 47. Przestrzenny rozkład przewodnictwa cieplnego (a), pojemności cieplnej (b) i dyfuzyjności<br />
cieplnej gleby (c) w warstwie 0-10 cm na polu uprawnym 1, dzień 2 (Felin).
110<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
a)<br />
b)<br />
Rys. 48. Przestrzenny rozkład gęstości (a) i wilgotności gleby (b) w warstwie 0-10 cm na polu<br />
uprawnym 2 (Felin).
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 111<br />
a)<br />
b)<br />
c)<br />
Rys. 49. Przestrzenny rozkład przewodnictwa cieplnego (a), pojemności cieplnej (b) i dyfuzyjności<br />
cieplnej gleby (c) w warstwie 0-10 cm na polu uprawnym 2 (Felin).
112<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
Wykorzystanie miejscowych pomiarów naziemnych do ocen regionalnych<br />
i walidacji obserwacji satelitarnych<br />
Kierunek badań naziemnych związków pomiędzy własnościami cieplnymi i<br />
wilgotnością gleby, okazał się istotny i przydatny dla celów walidacji obserwacji<br />
SMOS. Dlatego włączono go do projektu SWEX.<br />
Istotna różnica między badaniami naziemnymi i satelitarnymi jest w zakresie<br />
ocen regionalnych stanu środowiska i jego związków ze zmianą klimatu. Misje<br />
obserwacji kosmicznych Ziemi mają za cel naturalny oceniać widzianą Ziemię w<br />
wielkiej skali. Misja SMOS będzie dawała dane pokrywające Ziemię śladem około<br />
1000 km (lub 500 km zależnie od modu pracy), w zobrazowaniu pikselami<br />
35×35 km, ale za to systematycznie co 3-4 dni przez 3-5 lat dla tego samego miejsca<br />
na Ziemi. SMOS będzie prowadzić obserwacje całej powierzchni planety<br />
globalnie.<br />
Potrzeba ocen regionalnych i meso-skalowych na Ziemi jest stale niezadawalająco<br />
zaspokajana badaniami naziemnymi. Badania naziemne są zbyt<br />
pracochłonne i niepewne jak na potrzeby ocen w wielkich skalach. Z drugiej strony,<br />
oceny takie są niezbędne. Do ich wypracowywania służą ostatecznie metody<br />
statystyczne. Dlatego powyższe wyniki i dyskusja podstawowych pojęć statystycznych,<br />
zostały podjęte w rozdziałach następnych, poświęconych praktyce<br />
statystycznego opracowywania danych naziemnych. Te same pojęcia i kierunki<br />
statystycznego wnioskowania na podstawie semiwariogramów i przestrzennych<br />
rozkładów własności, mają zastosowanie w wykorzystywaniu danych satelitarnych,<br />
lecz ich efektywne wykorzystanie wymaga metod znacznie bardziej zaawansowanych.<br />
Dane naziemne można oceniać statystycznymi cechami rozkładów zmiennych<br />
z pomiarów bezpośrednich, i tak ingerować w weryfikację danych aby pewne<br />
dane przyjmować, inne wagować a jeszcze inne odrzucać. Przy wykorzystywaniu<br />
danych satelitarnych, nie można konfrontować bezpośrednio wyników pomiarów<br />
naziemnych z wynikami satelitarnymi. Poszukiwana odpowiedniość musi bowiem<br />
respektować inne zmienne mierzone, i musi respektować skale przestrzenne i<br />
czasowe. Pomiary naziemne są zawsze miejscowe a wyciągane z nich wnioski w<br />
wielkiej skali muszą być właściwie opracowane statystycznie. Jest więc zależność<br />
od wyboru metod statystycznych i ich istotności.<br />
Inna też jest reprezentacja skal czasowych danych naziemnych, a inna satelitarnych,<br />
podczas gdy ocenie podlegają procesy zmienności w czasie. Dane satelitarne<br />
są zwykle chwilowe i incydentalne. Trudno otrzymać zdjęcia satelitarne z<br />
danego terenu w liczbie np. kilkunastu dla jednego cyklu zmian sezonowych, bo<br />
to poważny koszt możliwy do poniesienia w programach badawczych dedykowanych<br />
dobrze uznanym celom. Obserwacje SMOS co 3-4 dni to bardzo dobra re-
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 113<br />
prezentacyjna rytmiczność dla zmian sezonowych, ale to też „próbkowanie” procesów<br />
zmienności dobowej bardzo rzadkie, jak na różnorodność zjawisk atmosferycznych.<br />
Podobny dylemat reprezentacyjności występuje w badaniach naziemnych.<br />
Można prowadzić pomiary w skończonej, i niewielkiej liczbie miejsc testowych, a<br />
różnorodność przestrzenna (i wegetacyjna) środowiska jest ogromna. Nawet<br />
zautomatyzowane i częste pomiary meteorologiczne, np. opadu, niosą olbrzymią<br />
niepewność oceny opadu w obszarze, i zmuszają do wykorzystywania metod<br />
obserwacji zdalnych jak radary zasięgowe naziemne, lub satelitarne dla celów<br />
meteorologicznych. Dla ocen długoterminowych, chwilowe rozkłady zmienności<br />
opadów są potrzebne tylko o tyle, o ile prowadzą do ocen długoterminowych i<br />
meso-skalowych. Proste metody ocen statystycznych do tego nie wystarczają.<br />
Motywacją SMOS jest dostarczenie danych na temat wymiany wody z atmosferą,<br />
w miarach ilościowych odpowiadających zmianie klimatu. Następna misja<br />
kosmicznych obserwacji Ziemi, od 2015 roku, zorientowanych na cyrkulację<br />
wody, SMAP [124] (NASA), przyjmuje za jeden z głównych celów ilościową<br />
ocenę opadów na Ziemię, mierzonych globalnie [24]. SMOS ma ustalić tempo<br />
wymiany wody między lądami i oceanami, a atmosferą, przy niepewności miar<br />
opadu, ocenianych globalnie. Takie są priorytety we współczesnych obserwacjach<br />
Ziemi w związku ze zmianą klimatu.<br />
SMOS będzie wykorzystywał pomiar temperatury jasnościowej BT (Brightness<br />
Temperature) w paśmie mikrofalowym L (1,4 GHz). Temperatura jasności<br />
radiacyjnej jest miarą radiometryczną, i oznacza jaka jest emisja szumu naturalnego<br />
w paśmie obserwacji. Ta temperatura ma związek z temperaturą termodynamiczną<br />
poprzez prawo Plancka, określające jasność ciała doskonale czarnego.<br />
Natomiast związek z zawartością wody polega na tym, że woda i jej transport<br />
należą do czynników najbardziej determinujących ustalanie się temperatury termodynamicznej,<br />
jeżeli taki transport ma miejsce. Ponadto, woda jest pospolitym,<br />
powszechnie występującym na Ziemi, typem materii o jednej z największych<br />
wartości ciepła właściwego. Przez to zawartość wody rozstrzyga dominująco o<br />
wymianie ciepła między gruntem i atmosferą. Innym jeszcze czynnikiem zapewniającym<br />
związek obserwacji SMOS z wodą, jest to że zawartość wody jest bardzo<br />
dobrze związana z metodami obserwacji mikrofalowych w ogóle, zarówno<br />
pasywnych (radiometr SMOS), jak i aktywnych (radar, np. ENVISAT-ASAR).<br />
Przyczyna leży w silnie niesymetrycznej budowie molekuł wody, które łatwo i<br />
silnie oddziaływają z polem elektromagnetycznym. Są też i inne okoliczności<br />
wykorzystywania metod mikrofalowych do obserwacji wodnych, np. takie że<br />
zdjęcia satelitarne mikrofalowe słabo zależą od przesłaniania celu obserwacji<br />
chmurami. Są prawie niezależne od stanu zachmurzenia, a więc pewne w uzyskiwaniu.<br />
Np. wszystkie zdjęcia ASAR są „udane”, podczas gdy zdjęcia optyczne,
114<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
zwłaszcza wysokorozdzielcze, są dobrym źródłem informacji o powierzchni Ziemi,<br />
tylko wtedy gdy panują korzystne warunki braku zachmurzenia. Trudno liczyć<br />
np. na kilka dobrych zdjęć optycznych w miesiącu.<br />
W tej pracy, dochodzimy do wniosku, że o powodzeniu w wykorzystaniu danych<br />
satelitarnych, decyduje nie tyle opanowanie specyficznych narzędzi i metod<br />
przetwarzania, ale potrzeba celów interpretacji statystycznie zgodnych z celami<br />
satelitarnych instrumentów obserwacyjnych, i metodami do statystycznego przetwarzania<br />
danych. Metody dla wykorzystania danych satelitarnych są ograniczenie<br />
specyficzne tylko w zakresie metody obserwacji (radar, radiometr, spektrometr),<br />
natomiast ich podstawy są w fizyce i statystyce. Użytkownik danych satelitarnych<br />
musi więcej poznać z podstaw fizycznych i statystycznych, niż ze specyfiki<br />
technicznej instrumentu. Wszystkie dostępne narzędzia programowe do przetwarzania<br />
danych satelitarnych są wyposażone w bardzo współczesne procesory,<br />
które angażują metody statystyczne. Jeżeli są jakieś istotne bariery w ich wykorzystaniu,<br />
to leżą one głównie w niedostatecznym rozumieniu celów proponowanych<br />
interpretacji, lub ewentualnie nie rozróżnianiu metod analizy np. spektralnej<br />
od reflektometrycznej, i ich aspektach statystycznych. Współczesne narzędzia<br />
stają się dostępne dla użytkowników nie koniecznie wykształconych w kierunkach<br />
technicznych związanych z instrumentalną zasadą obserwacji.<br />
SMOS będzie działać od 2010 przez 3-5 lat, a do tego czasu wypracowano<br />
system przekazywania danych, szereg narzędzi, które są dostępne publicznie i<br />
będą nadal rozwijane, oraz szereg obserwacji przykładowych, symulowanych na<br />
podstawie danych realnych o środowisku na Ziemi, w tym z innych misji satelitarnych.<br />
Przykładem są dane symulacji SMOS na stronach CESBIO [125].<br />
Temperatura jasności (BT) jest zmienną bezpośrednio obserwowaną instrumentem<br />
SMOS. Ta zmienna będzie potem transformowana na wilgotność gleb<br />
(SM – Soil Moisture). Na Ziemi mierzymy SM, bezpośrednio tzn. przy użyciu<br />
TDR (Time Domain Reflectometer) lub tradycyjnie metodą grawimetryczną przy<br />
użyciu cylindra Kopeckiego.<br />
Dla celów walidacji SMOS przyjęto, żeby konfrontować obserwacje SMOS na<br />
poziomie BT. Z danych naziemnych, i innych misji niezależnych trzeba nam<br />
określać BT i porównywać ją z jasnością BT uzyskiwaną ze SMOS. Oznacza to,<br />
że dane naziemne (w tym SM mierzone bezpośrednio) trzeba przekształcać na<br />
BT, w aktualnych i aktualizowanych rozkładach przestrzennych. Do tego celu<br />
misja SMOS przygotowała razem z grupą roboczą ECMWF pakiet programowy<br />
CMEM [24] udostępniany publicznie. Do modelu należy dostarczać dane dla<br />
szeregu zmiennych środowiskowych, aby otrzymać jasność BT, uzyskaną lokalnie<br />
lub w meso-regionie w sposób niezależny od instrumentu SMOS. To droga<br />
postępowania przy walidacji. Na tej drodze uzyskaliśmy pierwsze własne symulacje<br />
dla całej Polski, pokazane na Rys. 50.
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 115<br />
Rys. 50. Symulacja BT modelem CMEM [24] dla Europy Centralnej, w rozdzielczości 1 km, na<br />
podstawie danych dekadowych, z maja 2004. Realne obserwacje SMOS, będą rejestracjami chwilowymi<br />
nie uśrednionymi, będą więc miały większą rozpiętość temperatur jasności. Uwaga: – Dane<br />
zmiennych ECV dla CMEM pochodziły z ECOCLIMAP [34], ECMWF [33], a tam zbierano je z<br />
innych kontynentalnych baz danych nt. warunków meteorologicznych, wegetacji i pokrycia terenu.<br />
Widoczne nieciągłości na wschodnich granicach Polski, należy tłumaczyć, różnicami jakości danych<br />
w tych bazach. Nie ma fizycznych powodów dla takiego zróżnicowania BT. Nie można ich<br />
całkowicie usprawiedliwiać, np. pokryciem terenu, użytkowaniem i roślinnością. Te dane, a<br />
zwłaszcza pokrycie i użytkowanie terenu (Land Cover and Land Use) były przedmiotem programów<br />
Europejskich ale w granicach Unii (CORINE). Poza UE, dane są uboższe, i mniej kompletne.<br />
Na Białorusi i Ukrainie, nie realizowano programu CORINE, więc te obszary są reprezentowane w<br />
bazach danych ubożej. Obraz uwidacznia zaledwie kontrasty w stanie wiedzy, o środowisku regionu.<br />
„Białych plam” na mapie w części lądowej nie ma, są tylko „czarne”, tzn. dane o tymczasowo<br />
mniejszej wiarygodności.
116<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
Widać wyraźnie, że chociaż temperatura jasności BT zawiera się w wąskim<br />
przedziale kilku K (mniej niż 10K), to daje rozkład przestrzenny związany poprawnie<br />
z morfologią i siecią hydrograficzną. Ponieważ dane do modelu CMEM,<br />
były uśredniane dekadowo, tu z maja 2004, to i wyniki BT są dekadowe. Model<br />
CMEM pracuje nie na obrazach lecz na macierzach, element po elemencie (piksel<br />
po pikselu). Jeżeli dane wejściowe mają swój porządek zobrazowania, to jest on<br />
zachowany wyniku przetwarzania na BT przez CMEM.<br />
Realne dane SMOS mogą być dużo bardziej zróżnicowane, bo będą zapisami<br />
chwilowymi. Porę nalotu obserwacyjnego SMOS, wybrano tak aby warunki wymiany<br />
energii między podłożem i atmosferą były ustabilizowane, tzn. na godz.<br />
6:00 rano, czasu lokalnego, tak samo za każdym razem co 3-4 dni. O tej porze<br />
temperatury (termodynamiczna i radiacyjna) są stabilne, nie rozwinął się jeszcze<br />
proces wymiany energii. Mniej więcej o tej porze, gradient temperatury termodynamicznej<br />
w glebie zmienia swój znak. Podłoże przechodzi z oddawania energii<br />
na przyjmowanie energii. Wtedy SMOS ma robić rejestrację raz na 3 dni. Uważa<br />
się tę porę za bardziej sprzyjającą obserwacji, bo wartości BT będą bliskie wartościom<br />
oczekiwanym dobowym, i wolno zmienne. SMOS nie jest po to aby śledzić<br />
cykle dobowe, ani po to by charakteryzować różnorodność zjawisk w czasie i<br />
przestrzeni. Pomiar raz na 3-4 dni, i tak gubi wiele różnorodnych zdarzeń (np.<br />
opady) w czasie, a gubi również i przestrzenie (piksel 35 km). Celem pomiaru są<br />
trendy dłuższe w czasie (np. tygodniowe, dekadowe, miesięczne), i dłuższe w<br />
przestrzeni – przez wiele pikseli 35 km, w pasie 500 do 1000 km. Dlatego wybrano<br />
porę poranną. Pora zmierzchu, wykazuje na średnich szerokościach geograficznych<br />
szybsze tempo zanikania procesów wymiany energii, niż poranna i dlatego<br />
jest mniej korzystna.<br />
Wielkości symulowane BT przez CMEM, mieściły się w wąskim zakresie<br />
wartości. Celem tej symulacji było jedynie sprawdzenie czy typowe dane na wejściu<br />
CMEM, dadzą na wyjściu wartości prawdopodobne, i to się potwierdziło.<br />
Wynik zachował związek z morfologią i pokryciem terenu klasami leśnymi, o<br />
dużej biomasie. Lasy są wyraźnie ciemniejsze, tzn. i chłodniejsze. W dalszym<br />
postępowaniu, szereg zmiennych wejściowych CMEM, będzie pochodził z pomiarów<br />
naziemnych, aktualnych dla kampanii walidacyjnych. Jednak nie wszystkie<br />
dane! W takich przypadkach model CMEM będzie zasilany aktualizowanymi<br />
danymi z ECOCLIMAP, MERIS/MODIS, ASAR, i z innych źródeł. To jest normalna<br />
praktyka zwana fuzją danych.<br />
Model CMEM posługuje się uznanymi zmiennymi ECV (Essential Climate<br />
Variables), i narzuca konieczność rozróżnienia typów ekosystemów pokrywających<br />
całą Ziemię. ECOCLIMAP jest uniwersalną bazą danych środowiskowych<br />
archiwalnych, zbudowaną m. in. dla wsparcia walidacji SMOS. CMEM dopuszcza<br />
rozróżnianie 216 klas ekosystemów, z których tylko część występuje w Pol-
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 117<br />
sce. Liczba klas ekosystemów wykorzystywanych dla Polski, będzie zależała od<br />
tego jak te ekosystemy będą rozróżniane w pracy naziemnej.<br />
CMEM [24] zbudowano modularnie i zhierarchizowano rozróżnianie ekosystemów<br />
indeksami, od podziału klas na najgrubsze – np. lasy, i nie lasy. Dalej,<br />
tereny otwarte uprawne, zurbanizowane, i wody otwarte. W tej hierarchii rozróżnia<br />
się następne podklasy ekosystemów, zależnie od natężenia wartości zmiennych<br />
wegetacyjnych ECV. Te rozróżnienia będą już uzależnione od możliwości<br />
wkładu pracy naziemnej w mierzenie zmiennych ECV. Przy niewielkim nakładzie<br />
pracy naziemnej, można liczyć na rozróżnianie niewielu (kilku) podklas roślinności<br />
niskiej i wysokiej, podobnie jak upraw rolnych. Wśród klas leśnych, będą<br />
rozróżniane podklasy lasów iglastych i liściastych, a dalej w każdej z nich, podklasy<br />
odpowiadające stopniowo gęstość biomasy, LAI, wydajności fotosyntezy i<br />
produktywności chlorofilu.<br />
Większość tych zmiennych ECV, jest w Polsce rzadko monitorowana na Ziemi,<br />
zwłaszcza na dużych obszarach. W leśnictwie nie praktykuje się mierzenia<br />
LAI na Ziemi, a stosuje się mniej obiektywny parametr „uliścienia”. Uliścienie<br />
daje miarę względną stanu zdrowia drzew określonego gatunku. LAI jest natomiast<br />
miarą bardziej obiektywną, bo opartą na transformacji radiacji w lesie, i<br />
ostatecznie opartą o prawo zachowania energii. Podobnie jest z praktyką oceny<br />
fotosyntezy i produktywności chlorofilu. Są to parametry stosowane w badaniach<br />
poszczególnych gatunków roślin i konkretnych upraw, ale nie do całościowego<br />
charakteryzowania stanu środowiska. Do tych celów, takie zmienne czerpie się<br />
rutynowo z obserwacji satelitarnych spektralnych (np. MERIS), a rzadziej sięga<br />
się po mierzenie ich na Ziemi, mimo że odpowiednie instrumenty są na rynku od<br />
co najmniej dwóch dekad.<br />
W projekcie, należy liczyć się z tym, że niektóre dane wejściowe do modelu<br />
CMEM pozostaną nie wypracowane na Ziemi, a będą musiały pochodzić z danych<br />
satelitarnych.<br />
Model CMEM jest na tyle elastyczny, że pozwala na wykorzystywanie klas i<br />
podklas ekosystemów na miarę możliwości nakładu pracy naziemnej. Jest jednak<br />
na tyle wymagający, że musi otrzymać wszystkie zmienne, nawet jeżeli są one<br />
tylko realistycznie przyjętymi stałymi. Używanie modelu emisyjności CMEM dla<br />
celów walidacji SMOS, w dużej mierze polega na tym, że badacze naziemni mają<br />
szanse na samodzielnie ćwiczenia obliczeniowe, dla określania jaka jest wrażliwość<br />
modelu i wyniku na poszczególne zmienne, i na proponowanie możliwej<br />
gradacji w rozróżnianiu ekosystemów, i dostosowywanie zakresu tej gradacji do<br />
możliwości w nakładzie pracy. Czego nie da się zmierzyć na Ziemi, trzeba czerpać<br />
z zewnętrznych baz danych, dbając o odpowiedniość czasową do obserwacji<br />
SMOS, i/lub wyinterpretować je z innych danych satelitarnych.
118<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
CMEM proponuje pewną elastyczną systematykę danych wejściowych, i skłania<br />
do używania powszechnie uznawanych zmiennych ECV. Potrzebne jest to dla<br />
pracy szeregu szczegółowych elementarnych modeli emisyjności – właściwych<br />
poszczególnym typom ekosystemów. Użytkownik modelu ma możliwość krytycznego<br />
ingerowania i poprawiania lub dopasowywania modeli do zawartości<br />
środowiskowej, na tyle na ile pozwolą mu jego kompetencje naukowe. Modele<br />
elementarne i dane wejściowe do nich trafiające, są ostatecznie źródłem wyniku<br />
BT.<br />
Przestrzenne zobrazowanie wynikowe BT ma taką rozdzielczość, w jakiej dostarczono<br />
dane na wejście modelu. Na przykład wszystkie dane lokalne z tej pracy,<br />
uzyskane na Polesiu, mogą być użyte wprost do zasilania modelu CMEM, i<br />
otrzymywania zobrazowań BT w takiej skali w jakiej je wypracowano. Z drugiej<br />
strony, używanie danych zewnętrznych, zwłaszcza tych dla skal większych niż<br />
lokalne, stwarza nowe wymagania sprawności w posługiwaniu się bazami danych,<br />
narzędziami do ich przetwarzania (formaty *.grib, *.netcdf, *.hdf5), i zyskiwania<br />
wiedzy o ich dostępności w źródłach danych publicznych.<br />
Dane własne mierzone na Ziemi, są głównie danymi o wilgotności SM, mierzonymi<br />
bezpośrednio, lub danymi ze stacji meteorologicznych własnych –<br />
zwłaszcza temperatura gleby (powierzchniowe i w profilach), oraz dla powietrza<br />
(w profilu do 2 m). To są dane o najwyższej wadze dla wyniku wyjściowego modelu.<br />
Natomiast dane LAI, fAPAR, o zmienności głównie sezonowej, mają być<br />
czerpane z obserwacji ENVISAT-MERIS (optycznych), albo z gotowych banków<br />
danych dla kontynentu Europejskiego. Podobnie jest z wymaganiami dla danych<br />
glebowych. Dane glebowe, tekstura czyli skład granulometryczny, są zasadniczo<br />
niezmienne. Model CMEM wymaga bardzo grubej oceny składu granulometrycznego<br />
(sand (piasek), clay (ił), silt (pył) – wystarczą dwa pierwsze składniki), ale<br />
trzeba go podawać w rozkładzie przestrzennym. Źródeł takich danych w kraju jest<br />
wiele, lecz bywa, że są one trudno dostępne, bo czasem nie kompletne, albo nie<br />
opracowane cyfrowo, a najczęściej pozornie „za dokładne”, jak na przykład klasyfikacje<br />
rolne gleb dla potrzeb zarządzania w rolnictwie. Klasyfikacje rolne gleb<br />
są pozornie wysoko rozdzielcze, w sensie liczby klas i podziałów terenowych, ale<br />
dotąd niewiele powstało zestawień regionalnych zgromadzonych i udostępnianych<br />
publicznie ze wspólnego banku. Taki bank danych glebowych kontynentalnych,<br />
istnieje w JRC, lecz reprezentacja Polski jest w nim niespójna z obszarami<br />
spoza Polski.<br />
Z punktu widzenia projektu SWEX, dla wykorzystania modelu CMEM do walidacji<br />
SMOS, powinno wystarczyć rozróżnianie elementarnego składu (sand,<br />
clay) w rozdzielczości 1 km (piksel SMOS 35×35 km). Jeżeli takich danych nie<br />
będzie, dla zadawalająco dużego obszaru wokół miejsca testowego, to takie dane<br />
będą dostępne badaczom bezpośrednio w ich zasobach danych, w zasięgu węższym,<br />
wokół ich miejsc testowych. Wtedy, do modelu CMEM będziemy wpro-
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 119<br />
wadzać wartości własne, i utrzymywać je stałymi dla obszaru wybranego piksela<br />
SMOS. Może okazać się, że takie dane nie zróżnicowane dla dostatecznie wielkiego<br />
obszaru, będą lepsze od danych z obcych źródeł, bo je uzyskano w konkretnym<br />
terenie, z krytyczną oceną badaczy. Podobnie będzie z innymi zmiennymi<br />
wejściowymi, jeżeli np. jakieś dane radiacyjne (LAI, fAPAR) okażą się tymczasowo<br />
niedostępne dla aktualizacji bezpośredniej. Wtedy trzeba będzie użyć<br />
danych z banków kontynentalnych, nawet w skali i rozdzielczości dużo większej<br />
niż pomiary własne, bo dane środowiskowe w bankach danych, są aktualizowane.<br />
Oznacza to, że dane importowane, mogą okazać się stałymi w skalach lokalnych,<br />
lecz aktualizowanymi w czasie. Model CMEM jest wygodny dlatego, że nie wiąże<br />
użytkownika koniecznością tworzenia wielkiego zobrazowania. Można go<br />
wykorzystywać ze stałymi, w skali własnej, a potem z danymi importowanymi w<br />
skalach szerszych, a cały ciężar wymagań na tworzenie zobrazowania, pozostawiać<br />
w gestii użytkownika, dla przygotowania danych wejściowych i wyjściowych<br />
tak, aby zobrazowanie uzyskiwać innymi narzędziami. Do tego trzeba jednak<br />
danych, i meta-danych, przygotowanych zgodnie ze standardami tych narzędzi<br />
obrazujących. CMEM ma służyć potwierdzaniu wiarygodności danych naziemnych,<br />
przez porównywanie efektu ich użycia w postaci temperatury jasności<br />
BT, do temperatury jasności BT uzyskanej przez instrument SMOS, z orbity.<br />
Cel walidacji SMOS (piksel 35×35 km), z pewnością będzie gubił wiele<br />
szczegółów w zobrazowaniach z powodu meso-skalowego, a nawet globalnego<br />
charakteru ocen końcowych. Walidacja musi jednak obywać się dla wartości<br />
zmiennych w miarach absolutnych tzn. w Kelvinach. Każda obserwacja zdalna, a<br />
SMOS w szczególności, bo daje zobrazowanie interferometryczne, jest spójna<br />
przestrzennie, lecz za cenę wzrostu niepewności w miarach wartości absolutnych,<br />
i dlatego musi być walidowana. Każda misja obserwacji Ziemi, ma swój rutynowy<br />
program walidacyjny.<br />
Przy obecnym doświadczeniu z pomiarów naziemnych na Polesiu, można powiedzieć,<br />
że wybór miejsc testowych – na Krowim Bagnie i na Bagnie Bubnów<br />
był celowy, i słuszny. Tego potwierdzenia poszukiwaliśmy na zdjęciach radarowych<br />
ASAR, i potem będziemy poszukiwać na zdjęciach SMOS. Te miejsca powinny<br />
być właśnie w „samorodnych jądrach wilgotności” w regionie. Zdjęcia<br />
ASAR wydają się to potwierdzać. Zdjęcia optyczne MERIS – nie, dlatego że są<br />
wynikiem obserwacji optycznej, tzn. mniej wrażliwej na wodę, za to bardziej<br />
wrażliwej na zmienne wegetacyjne NDVI, LAI, fAPAR, uzyskiwane z analiz<br />
spektralnych (Rys. 51).
120<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
Rys. 51. Wycinek zdjęcia optycznego MERIS z regionu Polski wschodniej, z dnia 2 kwietnia 2009,<br />
tzn. z pory początku wegetacji, instrumentem ENVISAT-MERIS. Analizowano je procesorem<br />
TOA_VEG, a przedstawiono w kombinacji RGB, dla zmiennych (R=LAI, G=fCover, B=LAIxCab),<br />
Na zdjęciu zaznaczono trzy obszary ROI (Research Of Interest), które dalej porównywano w różnicach<br />
tych zmiennych środowiskowych, na podstawie rozproszenia zmiennych, na Rys. 59.<br />
Konfrontacja zdjęć MERIS i ASAR, ze skalą i rozdzielczością przyszłych<br />
zdjęć SMOS, skłania do zweryfikowania poglądu na posługiwanie się rozkładami<br />
wilgotności naziemnymi i satelitarnymi. Dotąd uważaliśmy, że walidacja musi<br />
prowadzić do stopniowego poszerzania skal, i uzgadniania rozkładów przestrzennych<br />
wilgotności. Ten pogląd był inspirowany z jednej strony rozpiętością skal, a<br />
z drugiej ograniczeniami tego co można zrobić dla rozkładów przestrzennych<br />
bezpośrednio na Ziemi, lokalnie, aby skonfrontować wynik uzyskany ze SMOS,<br />
w rozdzielczości pikseli 35 km.
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 121<br />
Rys. 52 Zdjęcie polskiej części Polesia, instrumentem ENVISAT-ASAR, z 30 sierpnia 2008. Zdjęcie<br />
sklasyfikowanego metodą Wisharta, programem PolSARpro [42, 115] (dla dwóch kanałów<br />
polaryzacyjnych HH/VV), w 16 klasach, tak aby klasy 1-11 stanowiły szereg o wilgotności podłoża<br />
malejącej, od wód otwartych, do klas miejskich. Klasy 12-16 wydzielono dla obszarów leśnych, do<br />
odrębnego wyznaczania objętościowej zawartości wody, zależnie od objętościowej gęstości masy,<br />
biomasy, i innych zmiennych ECV (do ustalenia jako przedmiot walidacji).
122<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
Rys. 53. Zdjęcie ASAR-APP Podlasia, w okolicach Trzebieszowa (z 17 lipca 2003), po klasyfikacji<br />
intensywnościowej Wisharta, programem PolSARpro [42, 115]. Znaczenie klas jest takie samo jak<br />
na Rys. 52. Klasy są zapisem przestrzennym wzoru rozkładu wilgotności w terenie, który zachowuje<br />
swoją aktualność dla analogicznej pory roku. Wzór ten ma służyć wytworzeniu 16 masek, przez<br />
które będą poddawane ocenom aktualne zdjęcia ENVISAT-MERIS. Przestrzenny zapis wzoru<br />
klasyfikującego może być uaktualniany, w miarę dostępności aktualniejszych zdjęć ASAR. Maski z<br />
ASAR są dokładniejsze od przestrzennego zapisu klas na podstawie MERIS, i do tego niezależne<br />
od zachmurzenia. Klasy będą walidowane zdjęciami MERIS, i pomiarami naziemnymi. Barwy na<br />
rysunku, są arbitralne, a klasy służą interpretacji tylko wartościami indeksów, od 1 do 16-tu. W tle<br />
podstawiono model elewacji tereny SRTM.<br />
Pokonaniu rozpiętości skal mają służyć kolejno, zdjęcia ASAR (rozdzielczość<br />
nominalna 15 m, w klasyfikacjach 100-150 m), a potem zdjęcia MERIS (rozdzielczość<br />
nominalna 300 m, z wykorzystywanie klasyfikacji ASAR) (Rys. 51,<br />
52, 53). To są rozdzielczości jeszcze nie porównywalne do SMOS (35 km). Jednak<br />
inne dane środowiskowe do walidacji, pochodzące z innych źródeł, mają<br />
rozdzielczości około 1 km, a niektóre nawet 10 km. Taki wybór instrumentów
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 123<br />
MERIS, i ASAR, wynika z oferty dostępu do danych ESA, w projekcie SWEX, i<br />
stwarza szansę na stopniowe pokonywanie rozpiętości skal.<br />
Ta koncepcja powstała z inspiracji praktyką dezagregacji piksela SMOS, przez<br />
wypełnianie go bardziej rozdzielczą treścią z innych źródeł. Rozkłady określane z<br />
danych SMOS powinny osiągać zgodność z siecią hydrograficzną i morfologią.<br />
Tymczasem na zdjęciach bardziej rozdzielczych, też taka zgodność jest dobrze<br />
widoczna, i stąd pomysł stopniowania skali rozkładów i ich uzgadniania.<br />
Inne projekty w SVRT, postępują podobnie. Zobrazowania pikselami 35 km<br />
dają bardzo niewiele szczegółów, więc trzeba je odzyskiwać „fuzją danych”,<br />
również przy zaangażowaniu technik GIS i regionalnych modeli hydrologicznych<br />
(np. SWAT [135], i innych). Wtedy mogą powstać produkty obserwacji SMOS,<br />
wzbogacone o szczegóły, i jako takie łatwiej znajdujące odbiorców. Do tego podejścia<br />
inne projekty angażują wielkie zespoły naziemne, wykonują olbrzymią<br />
pracę terenową, wspomaganą dziesiątkami i setkami stacji naziemnych, i zautomatyzowanych<br />
systemów obserwacji bezpośrednich.<br />
SMOS ma kilka takich kampanii naziemnych, zwanych kluczowymi – w<br />
Hiszpanii, w Niemczech, Francji, w Stanach Zjednoczonych, i Australii. Mają one<br />
znaczenie kluczowe dla walidacji. Są jednak dwa inne obszary testowe, nadrzędne,<br />
lecz nie dla walidacji, a dla kalibracji instrumentu SMOS. To „stabilny obszar<br />
zimny” na Antarktydzie, z wielką Europejską stacją stałą, prowadzoną przez<br />
Włochów, i „stabilny obszar gorący”, na pustyni Taklimakan, z międzynarodową<br />
kampanią naziemną w Azji. Antarktyda jest rewizytowana przez SMOS, 14 razy<br />
na dobę, i tam odbywa się podstawowa kalibracja środowiskowa na Ziemi. Poza<br />
Ziemią, SMOS bierze do kalibracji szum galaktyczny, i Księżyc. W obszarach<br />
kluczowych dla walidacji, w Europie, i w Australii, pomiary naziemne są wspomagane<br />
pomiarami radiometrycznymi z poziomu lotniczego.<br />
W Polsce, projekt SWEX, nie może liczyć na stosowanie kosztownych obserwacji<br />
lotniczych. Partnerzy SWEX są nieliczni, rozproszeni po kraju. Kraj jest<br />
bardzo różnorodny pod względem typów krajobrazów. Potencjalne możliwości<br />
zespołów polskich są ograniczone, a wyposażenie i zdolności asymilacji danych<br />
globalnych, trzeba dopiero rozwijać. Do tego obszar Polski jest słabo reprezentowany<br />
w bazach danych kontynentalnych. Są dane CORINE [25], i glebowe JRC<br />
[63], ale to dane stałe. Dane szybko zmienne dla Polski muszą pochodzić ze źródeł<br />
meteorologicznych (Eumetsat LSA SAF [43]), i innych [44], w skalach około<br />
10 km. Te źródła aktualizują swoje najszybciej zmienne dane nawet co 15 minut,<br />
i mają wielką wartość dla walidacji SMOS. Wymaga się pewnej biegłości w posługiwaniu<br />
się bazami danych, i ich wieloma standardami formatów, i dedykowanych<br />
narzędzi. Nasze zdolności są w tym zakresie ograniczone, i nie możemy<br />
aspirować do roli obszaru kluczowego w walidacji SMOS. Tym bardziej nie
124<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
można liczyć na zainwestowanie dużych środków unijnych dla intensywnej walidacji<br />
SMOS, w Polsce.<br />
Polska jest jednak krajem na tyle dużym, aby wyniki z tego obszaru były pożądane<br />
dla walidacji SMOS. Dlatego przyjęto koncepcję monitorowania kilku (9-<br />
ciu) miejsc testowych, a nie obszaru. Trzeba zaznaczyć, że monitorowanie odbywa<br />
się tylko w okresach kampanii Cal-Val, nie permanentnie. Stale pracują tylko<br />
stacje obserwacyjne, lokalnie. Stąd też pochodziła nasza koncepcja początkowa,<br />
uzgadniania rozkładów przestrzennych różnych skal, i rozszerzania ocen – walidacyjnych,<br />
na obszar Polski. Walidacja, to jednak zadanie służebne i incydentalne<br />
dla misji SMOS. A wykorzystywanie danych SMOS, to zadanie zupełnie różne,<br />
też służebne ale względem wszystkich potencjalnych użytkowników danych – dla<br />
nas, w Polsce.<br />
Koncepcja uzgadnianiu rozkładów przestrzennych, w skalach: – lokalnej, małej<br />
skali regionalnej, i krajowej, w trakcie realizacji projektu, uległa jednak rewizji.<br />
Uzyskiwane rozkłady własności środowiskowych, z MERIS i ASAR, są<br />
wprawdzie dobrze zgodne z morfologią, i siecią hydrograficzną, ale słabo zgadzają<br />
się z rozkładami wyznaczanymi na Ziemi, w pomiarach bezpośrednich. Nawet<br />
trudno mówić o ich uzgadnianiu. Tym bardziej, że liczba dostępnych zdjęć ASAR<br />
jest niewielka, daty mało reprezentatywne dla zmian sezonowych, a cały zamiar –<br />
uzgadniania rozkładów, ma słabe podstawy statystycznej reprezentacji, zarówno<br />
na dostępnych zdjęciach satelitarnych, jak i w bezpośrednich pomiarach na Ziemi.<br />
Próby takiego uzgadniania rozkładów wilgotności gleb, pomiędzy danymi naziemnymi<br />
a danymi ASAR, wypadały mało zachęcająco.<br />
Trochę lepiej jest z wielkoskalową oceną zmiennych środowiskowych ze<br />
zdjęć MERIS/MODIS, ale te obserwacje są akurat mniej wrażliwe na wilgotność.<br />
Związki z wilgotnością są pośredniczone przez inne oceny środowiskowe.<br />
Przyczyna rewizji poglądu na uzgadnianie rozkładów ma charakter statystyczny.<br />
Każdy rozkład wilgotności, lub innej zmiennej, ma charakter zapisu chwilowego<br />
(temporary), związanego z czasem zebrania danych. Pomiary naziemne,<br />
zwłaszcza obsługiwane przez człowieka, są wykonywane raz, dwa, lub trzy razy<br />
w roku, w różnych porach roku, przez jeden dzień lub kilka dni, a procesy zmienności<br />
postępują niezależnie. Permanentne obserwacje są prowadzone tylko w<br />
nielicznych stacjach. Dysponowane zdjęcia satelitarne są też nieliczne, i to niekoniecznie<br />
w czasie zsynchronizowanym z pomiarami naziemnymi – z przyczyn<br />
niezależnych. Nie ma zgodności czasowej, i nie ma równoważności między czasowym<br />
pokryciem tego samego przedziału czasu danymi pobieranymi często. Nie<br />
można mieć często wykonywanych zdjęć satelitarnych dla badań środowiskowych.<br />
Inaczej będzie ze SMOS, bo będą rytmiczne. Podobnie bywa z innymi<br />
skanowaniami globalnymi Ziemi, ASAR (Wide Swath), i MERIS, w programach<br />
globalnych. Te jednak są bardzo nisko rozdzielcze, a ASAR WS pracuje tylko w<br />
jednej polaryzacji.
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 125<br />
Powód statystyczny, dla którego trudno uzgadniać obserwacje lokalne z mesoskalowymi,<br />
ma również charakter statystycznie merytoryczny. Każdy rozkład<br />
przestrzenny lub czasowy, należy czytać jako rozkład prawdopodobieństwa, że<br />
dana zmienna przyjmuje wartość bieżącą, jaką „zaobserwowano obliczeniowo”,<br />
tzn. interpretacyjnie. Ta wartość zależy bowiem i od rozkładów statystycznych<br />
błędów w danych (zawsze obecnych), ale i od warunków analizy statystycznej, w<br />
jakich prowadzono ocenę. Wynik zależy, w pewnym zakresie, od wyboru drogi<br />
interpretowania, pomimo jej pełnej poprawności. Jeżeli mamy uzgadniać rozkład<br />
z danych naziemnych, i ze zdjęć ASAR, to nie ma mowy o zachowaniu tych samych<br />
warunków analizy statystycznej, bo metody stosowane do tych dwóch różnych<br />
typów danych, różnią się jednak znacznie. Statystyka jest wspólna, ale jej<br />
metody są niezupełnie równoważne.<br />
Wiadomo, że wynik SMOS może wymagać korekty wartości absolutnej, bo<br />
taka jest cena sięgania po wybór niskiej częstotliwości obserwacji (1,4 GHz), i<br />
cena za wybór metody zobrazowania interferometrycznego przy ograniczeniach<br />
apertury antenowej. Ta cena, powoduje niepewność wartości absolutnej, nie zależny<br />
od tego czy SMOS będzie obserwował ten czy inny ekosystem na Polesiu,<br />
Biebrzy, lub Żuławach. Instrument jako taki nie prowadzi rozróżnień w klasach<br />
krajobrazowo-środowiskowych. Natomiast interpretacja walidująca – tak, musi<br />
prowadzić takie rozróżnienia.<br />
Wniosek o porzuceniu zamiaru uzgadniania rozkładów, na rzecz dbałości o<br />
istotność miejsc testowych, jest zgodny z dyskusją w rozdziale na temat występowania<br />
samorodnych jąder wartości danych uprzywilejowanych statystycznie.<br />
Prawdopodobieństwo określania miejsca o dużej wilgotności, jest większe niż dla<br />
miejsca o małej wilgotności. Są takie miejsca statystycznie uprzywilejowane, tym<br />
że usprawiedliwiają to procesy odpływu, i retencji, dodatkowo uwarunkowane<br />
pokryciem roślinnym. Tam walidacja obserwacji SMOS może być bardziej wartościowa.<br />
Nie można stosować arbitralnego kryterium wymagania zgodności rozkładów<br />
przestrzennych w obszarze, a trzeba wyróżniać lokalizację tych miejsc<br />
uprzywilejowanych i do nich dowiązywać korekcje. Incydentalne nawet zdjęcia<br />
ASAR, mogą dostarczać wzorców rozkładów, które potem muszą być miejscowo<br />
dowiązywane do pomiarów naziemnych. Taka sama zasada ma odnosić się do<br />
walidowania danych SMOS. Wiarygodność dowiązania będzie tym większa, im<br />
więcej uwarunkowań środowiskowych zostanie wzięte do oceny w skali ponad<br />
lokalnej, dla wypracowania wartości referencyjnej oczekiwanej na Ziemi, w rejonie<br />
testowym.<br />
Takie miejsca na Polesiu zostały wybrane na tych bagnach Krowie Bagno, i<br />
Bagno Bubnów, mimo że za wyborem przemawiało tylko doświadczenie i znajomość<br />
regionu, a nie uzasadnienie statystyczne. To uzasadnienie można dopiero<br />
udokumentować wynikami z zastosowań modelu emisyjności gleby CMEM, stosowanego<br />
w tym projekcie.
126<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
Zespół, który przygotował model CMEM, przy ECMWF [33], i podał model<br />
do otwartego użytkowania publicznie, rozstrzygnął w nim o hierarchii rozróżnianych<br />
klas środowiskowych i ich gradacji, stosownie do ich głównych parametrów<br />
charakteryzujących – SM, LST (Land Surface Temperature, T2 (Temperatura na<br />
2 m wysokości, LAI, fAPAR, i szereg innych. Jest to pewna hierarchia istotności<br />
warunków, dla obserwacji SMOS. Sam podział obszarów na klasy jest zasadniczo<br />
stały, przynajmniej przy 3-4 dniowym rewizytowaniu miejsc na średnich szerokościach<br />
geograficznych przez SMOS. Użytkownikowi pozostaje czynić rozróżnianie<br />
pokrycia klasami, aktualizacja ich gradacji przy wprowadzaniu danych, oraz –<br />
pełna swoboda ingerowania w modele elementarne emisyjności dla poszczególnych<br />
klas, a nawet rozwijanie ich jeżeli znajdą się po temu dobre powody. Bez tej<br />
hierarchii klas, i ich wyboru, użytkownik byłby zmuszony do czynienia własnych<br />
„odkryć”, by poznać które typy zmiennych mają większą, a które niższą wagę w<br />
wyniku SMOS w miarach jasności BT.<br />
Rozkład BT, dla Polski, pokazany na Rys. 50, ma świadczyć zaledwie o tym,<br />
że model CMEM pracuje w naszym projekcie funkcjonalnie poprawnie, a wiarygodność<br />
jego wyniku będzie zależała od wiarygodności danych wejściowych.<br />
Praca walidacyjna ma polegać na ustalaniu tej wiarygodności przez ćwiczenie<br />
wariantów wykorzystywania CMEM, i przez poszukiwanie innych świadectw<br />
niezależnych na wiarygodność danych wejściowych.<br />
Możliwości wykorzystywania obserwacji SMOS dla celów badań<br />
środowiskowych<br />
SMOS powołano do badania ilościowych miar w wymianie wody między lądami<br />
i oceanami, a atmosferą – dla potrzeb globalnego monitorowania zmiany<br />
klimatu. System globalnej cyrkulacji wody jest jednak bardzo złożony, i bogaty w<br />
różnorodnych zjawiskach atmosferycznych oraz formach materii na powierzchni<br />
Ziemi. Rozróżnianie 216 klas ekosystemów w modelu CMEM jest już pewnym<br />
bogactwem odpowiadającym potrzebom. Skala piksela 35 km jest bardzo gruba,<br />
jak na nasze potrzeby na Ziemi w skalach zjawisk obserwowalnych bezpośrednio.<br />
Trzeba jednak uznać, że obserwacje naziemne – w wielu miejscach, wieloma<br />
środkami, przy zmieniających się technologiach w dużych skalach czasu, najsłabiej<br />
radzą sobie z wyciąganiem wniosków i ocen regionalnych, i ponad regionalnych.<br />
Użyteczność obserwacji naziemnych bezpośrednich jest mocno ograniczona,<br />
i uwarunkowana statystycznie. Dla ocen regionalnych, piksel zobrazowania<br />
35 km (przy paśmie obserwacji do 1000 km), to jednak rozdzielczość nie za gruba,<br />
a pomocna w ocenach statystycznych.<br />
Powierzchnia Ziemi, i kraju jak Polska, jest tak bardzo różnorodna w wielu<br />
aspektach środowiskowych i fizycznych, że ocena materiału danych bardzo wysoko<br />
rozdzielczych przysparza trudności nie tylko warsztatowych (matematycz-
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 127<br />
nie) lecz i stwarza wyzwania koncepcyjne (intelektualnie) w pojmowaniu wartości<br />
uzyskiwanych ocen. Stosunkowo łatwo przychodzą miary wielkości przeliczalnych<br />
obiektami, jak liczebność obiektów czy populacje gatunków. Miary<br />
wielkości materialnie nie przeliczalnych jak bilans wody, energii, przychodzą<br />
znacznie trudniej, zwłaszcza gdy przedmiot oceny – woda, jest zaangażowany we<br />
wszystkie formy materii żywe i nie ożywione. Wtedy koniecznym jest posługiwanie<br />
się wieloma – zmiennymi, i modelami. Ocena SM z danych SMOS będzie<br />
ostatecznie jednoaspektowa, ale znaczenie jej będzie miało charakter integrujący<br />
różnorodność środowiska, przynajmniej w stopniu podstawowym.<br />
Z tego powodu, uważamy że wyniki obserwacji SMOS mogą mieć wielkie<br />
znaczenie dla różnych dziedzin badania środowisk ekologicznych na Ziemi, które<br />
respektują i potrzebują ocen związków czynnika wodnego zresztą zmiennych<br />
charakteryzujących środowiska i dynamikę ich zmian.<br />
Model CMEM jest tylko zbiorczym narzędziem pomocniczym, danym użytkownikom<br />
do pomocy w zadaniu walidowania obserwacji SMOS. Sam system<br />
instrumentu SMOS i system wytwarzania i dystrybucji danych nie będą rozróżniać<br />
klas środowisk, ani używać modelu CMEM. CMEM transformuje wiele<br />
zmiennych środowiskowych w uporządkowaniu przestrzennym, do wielkości<br />
instrumentalnie obserwowanej – BT. Natomiast cel obserwacji SMOS, wymaga<br />
użycia modelu odwrotnego, transformującego wynik obserwacji instrumentu BT<br />
na wielkość zmiennej docelowej SM. Ta transformacja nie będzie dokonywana<br />
przez użycie wielu tych samych modeli elementarnych, ale odwrotnych, jakie<br />
muszą być użyte przy walidacji. Ta transformacja jest dokonywana fizycznie, i<br />
statystycznie przez sensory instrumentu. Podkreślić trzeba zwłaszcza aspekt statystyczny<br />
bo na innej drodze, jest on bardzo trudno osiągalny a bywa niepewny.<br />
Użytkownik danych nie będzie musiał trudnić się wielością modeli emisyjności,<br />
jak wykonawca zadań walidacyjnych. Wynik obszarowej oceny zawartości wody,<br />
z danych SMOS, pozostanie jednak wyzwaniem do wysiłków interdyscyplinarnych,<br />
jakie bez tego wyniku nie znajdowały dotąd należytych podstaw.<br />
Przykładowo, możemy przypuścić, że badania warunków występowania susz<br />
rolniczych, jakie miały bardzo wątłe podstawy w danych meteorologicznych, i w<br />
Polsce, i w krajach bardzo wysoko rozwiniętych, zyskają nowe szanse dla zaprzeczenia<br />
dotychczasowym wnioskom. Możliwe, że ten problem zacznie być rozważany<br />
koncepcyjnie inaczej.<br />
Uważa się również, że bardzo ważny problem oceny bioróżnorodności ekosystemów,<br />
który dotąd bywa marginalizowany wbrew opiniom i decyzjom środowisk<br />
naukowych, może zacznie być stawiany w ściślejszych związkach z metodami<br />
badań środowiskowych satelitarnych. W tych dziedzinach zrobiono wiele,<br />
mimo że w obserwacjach zdalnych można rozróżnić („widzieć”) mniej niż z bliska.<br />
Dzięki technikom spektralnym można jednak wiedzieć więcej o złożoności<br />
procesów, a w konsekwencji wykorzystywania właściwych metod statystycznych
128<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
– oceniać lepiej. Każda technika obserwacji środowiskowych Ziemi podejmuje<br />
wyzwania związane z różnorodnością, a ich finał jest zawsze statystyczny.<br />
Poznanie natury zmienności przestrzennej wyrażonej poprzez mapy właściwości<br />
fizycznych i cieplnych gleby jak i określonych współzależności pomiędzy<br />
nimi pozwoli na porównanie pikseli o określonych wymiarach otrzymanych raz z<br />
pomiarów naziemnych westymowanych czy to metodą krigingu, czy kokrigingu z<br />
pikselami podobnymi otrzymanymi z pomiarów satelitarnych. Zarówno dane<br />
naziemne estymowane, jak i dane otrzymane z pomiarów z poziomu satelity muszą<br />
być ze sobą zgodne w tym samym układzie współrzędnych geograficznych.<br />
Kwestia tej zgodności jest pozornie prosta, natomiast rozmaitość formatów danych<br />
z różnych źródeł, i ich zawartości, wymagają sprawnego posługiwania się<br />
standardami właściwymi bazom danych, i wykorzystywania uznanych praktyk w<br />
posługiwaniu się meta-danymi (dane o danych).<br />
Zadania walidacyjne w SMOS wymusiły na wykonawcach przyswojenie kilku<br />
takich standardów, i świadectwem tego mają być wstępne rezultaty oceny emisyjności<br />
BT, dla Polski, pokazane na Rys. 50. Tak przygotowane dane będą stanowiły<br />
bazę danych do porównań, jak i dalszych analiz.<br />
Uzyskane wyniki analizy zdjęć satelitarnych<br />
Potrzebne do walidacji SMOS dane naziemne, to: – SM (wilgotność gleb),<br />
LST (Land Surface Temperature), ale i – Tp (temperatura gleby w profilu podpowierzchniowym),<br />
oraz Ta2 (temperatura powietrza w profilu nad powierzchniowym<br />
do 2 m), oraz cały szereg danych środowiskowych (meteo) i wegetacyjnych<br />
pozwalających na weryfikację pokrycia terenu, którą uzyskuje się ze zdjęć satelitarnych<br />
optycznych i mikrofalowych.<br />
Ten szereg danych jest znany z listy zmiennych wejściowych dla modelu<br />
CMEM. Na tej liście są również parametry własności elektrycznych i geometrycznych<br />
(przenikalność dielektryczna, nierównomierność powierzchni (Surface<br />
Roughness)), które wiążą się ściśle i z wodą i z metodą pomiaru instrumentu<br />
SMOS. Przenikalność dielektryczna jest wykorzystywana w walidacji na podstawie<br />
bezpośredniego pomiaru wilgotności TDR, i podobnie jak silnie warunkuje<br />
zarówno odbicie radarowe, w warunkach oświetlania, tak warunkuje i emisję<br />
szumu naturalnego z gleby. Przyczyna leży w mocno niesymetrycznej budowie<br />
molekuły wody, która łatwo oddziaływuje z polem elektromagnetycznym.<br />
W IA PAN jest bogate doświadczenie naukowe i techniczne związane z podstawami<br />
fizycznymi metody TDR, z budową instrumentów TDR, i z wykorzystaniem<br />
modeli fizycznych potrzebnych do interpretacji tych pomiarów. To jest duży<br />
i poważny dorobek naukowy IA PAN, zapoczątkowany przez prof. M. Malickiego<br />
jeszcze w latach 80-tych.
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 129<br />
B. Usowicz, IA PAN, rozwinął swoją metodę modelu fizyczno-statystycznego<br />
dla modelowania własności cieplnych gleb, a ten model znalazł wiele uznanych<br />
przedłużeń, między innymi do modelowania własności dielektrycznych gleby, w<br />
związku z zawartością wody. Ten model włączono do wykorzystania w tym projekcie<br />
dla celów walidacji SMOS, i dla przygotowania danych przestrzennych o<br />
stałej dielektrycznej, na Ziemi dla modelu CMEM.<br />
Model CMEM jest narzędziem kompleksowego organizowania i wykorzystywania<br />
danych do walidacji. Natomiast model B. Usowicza jest modelem fizyczno-statystycznym<br />
podstawowym, do krytycznego opracowania danych i nadawania<br />
im kontrolowanej wiarygodności. Są zamiary, i możliwości, włączenia modelu<br />
fizyczno-statystycznego Usowicza, do modelu CMEM, w ramach tego programu<br />
współpracy ze SMOS. Sam instrument SMOS nie potrzebuje modelu przenikalności<br />
gleby jak i modelu CMEM, bo tylko rejestruje efekt pomiaru w postaci<br />
zmiennej BT, podobnie jak nie będzie potrzebował tych modeli użytkownik danych<br />
SMOS. Użytkownik będzie posługiwał się algorytmem przetwarzania BT na<br />
SM, jaki ostatecznie wypracuje i uzna SMOS na podstawie walidacji. Modele są<br />
jednak niezbędne w przeprowadzeniu walidacji.<br />
Jeżeli przenikalność dielektryczna jest niedostępna w prowadzonych badaniach<br />
miejscowych, a bywa rzadko stosowana bezpośrednio przez badaczy środowiska,<br />
to jest ona możliwa do pozyskiwania z innych źródeł danych niezależnych<br />
od SMOS, np. ze zdjęć radarowych ASAR. I tym tematem zajęto się również<br />
w IA PAN, opracowując sposoby weryfikacji modelu przenikalności przez<br />
konfrontację wyników z obserwacjami SMOS i ASAR.<br />
Zasadnicze różnice między zdjęciami radarowymi (ASAR) i radiometrycznymi<br />
(SMOS) polegają nie na różnych rozdzielczościach (odpowiednio 15 m i 35<br />
km), ale na różnej i komplementarnej wartości obserwacyjnej, ze względu na<br />
zdolność do wykrywania reakcji fali EM (Elektro Magnetycznej) z wodą. Obie<br />
metody silnie reagują odpowiedzią instrumentu na wodę, z tej samej przyczyny –<br />
nie symetrii molekuły wody. Różnica leży w użyteczności skutków, i zasadniczo<br />
sprowadza się do dwóch efektów. Pierwszy to efekt komplementarności metod.<br />
Jedna metoda, radar, musi mieć obiekt silnie oświetlony aby badać odbicie w<br />
dobrych warunkach sygnału do szumu. Druga metoda, radiometr, nie korzysta z<br />
oświetlenia „sztucznego” (własnego), lecz bada jak obiekt obserwowany emituje<br />
szum, lub „świeci samoistnie” (szumi). Radiometr SMOS pracuje na częstotliwości<br />
mikrofalowej 1.4 GHz, niskiej, tzn. w zakresie widmowym gdzie gęstość<br />
promieniowania emitowanego (według prawa Plancka) jest coraz niższa, z malejącą<br />
częstotliwością obserwacji. Oznacza to, że radiometr pracuje przy niskim<br />
stosunku sygnału do szumu. Do tego, SMOS stosuje technikę interferometryczną<br />
– zaczerpniętą z radioastronomii, dla wydobywania sygnału właściwego spod<br />
poziomu szumów własnych systemu instrumentu. Tymczasem radar ASAR, pracuje<br />
na częstotliwości 4-krotnie większej, tzn. że jest zdolny do objęcia obserwa-
130<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
cją warstwy cieńszej niż SMOS, z powodu zależności głębokości optycznej od<br />
częstotliwości.<br />
Komplementarność zasad obserwacyjnych przynosi korzyści, bo to co jest gorzej,<br />
albo tylko – inaczej obserwowane radarem, jest inaczej obserwowane radiometrem.<br />
Inaczej, tzn. przy innym udziale szumów, i innych źródłach błędów, i w<br />
tym jest komplementarność.<br />
Różnica częstotliwości determinuje głębokość optyczną na jaką wnika promieniowanie<br />
EM, a więc grubość warstwy gleby pod obserwacją, dla obserwowania<br />
powierzchni lądów. SMOS może oceniać zawartość wody w warstwie<br />
podpowierzchniowej płytkiej (około 5-10 cm, zależnie od zawartości wody), ale i<br />
tak wielokrotnie grubszej niż ASAR. SMOS obserwuje warstwę o nienasyconej<br />
zawartości wody. Zawartość wody w warstwach nasyconych (strefa korzeniowa,<br />
wody gruntowe), stale warunkuje stan warstw nienasyconych wodą, ale przez<br />
procesy wymiany wody w glebie, pozostające poza zasięgiem obserwacji SMOS.<br />
SMOS wykonuje „zdjęcie chwilowe”, procesy postepują w rytmie dobowym, i<br />
dłuższych, a następne zdjęcie przychodzi dopiero po 3-4 dniach. Gleba działa<br />
fizycznie (i statystycznie) integrując efekty, a procesy transportu masy są stosunkowo<br />
wolne. Jeżeli są one szybkie, np. po opadzie i przy silnym nasłonecznieniu,<br />
to za 3-4 dni można liczyć tylko na efekt sumaryczny wszystkich wydarzeń fizycznych<br />
i atmosferycznych tego przedziału czasu. Zdjęcie chwilowe, jest zapisem<br />
stanu zintegrowanego, zawierającym różnorodność zdarzeń, reakcji i procesów<br />
na wielkim obszarze, w domenie przestrzennej, i bez rozróżniania rozmaitości<br />
klas pokrycia terenu. Zarówno instrument SMOS, jak i gleba, działają integrująco,<br />
lecz w innych domenach. Procesy naturalne w obu – i w czasie, i w przestrzeni<br />
zobrazowania, a proces obserwacji – tylko w przestrzeni. Zależności czasowe<br />
pozostają do interpretowania z danych (zdjęcia SMOS). To są te środki<br />
integracyjne, które zapewniają spójność obserwacji – konfiguracyjnie, a którymi<br />
nie dysponuje badacz naziemny, wykorzystujący pomiary bezpośrednie. W badaniach<br />
naziemnych trzeba zabiegać o integrację nakładem pracy interpretacyjnej,<br />
przy coraz słabszych podstawach do integracji. A przestrzenna spójność metody<br />
obserwacji SMOS, jest w istotny sposób wzmocniona technicznie interferencyjną<br />
zasadą tworzenia zobrazowania. Instrument SMOS nie skanuje obszaru obserwowanego,<br />
linia po linii, w porządku czasowym, lecz rejestruje sygnał odbierany z<br />
obszaru wszystkich pikseli w polu widzenia jednocześnie (i to nie jednokrotnie<br />
lecz w wielu spojrzeniach, z kolejnych pozycji satelity), a potem wytwarza zawartość<br />
każdego piksela przez korelacje każdego piksela z każdym. Wartość każdego<br />
piksela, zawiera więc udział wartości wszystkich innych pikseli w polu widzenia.<br />
Obserwacja jest wykonywana w poszukiwaniu związków stanu zawartości wody,<br />
w przestrzeni na podłożu, które są determinowane procesami fizycznymi transportu<br />
wody. Te związki mają być wykrywane w aspektach trendów, gradientów,<br />
ciągłości, i ich wiarygodność zależy od spójności danych z pola widzenia. Nato-
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 131<br />
miast sama obserwacja jest wytwarzana w sposób możliwie najlepiej zapewniający<br />
spójność przestrzenną na poziomie instrumentu. Błąd w dowolnym pikselu, ma<br />
swój wkład błędu (nie jednakowy) do wszystkich innych pikseli. Ale i wiarygodna<br />
wartość określenia któregokolwiek z pikseli, wnosi swoją wiarygodność do<br />
wszystkich pozostałych. W większości instrumentów do obserwacji satelitarnych<br />
zdalnych, ta troska o spójność w polu widzenia jest sprawowana metodami prostszymi<br />
(np. kalibracje radiometryczne), a jej ciężar przenosi się na interpretację<br />
danych po wykonaniu obserwacji. SMOS robi to w dużej mierze na poziomie<br />
samego instrumentu, i w czasie trwania obserwacji.<br />
Anteny SMOS odbierają szum z różnych głębokości pod powierzchnią, bo<br />
wszystkie warstwy głębokie również promieniują. Jednak promieniowanie z<br />
warstw głębokich jest tłumione przez warstwy przypowierzchniowe, i ma swój<br />
mniejszy udział w sygnale odbieranym. Zdjęcia radarowe ASAR są zdeterminowane<br />
statystycznie daleko lepiej od zdjęć radiometrycznych, a jeśli są wykonywane<br />
na 5 GHz, a nie na 1,4 GHz, to mają lepszą rozdzielczość, o rzędy wielkości.<br />
Dlatego zdjęcia ASAR są bardzo odpowiednie dla wydzielania klas pokrycia<br />
wegetacyjnego, i innego, chociaż są mniej związane z wilgotnością, bo głębokość<br />
wnikania jest odwrotnie proporcjonalna do kwadratu stosunku częstotliwości, w<br />
obu metodach. Dla ośrodków gęstych w znaczeniu gęstości masy, głębokość wnikania<br />
jest zwykle znikoma, zwykle znacznie mniejsza od 1 mm. Za to określanie<br />
geometrii na granicach ośrodków, jest zdeterminowane znakomicie. Ośrodki naturalne<br />
są jednak rzadsze w gęstości masy. Czym innym jest gęstość masy drewna,<br />
a czym innym gęstość objętościowa lasu. Dlatego ośrodki pokrywy roślinnej są<br />
przenikane przez promieniowanie EM (i optyczne), zależnie od transformacji<br />
radiacji w ich objętości i zależnie od częstości występowania granic ośrodków, w<br />
strukturach obiektowych o rozmiarach porównywalnych w długością fali, występowaniem<br />
ich w porządkach okresowych, powodowaniem i dopuszczaniem<br />
udziału odbić wielokrotnych, etc. Ta złożoność struktury, faktury, i tekstury<br />
warstw pokryw roślinnych, ma swoje fizyczne i statystyczne miejsce w modelowaniu,<br />
tzn. w sposobach interpretacji i wykorzystania danych. Efektywnie, istnieje<br />
możliwość określania wilgotności gruntu pod np. pokrywą leśną na podstawie<br />
echa radarowego odbieranego przez przesłaniającą warstwę lasu. Jednak zawartość<br />
wody w objętości lasu również staje się celem obserwacji, bo stanowi o całości<br />
zasobu wody obserwowalnej – w „nienasyconej wodą” warstwie lasu, i w<br />
nienasyconej przypowierzchniowej warstwie gleby. Warstwy nasycone są już<br />
zwykle prawie niewidoczne dla radarów do obserwacji środowiskowych, a jeśli<br />
widoczne to stają się bliskie klasom wód otwartych. Te zaś pochłaniają większość<br />
promieniowania, albo dają echa odwzorowujące np. stan falującej lub wzburzonej<br />
powierzchni wód. Metody radarowe, i radiometryczne, wymagają używania innych<br />
modeli – odpowiednio – odbiciowego, i emisyjnego. Każdy typ ośrodka<br />
pokrycia terenu (klasa) wymaga też różnicowania modeli, aby uchwycić zależno-
132<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
ści od tych parametrów jakie je określają w zasadniczych aspektach. Np. modele<br />
emisyjności lasów, w CMEM są bardzo ogólne, i dzielą się najpierw na najgrubsze<br />
typy – tropikalne, borealne. Potem na klasy lasów wysokich i niskich, liściaste,<br />
i iglaste, a dalej różnicują się gęstością biomasy, LAI, fAPAR, i innymi parametrami<br />
środowiskowymi. Podobnie jest z rozróżnianiem klas roślinności nieleśnej.<br />
Tego rodzaju podziały, w istocie generalizujące, nie zasługują na krytykę ich<br />
nieadekwatności do różnych dziedzin badawczych, ale na uznanie celowości ich<br />
podejmowania po to aby uchwycić te własności fizyczne, które są współcześnie<br />
możliwe do obserwacji i modelowania. Wielką zasługą twórców modelu CMEM<br />
jest ich wprowadzenie i uporządkowanie wiedzy o procesach fizycznych i biologicznych,<br />
uchwytnych obserwacyjnie. Inne potrzeby, wykrywania gęstości pokrycia<br />
gatunkami roślin, oceniania występowania siedlisk gatunków flory i fauny,<br />
są też możliwe do zaspokajania odpowiednimi technikami obserwacji spektralnych,<br />
np. metodami hyper-spektralnymi. W tych dziedzinach tworzy się jednak<br />
inne model i środki.<br />
Zdjęcia ASAR można z powodzeniem wykorzystywać do przestrzennie precyzyjnego<br />
wydzielania klas uogólnionych. Klasy pokrycia roślinnego, i ich rozkład,<br />
są to jednak czynniki stałe w regionie – przynajmniej w czasowej skali powtarzania<br />
zdjęć SMOS. Zdjęć ASAR do tego celu trzeba mniej, 1 lub 2 na rok i to<br />
w porze początkowego rozwoju wegetacji. Zdjęć SMOS trzeba wiele, co 3-4 dni,<br />
aby śledzić dynamiczne konsekwencje rozwoju procesów związanych z wodą.<br />
SMOS nie może dać danych o rozwoju procesów biologicznych (ich stanie w<br />
wyróżnionych klasach), i z powodu rozdzielczości 35 km piksela, ale i z powodu<br />
zakresu spektralnego 1.4 GHz. A przecież dynamika rozwoju wegetacyjnego ma<br />
bardzo istotne znaczenie dla rozwoju warunków hyfrologicznych, i musi być śledzona.<br />
Tyle, że to nie zadanie SMOS a zadanie użytkownika danych SMOS, jeśli<br />
jest on zainteresowany związkiem warunków hydrologicznych z procesami biologicznymi.<br />
Do tego musi on wykorzystywać źródła zdalnych obserwacji spektralnych.<br />
W naszym przypadku jest to misja ENVISAT-MERIS.<br />
Procesy wegetacyjne charakteryzuje się wynikami analiz spektralnych (multia<br />
nawet hyper-spektralnych) przy użyciu zmiennych ECV, takich jak NDVI, LAI,<br />
fAPAR, fCover, etc... Analizy spektralne są to postępowania dla ustalania relacji<br />
między wieloma kanałami, więc musi ich być wiele. Analizy elektromagnetyczne<br />
(radarowe i radiometryczne) mają do dyspozycji najwyżej kilka (do 4-rech) kanałów<br />
polaryzacyjnych, na jednej i tej samej częstotliwości, i nie mogą dać informacji<br />
podobnej do indeksów wegetacyjnych NDVI, LAI, fAPAR, fCover. Mogą dać<br />
za to lepszy związek bezpośredni z wodą (w obserwacjach optycznych jest on<br />
odległy poprzez modele, a więc drogą okrężną), i nadzwyczaj wysoką precyzję<br />
przestrzenną, nie mówiąc już o praktycznej niezależności od warunków zachmurzenia.<br />
Wszystkie te techniki obserwacyjne muszą się uzupełniać, i być wykorzystywane.<br />
Łączą je nadrzędne cele obserwacji środowiskowych, i absolutnie nad-
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 133<br />
rzędna potrzeba wykorzystywania prostych i wysokich metod statystycznych.<br />
Niektóre doświadczenia z użytkowania metod statystycznych przenoszą się z<br />
dziedziny polarymetrycznej do spektralne, i odwrotnie, a niektóre pozostają właściwe<br />
wyłącznie jednej z tych dziedzin. Nie można jednak obyć się metodami<br />
statystycznymi wyłącznie prostymi. W tym jest chyba największa przeszkoda dla<br />
wielu nowych użytkowników narzędzi do przyswajania obserwacji satelitarnych i<br />
stosowania ich w praktyce.<br />
Stosownie do częstotliwości, współczynnik odbicia σ 0 zależy od penetracji<br />
promienia na głębokość warstwy gleby, z pokrywą roślinną [144, 145].<br />
Fala elektromagnetyczna może być spolaryzowana w kierunku pionowym (V)<br />
lub poziomym (H). Rejestracja fali odebranej może również być w polaryzacjach<br />
składowych pionowej (V) i poziomej (H), w kombinacjach HH (nadawane H i<br />
odbierane H), lub VV, HV, VH, przemiennie.<br />
Różna jest wrażliwość poszczególnych polaryzacji na zawartość wody w glebie<br />
i w roślinności. Jest też istotna wrażliwość polaryzacji sygnału na elementy<br />
(np. drzewa) pionowe, powtarzające się okresowo w przestrzeni, i powierzchnie<br />
ciągłe i zmienne, z okresowością zmienności przestrzennej, którą określa się<br />
przez szorstkość powierzchni obserwowanej. Zdjęcia radarowe nie wymagają, tak<br />
jak zdjęcia optyczne, oświetlenia słonecznego. Radar oświetla obiekt sam, i to w<br />
zakresie widmowym zapewniającym przezroczystość atmosfery. Ani chmury, ani<br />
mgła, ani pora dnia czy nocy, nie są przeszkodą dla uzyskiwania udanych obserwacji,<br />
mimo że te czynniki wnoszą swój wkład do odpowiedzi instrumentu radarowego,<br />
i zależnie od celu interpretacji, wymagają różnych korekcji. Niezależność<br />
od warunków atmosferycznych i pory dnia, umożliwia prowadzenie obserwacji<br />
tak często, jak pozwala na to obecność satelity nad danym obszarem, i przyjęcie<br />
przez operatora satelity, zamówienia użytkownika na obserwacje (np. ESA, na<br />
pracę instrumentu ENVISAT).<br />
Do badań wykorzystano fragment obrazu radarowego Polesia, obejmujący obszar<br />
szerokości geograficznych od 51°20' N do 51°29' N i długości geograficznych<br />
od 23°09' E do 23°21' E (Rys. 54). Obraz ten został wykonany przez ASAR<br />
30 sierpnia 2007 r. w polaryzacjach HH iVV, z rozdzielczością 30 m.
134<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
a)<br />
b)<br />
c)<br />
28 km<br />
Rys. 54. Geolokowane zdjęcie ASAR APP HH/VV: a) dane surowe, kalibrowane, b) dane filtrowane,<br />
z wielokrotnym spojrzeniem (Multilooking ML3), c) powiększenie obszaru badań zdjęcia filtrowanego<br />
b). Wybrane pola testowe do geostatystycznej analizy stałej dielektrycznej, zaznaczono<br />
prostokątami (od północy obszar Krowiego Bagna, od południa obszar Bagna Bubnów).
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 135<br />
Rys. 55. Ten sam przykład zdjęcia po filtracjach, uwidacznia możliwość rozróżniania klas, pomimo<br />
ograniczonej dynamiki współczynnika odbicia, tu w mierze logarytmicznej zaledwie około 10dB<br />
(legenda)<br />
Na Rys. 54, 55 pokazano rezultaty stosowania wyłącznie filtracji zdjęć. Lasy<br />
dają duże odbicie, widać je jasno. Obszary wilgotne pochłaniają fale sondującą<br />
radaru, są ciemne a wody otwarte zupełnie czarne. Zdjęcia ASAR mają strukturę<br />
ziarnistą, bo ziarna są wynikiem złożonego, wielokrotnego odbijania fal i ziarna<br />
(speckle) są złożeniem składowych o różnie zmienionym stanie polaryzacji. Nominalny<br />
rozmiar piksela ASAR jest 12,5 m, ale z powodu ziarna rozdzielczość<br />
zdjęcia jest około 30 m. Zdjęcia surowe są nisko kontrastowe, a ich szczegóły<br />
mimo że obecne, giną w różnych zakłóceniach systemowych własnych i środowiskowych<br />
powodowanych obecnością różnorodnych obiektów w w środowisku.
136<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
Dane wymagają szeregu filtracji dedykowanych celom – wykrywania długich<br />
trendów, zachowywania gradientów, i odziarnienia, które je przykrywa. Ostateczna<br />
interpretacja wymaga wyróżnienia klasterów i klasyfikacji. Przykład zdjęcia<br />
sklasyfikowanego przedstawiono na Rys. 52, 53.<br />
Klasyfikację prowadzi się po to aby każda z klas mogła być przeliczona w zajętości<br />
powierzchni. Klasyfikacja powoduje, że histogramy zmieniają charakter z<br />
gęstego (prawie ciągłego) na dyskretny, o przyjętej liczbie klas. Ocena rozproszenia<br />
międzykanałowego wartości pikseli staje się już niepotrzebna. Wybór metody<br />
klasyfikacji może zależeć od typu obserwacji. W tym przykładzie zastosowano<br />
klasyfikację Wisharta, dostosowaną w oprogramowaniu PolSARpro do zdjęć<br />
polarymetrycznych ASAR z dwiema polaryzacjami przełącznymi APP (Alternated<br />
Partial Polarisations). Dwie polaryzacje w zdjęciach ASAR APP oznaczają<br />
ograniczenie analizy polaryzacyjnej do składowych radiometrycznie natężeniowych.<br />
W innych zdjęciach niż z ENVISAT, np. ALOS, RADARSAT-2, Terra-<br />
SAR-X możliwe są 3 i 4 kanały polaryzacyjne, co otwiera daleko większe możliwości<br />
klasyfikacyjne. Jednak liczba klas jest zawsze ograniczona, i 16 klas wydaje<br />
się praktyczną granicą górną. Lepsze możliwości polaryzacji pełnych (Full<br />
Polarisations) przynoszą korzyści w przyporządkowaniu przestrzennym klasyfikacji,<br />
przez determinowanie klasterów pikseli, oparte na lepszych rozróżnieniach<br />
tekstury, możliwościach lepszego określania grubości pokrywy leśnej, i innych<br />
związkach ze zmiennymi środowiskowymi ECV.<br />
Podany przykład dobrze wykazuje związek klas z siecią hydrograficzną, determinowaną<br />
przez morfologię dzięki wrażliwości sygnału elektromagnetycznego<br />
na zawartość wody.<br />
Nastąpiło podstawienie zdjęcia – obrazem, o rozdzielczości zredukowanej.<br />
Klasyfikacja jest po to aby dać możliwość wypracowania miar statystycznych, a<br />
obraz jest tylko jej produktem pomocniczym. Dobrze wykonana klasyfikacja<br />
powinna dawać wynik ocen zajętości klas, mało wrażliwy na rozdzielczość obrazu.<br />
Klasyfikację prowadzi się oknami, można nawet dużymi, a wtedy obraz końcowy<br />
może przyjmować postać bardzo schematyczną. Jedne klasy mogą zyskiwać<br />
nowe piksele, inne będą je tracić, ale wynik statystyczny w rozkładzie pikseli<br />
pomiędzy klasami powinien być stabilny. Interpretacja zdjęć satelitarnych,<br />
zwłaszcza dla walidacji SMOS, ma dać oceny ilościowe. Np. odpowiadać na pytania<br />
– Ile wody „widać” na zdjęciu, w miarach absolutnych, i jak te miary rozumieć<br />
Albo, stawiając cel różnicowo – Ile wody ubyło albo przybyło na obserwowanym<br />
obszarze, w miarach absolutnych, od czasu wykonania jednego zdjęcia<br />
do kolejnego Dopiero takie odpowiedzi ilościowe mogą zyskać związek z tym<br />
co dzieje się z klimatem w dłuższych przedziałach czasu, lub jak przestrzennie<br />
zachodzą w regionie zmiany sezonowe.
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 137<br />
Taki jest ogólny schemat postępowania interpretacyjnego, z użytkowego<br />
punktu widzenia. Jest jednak i aspekt szczególny, statystyczny tego postępowania.<br />
Polega on na kontroli zmieniającego się z przetwarzaniem, rozproszenia wartości<br />
zmiennych w pikselach, między kanałami.<br />
Przykłady rozproszenia międzykanalowego w zdjęciach MERIS<br />
Przykładowe rozproszenia między kanałami spektralnymi MERIS, pokazane<br />
na Rys. 56, są tym węższe zakresami radiancji, im kanały są bliższe sobie spektralnie.<br />
Pożądanym jest aby źródło danych surowych charakteryzowało się szerokim<br />
zakresem rozproszenia, a zbiór pikseli tworzył skupienie w formie wypukłej<br />
chmury. Im większy zakres i wypukłość zbioru, tym więcej można wydobyć informacji<br />
źródłowej o obiekcie obserwowanym.<br />
Rys. 56. Przykład typowego skupienia/rozproszenia wartości pikseli zdjęć optycznych MERIS dla<br />
dwóch wybranych par kanałów porównywanych 1, 13 i 9,13. Wartości w kanałach spektralnych są<br />
zwykle wyrażane liniowo.<br />
Przykłady rozproszenia międzykanalowego w zdjęciach ASAR, pokazane na<br />
Rys. 57, wskazują że piksele w zdjęciach radarowych, zachowują się inaczej, co<br />
wskazuje na większą zdolność tej techniki obserwacji do determinowania obrazu i<br />
zawartej informacji. Nie oznacza to bezwzględnej supremacji techniki ASAR nad<br />
spektralną, bo technika spektralna jest spektralnie wrażliwa na skład materii<br />
obiektu, a technika mikrofalowa bardziej na warunki brzegowe w postaci granic<br />
ośrodków propagacji. Aspekt wrażliwości spektralnej na skład materii jest w<br />
technikach mikrofalowych trudniejszy do wykorzystania, bo wobec niższych<br />
częstotliwości od pasm optycznych, reakcje z falą sondującą na poziomie moleku-
138<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
larnym są oddawane w obserwacji słabiej, technicznie są trudniejsze do wydobycia,<br />
a przy tym są i mniej poznane.<br />
Rys. 57. Przykład typowego skupienia/rozproszenia wartości pikseli zdjęć ENVISAT-ASAR, przed<br />
kalibracją i korekcjami radiometrycznymi, dla dwóch jedynie dostępnych kanałów polaryzacyjnych<br />
w modzie APP (w tym zdjęciu HV i HH). Te same dane przedstawiono dwukrotnie, w miarach<br />
liniowych (z lewej) i logarytmicznych (w [dB], z prawej). Rozkłady skupienia ilustrują wniosek, że<br />
zdjęcia ASAR charakteryzują się prawie idealnym spełnianiem postulatu PCA (Principal Component<br />
Analysis) aby zbiór skupienia był szeroki w zakresach zmiennych kanałowych, i wypukły.<br />
Wtedy zdjęcie daje duże możliwości wydobycia treści informacyjnej w obrazie, i w jego klasyfikacjach.<br />
Wpływ kalibracji i filtracji na rozproszenie wartości pikseli<br />
Postulat PCA (Principal Component Analysis) o zakresie i wypukłości zbioru<br />
rozproszenia (lub skupienia) pikseli, jest spełniany przez zdjęcia ASAR prawie<br />
doskonale. Chociaż w dziedzinie zdjęć mikrofalowych nie stosuje się miar<br />
zmiennych liniowych, to z lewej pokazano skupienie w miarach liniowych, aby<br />
można je było oceniać podobnie do liniowych miar radiancji MERISa. Jednak<br />
miary logarytmiczne (zmienne w [dB], po prawej) pokazują różnice między<br />
ASAR i MERIS, najpełniej.
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 139<br />
Rys. 58. Wykres skupienia wartości pikseli tego samego zdjęcia ASAR (polaryzacje HV i HH), po<br />
kalibracji i korekcjach radiometrycznych (z lewej), i po szergu filtracji (filtr Frosta) przygotowujących<br />
je do klasyfikacji (z prawej). Filtracja rozgrupowuje piksele według wartości liniowo.<br />
Sama kalibracja wprowadza do zbioru pikseli ASAR, niewielkie uporządkowanie.<br />
Wykres na Rys. 58 (z lewej) reprezentuje wszystkie piksele obrazu ASAR,<br />
w tym nieliczne tylko odpowiadają współczynnikowi odbicia echa maksymalnego<br />
mod(σ 0 ) = 1, czyli dla części obszarów zabudowanych, odbicia od płaszczyzn<br />
metalowych, itp. Te piksele sięgają 0 dB, od dołu. Piksele poza granicą 0 dB, są<br />
wyraźnymi zakłóceniami systemu, i nie zostały jeszcze odfiltrowane. Natomiast<br />
więcej było w obrazie pikseli ech bardzo niskich, np. od wód otwartych i obszarów<br />
mokrych, nasyconych. Te piksele tworzą grupę na poziomie poniżej –25 dB,<br />
choć są zbyt liczne, jak na zawartość obrazu. Wiele z nich to po prostu szumy.<br />
Cały wykres zajmuje zakres dynamiczny około –40 dB, co nie odpowiada dynamice<br />
ASAR. Wiadomo, że ta dynamika nie przekracza rozpiętości 20 dB. Kalibracja<br />
nie zmienia jednak charakterystyki obrazu. Ten zawiera wiele szumów i<br />
zakłóceń, i w skupieniu głównym o rozpiętości około 20 dB, i w jego obu przedłużeniach.<br />
Wykres rozproszenia po szeregu różnych filtracji (z prawej) ilustruje efekty<br />
segregacji pikseli na grupy według wartości kanałowych, w kilku odrębnych skupieniach.<br />
W tym jest sens przygotowywania zdjęcia do klasyfikacji za pomocą<br />
filtracji. Stopień skupienia w grupach, i odstępy pomiędzy nimi, mogą stanowić o<br />
kontrastach obrazu. Liczba grup pokazuje możliwości klasyfikacji.<br />
Filtracją trudno osiągnąć więcej niż kilka (np. 8) grup/klas. Ten przykład odnosi<br />
się do filtracji prowadzonych na poszczególnych kanałach oddzielnie. Trzeba<br />
zwrócić uwagę na podobieństwo skupień grup. Kształty skupień są podobne, co<br />
wskazuje że jest on jednakowym śladem sumarycznej charakterystyki filtrującej,
140<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
pozostawionym na wszystkich grupach. Stąd wniosek, że zbyt głębokie i agresywne<br />
filtrowanie, kształtuje obraz na miarę środków i może go pozbawiać subtelniejszych<br />
związków. Wszystkie grupy układają się w jeden łańcuch liniowo,<br />
dlatego że filtracje były prowadzone oddzielnie na kanałach. Dopiero zastosowanie<br />
filtrów działających na oba kanały kompleksowo, prowadzą do dalszych separacji<br />
grup już poza wspólną prostą, która jest prostą korelacji między zawartością<br />
kanałów. A między pikselami obu kanałów zachodzą jeszcze związki złożone,<br />
wynikające ze złożoności obiektu obserwowanego. To są związki z liczebnością<br />
obiektów materialnych (np. pnie drzew, liście, w ogóle roślinność), ich rozmaitością<br />
materialną i geometryczną, oraz najważniejsze – okresowością przestrzenną,<br />
czyli powtarzaniem się form.<br />
Jest wiele innych filtrów, i ich cała systematyka podporządkowana różnym celom<br />
przetwarzania. Chętnie stosowano w tej pracy filtr Lee, który prowadzi filtracje<br />
w obu kanałach jednocześnie, i ujawnia przynajmniej część takich współzależności<br />
(część dlatego, że zdjęcie miało tylko 2 polaryzacje przełączane, a nie 3-<br />
4 tzn. polaryzację pełną).<br />
Filtracje są jednak tylko środkiem przetwarzania wstępnego – dla redukcji<br />
szumów i zakłóceń, oraz dla przygotowania klasyfikacji. Taką operacją przygotowawczą<br />
jest również technika spojrzeń wielokrotnych (Multi-Looking), która<br />
radykalnie podnosi kontrasty, kosztem redukcji rozdzielczości. Tylko bardzo<br />
grube cele interpretacyjne mogą być zaspokojone filtracją.<br />
Klasyfikacja<br />
Interpretacje zdjęć prowadzi się zwykle dla ich klasyfikacji. Cel klasyfikowania<br />
zdjęć polega na tym aby zdjęcie przetworzyć do postaci – a) z jednej strony<br />
możliwej do sprawnego wytworzenia ocen, rozróżnień i miar statystycznych ilościowych,<br />
– b) z drugiej strony, aby przekształcić je do mapy, która może być<br />
wypełniona symbolami, a przynajmniej skończoną liczbą klas pikseli jednakowych.<br />
Klasom przypisywane są najpierw indeksy rozróżniające, a dopiero potem<br />
nadawane wartości miar, za pomocą modeli fizycznych.<br />
Tymczasem zdjęcie zawiera ogromny zbiór pikseli o wartościach dowolnych<br />
w zakresie transmisji danych, przy dużej obecności szumów i zakłóceń, i jest<br />
jeszcze słabo czytelne, zarówno w odbiorze bezpośrednim, jak i w obliczeniach<br />
do ocen statystycznych.<br />
Przedstawione wykresy skupienia (Rys. 56, 57) w domenie zmiennych kanałowych,<br />
dają wstępną ocenę przewidywanych możliwości celowego przetwarzania.<br />
Skupienia abstrahują od rozkładów związków przestrzennych, i od obrazu, za<br />
to dają możliwość przewidywania wydobywania informacji niezależnej. Zwykle<br />
ocenia się skupienie wartości między dwoma kanałami. Zdjęcia zawierają conajmniej<br />
dwa (a nawet do kilkudziesięciu, i więcej kanałów w technikach hyper-
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 141<br />
spektralnych). Jeśli tych kanałów jest niewiele, to interpretacja merytoryczna<br />
wymaga wytworzenia kanałów nowych (modelowanie), lub ich importowania.<br />
Klasyfikacje głęboko skuteczne, są zwykle wieloaspektowe, tak jak wszelkie<br />
obserwacje w innych technikach. Dla ich uwzględniania trzeba więc wytwarzać<br />
istotne zmienne (kanały), w tym zmienne środowiskowe ECV, ale również i model<br />
elewacji terenu.<br />
Zmienne obserwacyjne bezpośrednie, tzn. radiancje, reflektancje są narzucone<br />
metodą pomiaru, i koniecznymi kalibracjami. To są aspekty techniczne, instrumentalne.<br />
Niektóre z nich wymagają modelu elewacji terenu, do niezbędnych<br />
korekcji radiometrycznych uwarunkowanych geometrią, np. w zdjęciach radarowych.<br />
W zdjęciach optycznych, związek z modelem elewacji bywa jednak podejmowany<br />
rzadziej, jeśli jest pewność, że obraz płaski ma wystarczająco niewielkie<br />
zniekształcenia przy rzutowaniu na geoidę. Wiele zdjęć może zadowalać<br />
się projekcją na elipsoidę, dla terenów płaskich i obserwacji bliskich kierunkowi<br />
nadir, można zaniechać korekcji terenowej. Ortorektyfikacja może zakończyć się<br />
na korekcjach skutków zmieniającego się kąta widzenia poszczególnych pikseli.<br />
Jednak nawet w takich interpretacjach, w których w grę wchodzą oceny wodne,<br />
związek wartości kanałowych z procesami odpływu wody jest podstawowy, i<br />
uwzględnienie korekcji na elewację, może dawać ujawnienie związków z elewacją<br />
w sposób pośredni – przez determinowany elewacją skład gleb, pokrycia roślinnego,<br />
i jego charakterystyk środowiskowych. Takie związki mogą ujawniać<br />
się niewyłącznie przez korekcje geometryczne, ale w procesie klasyfikacji. Odpływ<br />
wody ma np. dynamikę określaną szeregiem innych procesów przejmujących<br />
kontrolę nad przynajmniej jego częścią. Ta złożoność powinna być ujawniona<br />
w obserwacji zdalnej, na ile pozwala zasada instrumentu, ale powinna być<br />
również celem interpretacji. Okazuje się, że klasyfikacje są w stanie ujawniać<br />
przynajmniej część związków takiej złożoności środowiska. Można je wykrywać<br />
pomiędzy istotnymi zmiennymi (ECV), których trzeba używać w interpretacji.<br />
Wiedza o istotności zmiennych ECV jest bardzo bogata, a są i nadrzędne dokumenty<br />
GCOS rekomendujące [46] te zmienne, i nawet ich hierarchię istotności dla<br />
badań w kierunkach związanych ze zmianą klimatu. Współcześnie, nie można się<br />
obyć bez tej wiedzy, i pozostawać przy prostym oglądzie zdjęć.<br />
Przygotowaniom do klasyfikacji służą techniki PCA (Principal Component<br />
Analysis), dostosowane do poszczególnych metod klasyfikacji. Klasyfikacje zaś<br />
są ogólnie: – nadzorowane, i – nie nadzorowane, czyli automatyczne. To jest rozróżnienia<br />
użytkowe, niezależne od natury metody obserwacyjnej. Dalsze rozróżnienia<br />
są już związane ściślej z metodą obserwacji, typem danych, i podporządkowaniem<br />
poszczególnym celom analizy. Za takie metody uważa się np. te oparte<br />
na ocenie entropii i/lub anizotropii (zobrazowania) w zależności od zmiennych<br />
obserwacyjnych.
142<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
Zagadnienie klasyfikacji rozwiązuje się w jeszcze innej dziedzinie niż przestrzeń<br />
obrazowa, i nie tej samej co statystyczna ocena skupienia, lub rozproszenia<br />
wartości kanałowych. Jest to dziedzina wielowymiarowej przestrzeni zmiennych<br />
ECV. Wiele zmiennych może określać stan piksela. Wśród nich mogą być zmienne<br />
kanałowe, ale mogą też być wyłącznie zmienne środowiskowe.<br />
Ważniejszy, bo bardziej uniwersalny, jest jednak aspekt statystyczny klasyfikacji.<br />
Nie sama istotność zmiennych, decyduje o efekcie analizy, lecz i to jakie<br />
metody statystyczne są wykorzystywane do oceny postępów przetwarzania w<br />
klasyfikacji. Okazuje się, że właściwie wszystkie metody przetwarzania, są statystyczne.<br />
W tej pracy wykorzystano tylko metody najprostsze – metody filtracji dla odziarniania<br />
obrazu (filtry Box-Car, Gauss, Lee), oraz metodę kompleksowej metody<br />
klasyfikacji Wisharta, w zdjęciach ASAR-APP. Metodę Wisharta stosowano w<br />
jej wariancie uproszczonym, w trybie nadzorowania przez pobieranie próbek „natężeniowych”,<br />
tak jak to zaproponowali E. Pottier i J. S. Lee, w pakiecie narzędziowym<br />
PolSARpro [115]. Uzyskane rezultaty, jak na Rys. 52, 53, są jednak na<br />
tyle wartościowe, że służą nam do – a) wykorzystania ich dla wytworzenia bitowych<br />
masek klas pokrycia terenu, i następnych ocen zmiennych środowiskowych,<br />
oraz do – b) sformułowania potrzeb dla do wprowadzenia metod wyższych, w<br />
dalszym rozwoju projektu. Dlatego, powyższe uwagi ogólne o klasyfikacji, mają<br />
dla nas znaczenie porządkowania zebranego doświadczenia.<br />
W pracy wykorzystywano narzędzia otwarte (open, darmowe – programy<br />
NEST [42, 101], BEAM [4]), zawierające gotowe do użycia algorytmy przetwarzania<br />
na wszystkich poziomach – od kalibracji i korekcji radiometrycznych,<br />
przez szereg filtrów do odziarniania zdjęć ASAR, aż po narzędzia PCA, i klasyfikacji,<br />
przy wyborze celu analizy. Tymi narzędziami wydzielano klasy stałego<br />
pokrycia terenu, występujące typowo na Polesiu lubelskim.<br />
Wykorzystano tylko kilka zdjęć ASAR, dla Polesia i Podlasia, z lat 2003-<br />
2009. Jest dobry dostęp do nielimitowanej liczby zdjęć ESA ENVISAT-MERIS, i<br />
-AATSR, dla zadań spektralnych, w projektach EOPI Cat-1 [40]. O taki dostęp<br />
dla celów naukowych, trzeba zabiegać prze portal EOPI, a nam udostępniono je<br />
dla bieżącego projektu Cat-1 SMOS-3275, na walidację obserwacji SMOS. Zdjęć<br />
radarowych dla Polesia/Podlasia było wprawdzie niewiele, ale one mają nam<br />
służyć nie do monitorowania terenu, lecz do wydzielenia klas stałych. Klasy stałe<br />
to pewien stabilny wzór przestrzenny pokrycia roślinnego i użytkowania terenu.<br />
Oceny zmiennych środowiskowych będą prowadzone na zdjęciach spektralnych<br />
MERIS. Te zaś są nam dostępne w większej liczbie, bo MERIS wykonuje regularne<br />
obserwacje wg schematu skanowania globalnego. Zdjęcia pełnej rozdzielczości<br />
ASAR (FR, Full Resolution), wykonuje się na zamówienia indywidualne.<br />
Trudno jest uzyskać dostęp czasu pracy instrumentu ASAR, kiedy jest on mocno
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 143<br />
zajęty programami globalnymi. Są wprawdzie zdjęcia ASAR WS (WS – Wide<br />
Swath) dostępne regularnie, jak MERIS, lecz dla jednej polaryzacji, i z rozdzielczościami<br />
bardzo wielkoskalowymi. One nie mogą służyć do klasyfikacji pokrycia<br />
terenu. Można jeszcze prowadzić klasyfikacje na zdjęciach MERIS (300 m),<br />
lecz zdjęcia ASAR APP FR mają rozdzielczość większą, nominalnie 12,5 m, lecz<br />
zredukowaną do 30 m z powodu ziarnistości, a faktycznie, zredukowaną użytkowo<br />
do 62,5 m, z powodu stosowania techniki „multi-looking” (N = 5, czyli do<br />
około 100-200 m), i stosowania klasyfikacji Wisharta. Te ograniczenia rozdzielczości<br />
są akceptowalne, przy późniejszym wykorzystywaniu zdjęć MERIS.<br />
Efektywnie, MERIS jest źródłem ocen środowiskowych. Dostępność zdjęć<br />
MERIS jest jednak ograniczona zmiennymi warunkami zachmurzenia, i ostateczne<br />
efekty monitorowania „wodnego”, przyjdą dopiero ze SMOS, rytmicznie co 3-<br />
4 dni.<br />
Skuteczność wykorzystania źródeł obserwacji, stosowania tych metod prostych,<br />
i w zamierzeniach – wyższych, zależy od stopnia osiąganej sprawności w<br />
stosowaniu dostępnych publicznie narzędzi.<br />
Nie jest to sprawa prosta, chociaż wszystkie narzędzia są gotowe do użycia.<br />
Ograniczenia powstają wtedy, gdy trzeba określić własną drogę, i sukcesywnie<br />
oceniać postępy w przetwarzaniu tak by dochodzić do wartościowych wyników.<br />
Jest wiele stopni swobody w prowadzeniu analizy, które pozostają w gestii użytkownika<br />
– np. w wyborze liczby klas, wyborze zmiennych źródłowych do klasyfikacji,<br />
i w ich definiowaniu (modelowaniu) – jeżeli są to zmienne inne niż kanałowe,<br />
oraz w ewentualnym wyborze wielkości okien klasyfikujących, przy prowadzeniu<br />
ocen prawdopodobieństw przydziału pikseli w klasach. Ta swoboda<br />
wyborów użytkownika, jest w istocie wymaganiem właściwego rozumienia i stosowania<br />
narzędzi statystycznych. Jeśli tego rozumienia brakuje w wybranych<br />
aspektach statystycznych podstawowych, to łatwo o wyniki klasyfikacji nieadekwatne<br />
do celu i jakości danych w zdjęciach. Narzędzia wykorzystują metody<br />
bardzo zaawansowane, których budować samemu nie trzeba, ale ich skutki działania<br />
muszą być oceniane stosownie do metod. Cały ciąg przetwarzania, nie jest<br />
gotowy. Trzeba go konstruować decyzjami użytkownika, stosownie do jego wiedzy<br />
statystycznej podstawowej, oraz stosownie do wiedzy o terenie. Narzędzia są<br />
obiektywne, ale warunki dla ich zastosowania mają znaczny stopień swobody, i<br />
stąd wynika możliwość uzyskiwania wyników obciążonych błędami subiektywnych<br />
ocen przy kolejnych decyzjach w przetwarzaniu. Ocen postępu w przetwarzaniu,<br />
i ustalania warunków przetwarzania w kolejnych fazach, nie można przenosić<br />
bezkrytycznie z innych aplikacji, bez znajomości statystyki i własnego terenu.<br />
Przykładem może być włączanie lub nie włączanie modelu elewacji DEM, do<br />
klasyfikacji.<br />
Pewne klasyfikacje zachodzą trudno, są niezadowalające dopóki nie włączy<br />
się w nie kanału DEM. Ale samo włączenie DEM, też nie daje efektu, jeśli klasy-
144<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
fikacja poza DEM, była prowadzona tylko na kanałach bezpośrednich. Pokonaniu<br />
tych trudności pomagają kolejne ćwiczenia, w wyborze zmiennych, typów i głębokości<br />
filtracji. Nieodzownym jest jednak pojmowanie znaczenia wykorzystywania<br />
N-wymiarowej przestrzeni zmiennych, gdy zachodzi taka potrzeba w klasyfikacji.<br />
Oceny zbiorów skupienia/rozproszenia wartości kanałowych są prowadzone w<br />
układzie dwóch współrzędnych kanałowych, bo tak je można oceniać dla każdego<br />
pojedynczego związku, na płaszczyźnie 2D. Jeśli jednak tych związków jest więcej<br />
niż w jednej parze zmiennych, a np. pomiędzy zmiennymi środowiskowymi<br />
LAI, fCover, fAPAR, a może nawet więcej, to wtedy zbiór skupienia na płaszczyźnie<br />
2D określonej parą zmiennych, przybiera kształty złożone, rozbudowane,<br />
lub rozgrupowane. Wtedy wynik przetwarzania jest wielo-wymiarowy, choć oceniamy<br />
go na zbiorze w dziedzinie 2D. Takie przykłady jak na rysunkach poniżej,<br />
świadczą przynajmniej o tym, że zawartość informacyjna w pikselach obrazowych<br />
jest dość pokaźna, i zmiennych środowiskowych potrzeba więcej niż dwie<br />
zmienne kanałowe. Z porównania skupień/rozproszeń po filtracji, zwłaszcza prowadzonych<br />
na kanałach bezpośrednich rozdzielnie, wynika wniosek – w zdjęciu<br />
może być więcej istotnych związków fizycznych niż ten pomiędzy dwoma kanałami,<br />
a ich identyfikacja jest możliwa na drodze badania – korelacji i kowariancji<br />
między kolejnymi produktami przetwarzania danych. Oceny muszą postawać<br />
według zasad statystyki.<br />
W grę wchodzą kolejne zmienne statystyczne. Mogą one mieć swoje znaczenia<br />
fizyczne i środowiskowe, ale statystyczne znaczenia mogą opisywać wyłącznie<br />
relacje między kolejnymi produktami przetwarzania. Przy danych radarowych<br />
polaryzacyjnych, dochodzi nowy związek między zmiennymi – czas lub faza.<br />
Wtedy wchodzi w grę – koherencja między produktami. Korelacje i kowariancje<br />
nie wymagają określania związków czasowych pomiędzy kanałami klasyfikowanymi.<br />
Zdjęcia są zawsze związane z ustalonym czasem ich wykonywania, a więc i<br />
kanały, i produkty pośrednie przetwarzania, mają to samo przywiązanie do czasu,<br />
nawet jeśli były składane przez ściśle kontrolowany skończony czas interwału<br />
skanowania. Koherencja odnosi się do związków czasowych pomiędzy pikselami<br />
tego samego obrazu, przez związki fazowe wartości zespolonych w pikselach. W<br />
zdjęciach spektralnych, wartości pikseli są rzeczywiste, w mikrofalowych – zespolone.<br />
Zasada samego pomiaru – elektromagnetycznego, i radarowego (SAR), i<br />
radiometrycznego (SMOS), wymaga prowadzenia zmiennych zespolonych. Stąd<br />
wynika możliwość badania macierzy koherencji. Jest to zasadnicza odmienność<br />
względem zdjęć spektralnych, które mimo że też są radiometrycznymi pomiarami<br />
radiancji lub reflektancji, to jednak wyrażają zmienne w dziedzinie wartości rzeczywistych.<br />
Zaawansowane narzędzia przetwarzania, są na tyle kompletne, że<br />
użytkownik nie musi wiele wiedzieć o szczegółach teoretycznych metody. Musi
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 145<br />
jednak wiedzieć, że ma ustalić określony typ relacji między produktami jakie<br />
wytwarza, i przynajmniej rozpoznawać jakie ma ona znaczenie statystyczne.<br />
Wreszcie na koniec tego rozdziału, trzeba podkreślić wyjątkowe znaczenie,<br />
jakie ma aspekt polarymetryczny wykorzystywania zdjęć mikrofalowych. Ujawnia<br />
się on w możliwości badania koherencji. Polarymetria nie ma swoich praktycznych<br />
zastosowań w dziedzinie obserwacji zdalnych spektralnych. Jest za<br />
trudna na to aby prowadzić kontrolę stanu polaryzacji fal optycznych, i utrzymywać<br />
ją w dziedzinie zmiennych zespolonych, z powodu bardzo małej długości fal<br />
optycznych. Przyczyny ograniczeń są techniczne. Za to polarymetria mikrofalowa<br />
– radarowa, i radiometryczna, są w tym kierunku bardzo zaawansowane.<br />
Potrzeba rachunku zespolonego, wynika z posługiwania się wektorem Stokesa.<br />
Wektor Stokesa określa stan polaryzacji fali. Aby określić stan polaryzacji po<br />
odbiciu fali od punktu odbicia/rozproszenia, trzeba definiować jak ten punkt<br />
obiektu (piksel) transformuje stan polaryzacji, czyli zmienia wektor Stokesa, z<br />
promienia fali przed odbiciem na promień fali po odbiciu. Wektor Stokesa ma 4<br />
wyrazy, które są wynikiem mnożenia hermitowskiego odpowiednich 3 składowych<br />
polaryzacji. Do tego, zmienne muszą być wyrażone jako zespolone, aby dla<br />
ich mnożenia można było poprawnie posługiwać się ich wartościami sprzężonymi<br />
(i transponowanymi), i otrzymywać złożenie 4-elementowego wektora Stokesa.<br />
Wektor Stokesa opisuje wyczerpująco stan polaryzacyjny fali. Dla określenia<br />
charakterystyki polaryzacyjnej odbicia (piksela), trzeba mieć dobry sposób na<br />
opis transformacji stanu polaryzacyjnego. Jest kilka konwencji w przedstawianiu<br />
transformacji wektora polaryzacji, jedne są właściwe optyce, inne są właściwe<br />
technikom radarowym.<br />
Zmienne kanałowe zdjęć optycznych są wyrażane liczbami rzeczywistymi, o<br />
znaczeniu radiancji, tzn. w miarach spektralnej gęstości mocy.<br />
Zmienne kanałowe zdjęć elektromagnetycznych są wyrażane liczbami zespolonymi,<br />
też w znaczeniu miar gęstości mocy. Za miarę amplitudy uważa się pierwiastek<br />
z mocy (tzw. fale mocy), a za miarę natężenia (Intensity) uznaje się moc.<br />
Jednak dane przedstawia się nie modułem i fazą, lecz modułem jako amplituda, i<br />
czasem propagacji fali echa (w [ns]), co przenosi się obliczeniowo na fazę jako<br />
drugi element zmiennej zespolonej.<br />
Relacja odbicia fali jest wyrażana nie mianowanym współczynnikiem odbicia<br />
(o module z przedziału [0-1] jeżeli odbicie jest pasywne). Jest to relacja zespolona<br />
między dwoma wartościami zespolonymi.<br />
Relacja stanu polaryzacji przed odbiciem do stanu polaryzacji po odbiciu jest<br />
wyrażana jako transformacja 4-elementowego wektora Stokesa.<br />
Elementy wektora polaryzacji są wyrażane w tych samych miarach, modułu/amplitudy,<br />
i (obliczeniowej) fazy. Ale tylko 3 z 4 elementów wektora Stokesa,<br />
są niezależne, bo pierwszy element wektora Stokesa jest równy pierwiastkowi
146<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
sumy kwadratów elementów następnych. Potrzeba przynajmniej 3 składowych<br />
stanów polaryzacyjnych dla wyznaczenia całego wektora.<br />
Dwa pierwsze elementy wektora są rzeczywiste i mają znaczenie amplitud fal<br />
mocy, jako suma i różnica dwóch składowych polaryzacyjnych (np. V i H). Dwa<br />
pozostałe mają znaczenie określenia udziału trzeciej składowej polaryzacyjnej,<br />
też wyrażanych w miarach amplitud (fal mocy), przy czym jeden z elementów<br />
jest czysto rzeczywisty, a drugi czysto urojony. Bliższe objaśnienia, w tym na<br />
temat wektora Stokesa, można znaleźć w podręcznikach, np. dołączonych (tutorials)<br />
do programu PolSARpro [115], i wskazywanych tam materiałach źródłowych.<br />
Ten szkic ogólny, jest wypowiadany po to aby wskazać na potrzebę 3 stanów<br />
polaryzacyjnych składowych, i wytłumaczenie dlaczego 2 stany polaryczyjne nie<br />
wystarczają do wyznaczenia pełnego wektora Stokesa. Dwa stany, w zdjęciach<br />
ASAR-APP wystarczają do wyznaczania dwóch pierwszych elementów wetktora,<br />
i dlatego wszelkie analizy przy dwóch składowych polaryzacyjnych, są zwyczajowo<br />
określane jako analizy „natężeniowe”.<br />
Określanie stanu polaryzacji fali, dotyczy zarówno fal składowych koherentnych<br />
jak i niekoherentnych. Fala może tracić swoją koherencję (spójność fazową)<br />
zarówno w wyniku propagacji, rozproszenia, jak i odbicia. Ale fala może nie tylko<br />
tracić koherencję, lecz i doznawać zmiany stanu polaryzacji, co jest przedmiotem<br />
analizy polaryzacyjnej. Dlatego efekty określania stanu polaryzacji, zawierają<br />
informację nie tylko o zmienionym stanie polaryzacji, lecz są obciążone i tym jak<br />
odbicie zmienia skład fali w jej składowych koherentnych i niekoherentnych.<br />
Ocena stanu polaryzacyjnego po odbiciu jest złożona, ale w obu aspektach ważna<br />
obserwacyjnie (informacyjnie).<br />
Użytkownik narzędzi do takiej analizy, nie musi jej prowadzić w pełni rozumienia<br />
szczegółów teorii, ale musi uznać, że w grę wchodzi czas i koherencja,<br />
która ma też aspekt statystyczny. Chodzi o czas w miarach spójności wewnętrznej<br />
składowych, a nie w miarach absolutnych. Spójność sygnału elektromagnetycznego<br />
rozumie się jako możliwość tego, na ile można przewidywać zmiany fazy<br />
sygnału, na podstawie znajomości jego fazy w chwili bieżącej. Koherencja może<br />
być wykorzystywana jako miara potrzebna dla przetwarzania danych, w różnych<br />
celach – np. klasyfikacji, ale dla odziarniania obrazów zdjęć polarymetrycznych<br />
np. filtrem Lee. Ziarna (speckle) są nieuniknionym skutkiem tego, że każdy z<br />
odebranych promieni jest złożeniem wielu promieni w granicach jednego piksela i<br />
jego otoczenia, od wielu drobnych elementów materialnych obiektu, które powodują<br />
nawet wielokrotne odbicia. Odziarnianie obrazów radarowych nie jest operacją<br />
typu czysto obrazowego przetwarzania, ale wynika ściśle z fizycznej zasady<br />
obserwacji odbicia, i konieczności prowadzenia analizy przy użyciu rachunku
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 147<br />
zespolonego na zmiennych (wektor Stokesa, koherencja) reprezentujących zmiany<br />
stanu polaryzacji.<br />
Pełna teoria analizy polaryzacyjnej, nie jest potrzebna do wykorzystywania<br />
zdjęć polarymetrycznych. Jest jednak potrzeba rozumienia, że w takich narzędziach,<br />
jakie wykorzystuje się do ocen efektów statystycznych są używane pojęcia<br />
korelacji, kowariancji, i koherencji, które mają swoje wspólne podstawy matematyczne<br />
i odnoszą się do wspólnego im ustalania relacji między produktami, a<br />
różnice w ich zastosowaniach polegają na różnych celach, w tym i na celach ustanawianych<br />
odmienną naturą danych i zasad instrumentalnych z jakich je wytworzono.<br />
Techniczna specyfika aktualnie wykorzystywanych instrumentów do obserwacji<br />
optycznych i mikrofalowych powinna dla użytkowania danych być drugorzędną,<br />
wobec istotności modelowania fizycznego, oraz istotności narzędzi<br />
statystycznych. Narzędzia statystyczne są w zasadzie wspólne, a jeśli się różnią,<br />
to z powodu różnic znaczenia czasu w zasadach obserwacji – optycznych i mikrofalowych.<br />
Jest więc jeszcze potrzeba wskazania, że wektor Stokesa w analizie polaryzacyjnej,<br />
oferuje możliwości obserwacyjne dotyczące właśnie zawartości składowych<br />
koherentnych i niekoherentnych w sygnale obserwacyjnym. Takich możliwości<br />
nie wykorzystują współcześnie metody optyczne, bo obserwacje są prowadzone<br />
tylko natężeniowo, za to analizy spektralnie.<br />
Jest różnica między wrażliwością wartości pierwszej pary i drugiej pary wyrazów<br />
Stokesa, na składowe sygnału – spójne i niespójne, tzn. koherentne i niekoherentne.<br />
Składowe niekoherentne, mogą być szumami lub zakłóceniami, lecz nie<br />
tylko systemowymi (z instrumentu). Składowe niekoherentne mogą pochodzić<br />
również stąd, że fala odbierana może pochodzić od różnych odbić, jedno- i więcej-krotnych<br />
z obszaru tego samego piksela, przez co zmienia się jej skład polaryzacyjny.<br />
Wynika to z różnorodności materialnych form obiektu (trawa, liście,<br />
zawiesina cząstek w ośrodku a będących w ruchu). Te składowe mogą należeć do<br />
celów obserwacji. Z drugiej strony, składowe koherentne to te, które określają<br />
moc sygnału nadanego (oświetlającego) i potem odebranego. Te składowe niewątpliwie<br />
należą do celów obserwacji, przynajmniej na poziomie danych zbieranych<br />
bezpośrednio przez instrument, ale są zakłócane obecnością składowych<br />
niekoherentnych, których uniknąć się nie da. One też charakteryzują odbicie/rozproszenie.<br />
Nawet instrument idealny odbierze składowe niekoherentne,<br />
generowane z powodu różnorodności obiektów i ich zmian położenia, lub tylko z<br />
powodu ich prędkości chwilowych, wirowana etc.).<br />
Dwa pierwsze wyrazy Stokesa wykazują zdolność do zerowania się składowych<br />
niekoherentnych za czas integracji, i „oczyszczania” się wartości składowych<br />
koherentnych (o znaczeniu amplitud mocy). Dwa drugie wyrazy Stokesa<br />
wykazują zdolność do niezerowania się składowych niekoherentnych, za czas<br />
integracji. Dlatego, w centrum uwagi twórców metod polarymetrycznych dla
148<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
klasyfikacji danych, są potrzeby kontrolowania miar korelacji, kowariancji, i koherencji.<br />
Dzięki temu, te metody mają bardzo głęboką korespondencję do metod<br />
statystycznych opartych na kontroli korelacji, kowariancji i koherencji, i dlatego<br />
wyniki obserwacji radarowych mają tak dobrze zdeterminowane związki przestrzenne.<br />
Dla pełnego określenia stanu polaryzacji, trzeba 3 składowych polaryzacyjnych<br />
nadawanych, i 3 odbieranych. Zdjęcia ASAR APP (Alternated Polarity)<br />
mają tylko 2 z 3 składowych. Przy ich pomocy można określać tylko pierwszą<br />
parę wyrazów wektora Stokesa, tzw. natężeniową, związanych z mocą. To jest<br />
zaledwie połowa możliwości obserwacyjnych tej metody. Inne misje (ALOS,<br />
RADARSAT-2, TerraSAR-X) mają już 3 a nawet 4 polaryzacje. Dotąd nie mieliśmy<br />
w tym projekcie takich zdjęć „pełnopolaryzacyjnych”.<br />
Patrząc użytkowo na zdjęcia mikrofalowe, np. na radarowo uzyskiwany DEM<br />
SRTM, odnosi się wrażenie niezwykłej czystości i jednoznaczności określenia<br />
elewacji. I chociaż zdjęcia mikrofalowe, daleko nie dorównują możliwościom<br />
rozróżniania materialnej zawartości obiektu obserwowanego w analizach spektralnych,<br />
to warte są wykorzystywania dla określania zależności przestrzennych.<br />
Zaangażowanie w wykorzystanie tych metod, niesie jeszcze wiele innych korzyści<br />
przedłużonych na konsekwentne stosowanie bardzo istotnych metod statystycznych.<br />
Na wcześniejszym Rys. 58 przedstawiono typowe rozproszenia między kanałami<br />
polaryzacyjnymi w wyniku filtracji. Widać było wyraźnie, jak rozproszona<br />
„chmura” danych, która powinna mieć możliwie dużą rozpiętość w zakresach<br />
zmiennych, ulegała podziałom na kilka, lub szereg skupisk wyznaczających potencjalne<br />
możliwości wydzielania klas. Dane surowe przyjmują prawie wszelkie<br />
możliwe wartości, z gradacją ograniczoną rozdzielczością cyfrową systemu dla<br />
przekazywania danych. Odpowiadające im histogramy są prawie ciągłe. Po przetwarzaniu<br />
filtrującym i klasyfikującym, rozproszenie międzykanałowe zmniejsza<br />
się, odfiltrowywane są składowe szumów i zakłóceń, a dane grupują się w klasy.<br />
Liczba możliwych klas jest ograniczona i niewielka, np. do około 8. Na ogół liczba<br />
klas nie przekracza 14. Typowe ale bardzo zaawansowane metody, oparte na<br />
analizie entropii, anizotropii, i kąta polaryzacji dominującej (H/A/alpha, patrz ref.<br />
tutorials w [115]), w dziedzinie przetwarzania danych radarowych, pozwalają na<br />
wydzielenie 9 klas. Liczba możliwych do wydzielania klas zależy – i od istotności<br />
wybranych zmiennych źródłowych do klasyfikacji, od zaśmiecenia danych szumami<br />
i zakłóceniami, i od dynamiki systemu ich wytwarzania.
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 149<br />
Rys. 59. Skupienie wartości kanałowych: – a) dla zdjęcia ASAR po wstępnej analizie PCA (z lewej),<br />
i – b) dla zdjęcia MERIS, w całym polu widzenia, wykazujące związki między zmiennymi<br />
środowiskowymi (fCover i LAI), po analizie wegetacyjnej TOA_VEG. Segregacja wartości pikseli<br />
nie grupuje ich liniowo, jak w wyniku filtracji poszczególnych kanałów w danych bezpośrednich<br />
(Patrz Rys. 58), i ujawnia inne bardziej złożone zależności.<br />
W danych radarowych wielkiego wyboru nie ma, są to zmienne brane bezpośrednio<br />
z kanałów. Dopiero analiza polaryzacyjna pozwala na głębsze poszukiwania<br />
związków korelacji lub koherencji, zależnie od tego jakie i jak wiele kanałów<br />
polaryzacyjnych (2, 3 lub 4), jest dostępnych.<br />
W danych spektralnych, wybór jest większy, bo i większa jest liczba kanałów<br />
(MERIS wykorzystuje 15, a są jeszcze inne techniki obserwacji multi- i hyper<br />
spektralnych). Do tego, można analizować nie tylko zmienne radiancji czy reflektancji,<br />
lecz i zależności między zmiennymi środowiskowymi, czyli zmiennymi<br />
ECV, jak np. zależności pomiędzy LAI, fAPAR, i LAIxCab (produktywność<br />
chlorofilu typów a i b) od stopnia zakrycia podłoża glebowego fCover. Między<br />
tymi zmiennymi ujawnia się więcej zależności wzajemnych, niż między wartościami<br />
kanałowymi. Liczba zmiennych interpretowanych może przekraczać liczbę<br />
kanałów, ale niezależnych zmienności może być nie więcej niż liczba kanałów<br />
niezależnych. Jeżeli zaczynamy oceniać zależności pomiędzy takimi zmiennymi<br />
jak LAI, fAPAR, i LAIxCab, to obraz rozproszenia staje się bardziej złożony, i<br />
zależny od tego, które zmienne ECV wybrano do porównywania. Zmienne ECV<br />
są wtórne względem wartości kanałowych, i wnioskowanie formalne np. z Rys.<br />
59 o skutkach filtracji, przestaje być tak klarowne jak wnioskowanie o takich<br />
samych skutkach na przykładzie z Rys. 58. LAI, fAPAR, LAIxCab tworzą trójkąt<br />
współzależności, z których nie wszystkie albo nie całkowicie wynikają z rzeczywistości<br />
fizycznej. Część tych zależności należy do przyczyn w obiektywnej rzeczywistości<br />
fizycznej, a część należy do udziału zastosowanych modeli, i uprosz-
150<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
czeń. Rys. 58 odnosił się do zmiennych kanałowych niezależnych. Rys. 59 przedstawia<br />
rozproszenie między dwiema wybranymi zmiennymi z trzech, z których<br />
żadna nie jest w pełni niezależna od pozostałych. Dla rozstrzygnięć o źródłach<br />
błędu w ocenach, trzeba analiz wielowymiarowych. Można takie wyniki stosować<br />
wprost, nawet z dobrymi skutkami, lecz identyfikacja błędu może być wycinkowa.<br />
Przy tym trzeba ją wspomagać rozpoznanymi obiektami na zdjęciu, a praca<br />
interpretacyjna staje się niekończącą się pogonią za wynikiem pewnym. Tak jest<br />
w przypadkach analiz wielospektralnych, że precyzja ocen stale umyka i domaga<br />
się wielu kontroli przesunięć, kalibracji i korekcji. Postęp choć możliwy, jest<br />
ograniczony. Trochę lepiej wygląda sytuacja ze zdjęciami radarowymi, dla których<br />
miary polaryzacyjne znajdują mocniejsze podstawy teoretyczne, w postaci<br />
własności wektora Stokesa. Dlatego w dziedzinie analizy polaryzacyjnej zdjęć<br />
radaorowych opracowano kilka metod, które wydają się bardziej uniwersalne<br />
matematycznie i użytkowo, są pewniejsze. Nie można jednak sądzić o wyższości<br />
jednej z metod nad drugą. Radar nie da informacji o takiej materialnej charakterystyce<br />
obiektu, jak analiza spektralna bo radar pracuje falami elektromagnetycznymi,<br />
o długościach kilka lub wiele rzędów wielkości większych, niż długości fal<br />
optycznych. A tylko krótkie i bardzo krótkie długości fal mogą przejmować i<br />
zachowywać skutki oddziaływania z materią molekularną, które potem ujawniają<br />
się w analizie spektralnej. Natomiast radary, i radiometry mikrofalowe zwłaszcza<br />
interferencyjne, mogą lepiej, precyzyjniej oddawać odwzorowania granic ośrodków<br />
obserwowanych, tzn. ich geometrię. Dzieje się tak dlatego, że instrumenty<br />
mikrofalowe mogą posługiwać się nie tylko zmiennymi reprezentującymi intensywność<br />
(np. amplitudę), lecz i fazę sygnału. Dane zdjęć mikrofalowych mają<br />
postać zespoloną, dane optyczne wyrażane są wartościami rzeczywistymi. Każdy<br />
z tych rodzajów technik służy innym celom użytkowym.<br />
Przykład analizy TOA_VEG zdjęcia MERIS, zaprezentowany na wycinkach<br />
odpowiadających trzem parkom narodowym, pokazuje dobitnie że już 100 czy<br />
200 pikseli zdjęcia wystarcza na to aby rozróżnić zawartość roślinną tych obszarów,<br />
by znaleźć ich indywidualną specyfikę, i poddać miarom odpowiadającym<br />
zmiennym LAI, fAPAR, i produktywności chlorofilu LAIxCab (Rys. 60).<br />
Wrażliwość rozproszenia zmiennych LAI, fCover, i LAIxCab, jest na tyle duża,<br />
że nawet na podstawie zawartości zdjęcia niesklasyfikowanego, można dokonać<br />
interpretacji w ocenach ilościowych, w miarach absolutnych. Szereg kilku<br />
takich zdjęć optycznych MERIS, np. wykonanych w kolejnych latach, w przybliżeniu<br />
w tym samym tygodniu roku, powinien pozwolić na oceny zmian klimatu<br />
widoczne w zmianach czasu rozwoju poszczególnych faz pory wegetacyjnej.<br />
Pory wegetacyjne w różnych latach zaczynają się czasie różnym nawet o 1-3 tygodni,<br />
ale te obserwacje naziemne można udokumentować ilościowo, i próbować<br />
rozstrzygać, czy są one skutkiem rocznych oscylacji klimatu, czy też należą do
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 151<br />
trendów bardziej długo terminowych. Natomiast dane po klasyfikacji, mogą służyć<br />
ocenom zmian integrowanych w obszarach, w ściślejszym związku z rozpoznawanym<br />
składem wegetacji.<br />
Rys. 60. Porównanie odmiennego rozproszenia zmiennych LAI, fCover, LAIxCab, w trzech wybranych<br />
obszarach ROI, z Rys. 51: a) POLESIE, okolice Kulczyna, b) PODLASIE, okolice Trzebieszowa,<br />
c) BPN, okolice Białowieży. Specyfika zawartości gatunkowej w pokryciu roślinnym znajduje<br />
swoje odbicie w rozproszeniu wartości zmiennych, które można poddać miarom statystycznym.<br />
Podobne wyniki dla Kampinoskiego Parku Narodowego przedstawiono w [90].<br />
O istotności interpretacji danych świadczą związki między tymi zmiennymi, a<br />
nie pozorna lub subiektywna jakość estetyczna zobrazowania. Zobrazowań dobrze<br />
rozdzielczych i geolokowanych potrzeba zawsze. Ale wysoka rozdzielczość<br />
bywa tylko przeszkodą, i wtedy poświęca się ją na rzecz trafności klasyfikacji,<br />
zwłaszcza przy analizach obszarów w skalach wielkich. Wydaje się, że współcześnie<br />
najwięcej nierozwiązanych problemów, związanych z wykrywaniem zmian i<br />
ocenami meso-skalowymi, wynika z potrzeb ocen różnorodności pokrycia powierzchni,<br />
i bioróżnorodności na Ziemi.
152<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
Te sposoby i narzędzia są faktycznie bardziej narzędziami statystycznymi, niż<br />
środkami do przetwarzania obrazów. Dlatego niniejszą pracę rozpoczęto rozdziałami<br />
traktującymi o podstawowych pojęciach statystycznych. Wiele prostych<br />
dylematów statystycznego postępowania z danymi naziemnymi, ma swoje odpowiedniki<br />
w metodach i gotowych narzędziach do przetwarzania danych satelitarnych.<br />
Poszukiwane uprzywilejowane „samorodne jądra” występowania pewnych<br />
wartości zmiennych, mogą występować jako świadectwo procesów fizycznych<br />
obserwowanych, ale mogą również występować jako efekty zjawisk fizycznych<br />
zakłócających, jak ziarnistość obrazów satelitarnych. Niektóre narzędzia wypracowane<br />
do przetwarzania danych satelitarnych, są tak zaawansowane, że trudno je<br />
wykorzystać w przetwarzaniu danych naziemnych, bo te są w porównaniu z satelitarnymi,<br />
bardzo mało liczne. Nie ma na to dobrej rady. Bywa jednak, że przeszkodą<br />
w wykorzystaniu metod wyższych jest niedostateczna kompletność uzyskiwanych<br />
danych naziemnych, w sensie podobieństwa do kanałów obserwacji,<br />
jak w metodach satelitarnych. Na Ziemi, obserwacje mają często charakter jednoaspektowy,<br />
i tę kompletność można poprawiać. Z kolei, pewne minimum doświadczenia<br />
z wykorzystywaniem danych satelitarnych, wskazuje że dane naziemne<br />
mogą okazywać się bardziej kompletne w sensie zależności czasowych<br />
krótkoterminowych. Zdjęcia satelitarne są dostępne niemal incydentalnie, i bywa<br />
że bardzo rzadko bo w grę wchodzą i zasady ruchu orbitalnego, i system dostępności<br />
danych. Zachodzi wtedy oczywista potrzeba wspomagania ocen naziemnych<br />
– satelitarnymi, i odwrotnie. Aby takie wspomaganie było skuteczne, w<br />
dwóch kierunkach, musi być ich istotność i pewna odpowiedniość między fizycznymi<br />
zmiennymi obserwowanymi (ECV) jakie są w użyciu, a nade wszystko<br />
wspólny grunt na bazie statystyki. Statystyka a nie technika, ostatecznie przesądza<br />
o skuteczności, w jednej i drugiej dziedzinie obserwacji.<br />
Stała dielektryczna gleby z pomiarów naziemnych i satelitarnych<br />
Wilgotność gleby określana metodami zdalnymi jest poprzez stałą dielektryczną<br />
gleby, która to w istotny sposób jest warunkowana głównie przez zawartość<br />
wody w glebie. Stała dielektryczna gleby może być określana przy pomocy<br />
badań prowadzonych z orbity Ziemi przez satelity typu EO (Earth Observation).<br />
Jednym z takich satelitów jest EnviSat (Environmental Satellite) wyposażony w<br />
radar ASAR (Advanced Synthetic Aperture Radar). Radar ten wysyła w kierunku<br />
wybranego obszaru powierzchni Ziemi falę elektromagnetyczną o częstotliwości<br />
5.331 GHz i odbiera ją po odbiciu i/lub rozproszeniu. Dzięki tak dobranej częstotliwości<br />
współczynnik odbicia promienia radarowego σ 0 jest wrażliwy na stałą<br />
dielektryczną powierzchniowej warstwy gleby przy jednoczesnym zminimalizowaniu<br />
wpływu wegetacji pokrywającej badany obszar [144, 145]. Wysyłana przez<br />
radar fala elektromagnetyczna może być spolaryzowana w kierunku pionowym
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 153<br />
(V) lub poziomym (H). Rejestracja fali odebranej również jest dzielona na składowe<br />
o polaryzacji pionowej (V) i poziomej (H). Ten sposób działania odzwierciedla<br />
konwencja oznaczania współczynnika odbicia promienia radarowego.<br />
Przez σ 0 HH oznacza się współczynnik dla fali wysłanej spolaryzowanej poziomo i<br />
odebranej również w polaryzacji poziomej. Przez σ 0 VV oznacza się współczynnik<br />
dla fali wysłanej spolaryzowanej pionowo i odebranej w polaryzacji pionowej,<br />
natomiast przez σ 0 HV oznacza się współczynnik dla fali wysłanej spolaryzowanej<br />
pionowo i odebranej w polaryzacji poziomej.<br />
Pole uprawne<br />
Las<br />
Łąka<br />
Bagno<br />
Rys. 61. Satelitarna mapa Polesia Zachodniego z zaznaczonymi wybranymi obszarami do geostatystycznej<br />
analizy stałej dielektrycznej.<br />
Odpowiednie polaryzacje i ich kombinacje są wrażliwe na stałą dielektryczną<br />
gleby, na typ pokrycia terenu i szorstkość badanej powierzchni oraz wiele innych<br />
czynników. Zdjęcia radarowe nie są natomiast wrażliwe na brak oświetlenia słonecznego<br />
a także chmury czy mgłę. Ta niezależność od warunków atmosferycz-
154<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
nych i porę dnia umożliwia prowadzenie obserwacji tak często, jak pozwala na to<br />
obecność satelity nad danym obszarem.<br />
Ponownie do badań wykorzystano fragment obrazu radarowego Polesia,<br />
obejmujący obszar szerokości geograficznych od 51°20' N do 51°29' N i długości<br />
geograficznych od 23°09' E do 23°21' E (Rys. 61). Obraz ten został wykonany<br />
przez ASAR 30 sierpnia 2007 r. w polaryzacjach HH i VV, z rozdzielczością<br />
wynoszącą 30 m.<br />
Stałą dielektryczną gleby określano przy użyciu empirycznego modelu Dubois<br />
[32]. Model ten określa zależność współczynnika odbicia radarowego σ 0 xx (indeks<br />
xx oznacza polaryzacje HH lub VV), od kąta padania promienia radarowego α , i<br />
od rzeczywistej części stałej dielektrycznej gleby ε , przy założonej długością fali<br />
elektromagnetycznej λ, i szorstkości powierzchni ks. Wyraża się on dwoma następującymi<br />
równaniami:<br />
3<br />
0 −2.37<br />
cos α 0.046ε<br />
tanα<br />
3 1. 1 0. 7<br />
σ =<br />
VV 10 3 ( sin α) sin α<br />
10 ks⋅<br />
λ , (61)<br />
0<br />
σ<br />
ε<br />
1.4<br />
0.<br />
( ⋅sin<br />
α) λ<br />
1.5<br />
−2.75<br />
cos α 0.028 tanα<br />
7<br />
=<br />
HH<br />
5<br />
ks<br />
10<br />
10<br />
. (62)<br />
sin α<br />
Współczynnik odbicia jako wielkość fizyczna, powinien przyjmować wartości<br />
modułu z przedziału [0,1]. Ponieważ zawartość szumów, zakłóceń i błędów w<br />
danych surowych jest znaczna, to jego wartości wykraczają poza ten zakres, i<br />
dlatego dane powinny być najpierw kalibrowane, potem poddawane korekcjom<br />
radiometrycznym, a następnie głęboko filtrowane, aby na obszarach z glebą odsłoniętą<br />
zapewnić warunek:<br />
σ<br />
σ<br />
0<br />
HH<br />
0<br />
VV<br />
< 1. (63)<br />
Modelu tego nie można stosować dla sygnału zbyt małego, tzn. w obszarach<br />
pokrytych zbyt gęstą warstwą wegetacyjną. To ograniczenie, Dubois [32] przyjmuje<br />
się za spełnione, gdy:<br />
σ<br />
σ<br />
0<br />
HV<br />
0<br />
VV<br />
< −11dB<br />
. (64)<br />
Mając zdjęcia ASAR tylko dla polaryzacji HH/VV, przyjmowano tylko warunek<br />
(63). Z bezpośredniego oglądu wybranych obszarów: Bagno Bubnów, łąka<br />
Krowie Bagno, i pól uprawnych w okolicach miejscowości Wytyczno, wiadomo<br />
było, że obszary te są wilgotne a wegetacja jest stosunkowo niska. Przy wegetacji<br />
niskiej, składnik polaryzacyjny HH jest w ogóle niski i warunek (64) powinien<br />
być dochowywany. Wybrano jednak i obszar odmienny, czwarty – las w okolicach<br />
miejscowości Dominiczyn, tzn. z wegetacją wysoką. Tam obie składowe HH
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 155<br />
i VV, są wysokie. Dla lasu, warunek (63) powinien być bliski jedności. Natomiast<br />
warunek (64), nie był znany dla lasu, dlatego że brak jest polaryzacji HV w tym<br />
zdjęciu. Mimo tego, warunek ten ma też szanse spełnienia, bo dla lasu z gęstymi<br />
elementami pionowych pni drzew, składnik VV musi być duży. O tym świadczą<br />
inne zdjęcia, które zawierają polaryzacje HV, VV. Z wyrażeń współczynników<br />
odbicia (61, 62), obliczono stałą dielektryczną dla każdego z tych obszarów.<br />
Bagno charakteryzowało się największymi wartościami, maksymalnymi i<br />
średnimi, stałej dielektrycznej. Oznacza to, że Tam była największa wilgotność<br />
spośród badanych obszarów. Pozostałe obszary miały wartości średnie przenikalności<br />
dielektrycznej niższe niż dla bagna. Na obszarze lasu zaobserwowano największą<br />
wartość współczynnika zmienności (CV) stałej dielektrycznej. Można to<br />
tłumaczyć tym, że stała dielektryczna zależy nie tylko od wilgotności, lecz i od<br />
zawartości pokrywy roślinnej. Las stanowi grubą warstwę wegetacji, i jako taki<br />
wg warunku (64), nie stosuje się do modelu Dubois. Najmniejszy CV zaobserwowano<br />
na łące, a to wskazuje, że teren ten jest najbardziej jednorodny pośród<br />
obszarów badanych. Łąka jest płaska, dość jednorodnie porośnięta roślinnością, i<br />
tam należałoby spodziewać się wyrównanego rozkładu wilgotności.<br />
Tabela 9. Wybrane miary obliczonej stałej dielektrycznej dla badanych obszarów<br />
Badany obszar<br />
Miara<br />
pole uprawne las łąka bagno<br />
Średnia 4,94 4,92 5,01 5,21<br />
Mediana 4,74 4,62 4,80 5,02<br />
Współczynnik<br />
zmienności (CV)<br />
(%)<br />
21,0 26,1 18,3 20,9<br />
Minimum 2,76 2,75 3,38 3,21<br />
Maksimum 10,77 10,96 9,39 12,35<br />
Tego samego dnia, kiedy wykonano zdjęcie ASAR z danymi omówionymi<br />
powyżej, wykonano drugie zdjęcie. Pierwsze wykonano rano, drugie wieczorem.<br />
W ciągu dnia prowadzono pomiary naziemne stałej dielektrycznej gleby za pomocą<br />
sondy TDR. Wyniki interpretacji zdjęć modelem Dubois, trzeba uznać za<br />
zaniżone względem pomiarów bezpośrednich sondą TDR, zarówno dla bagna jak<br />
i dla łąki. Z TDR wynika, że średnia wartość stałej dielektrycznej dla bagna wynosiła<br />
9,76, a dla łąki 6,85, podczas gdy ze zdjęcia i obliczeń modelem Dubois<br />
wynika, że powinno być odpowiednio 5,21 i 5,01 (Tab. 9). To niedoszacowanie
156<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
wynika prawdopodobnie stąd, że odbicie lub rozproszenie sygnału ASAR, jest<br />
wrażliwe nie tylko na wodę obecną w glebie, lecz także na wodę w pokrywie<br />
roślinnej, czego naziemny TDR nie mierzy. Warstwę roślinności, należy rozważać<br />
w modelach jako chmurę zmieszanych materialnych komponentów powietrza,<br />
wody, i biomasy roślin. Nawet gdyby rośliny zawierały dużo wody, a ich stała<br />
dielektryczna była wysoka, to mieszanina roślin z powietrzem daje mniejszą gęstość<br />
masy, i efektywna przenikalność dielektryczna wychodzi też mniejsza. W<br />
konsekwencji pomiar satelitarny dotyczy sumy warstw pokrycia roślinnego i gleby.<br />
Radar widzi glebę poprzez przesłonę, ale widzi, i własności przesłony wnoszą<br />
do tej oceny swój udział.<br />
Pojawia się więc nowy temat – oceny zawartości wody w warstwie wegetacyjnej,<br />
który trzeba wyseparować z danych. Obserwacja radarowa zawiera i<br />
umożliwia ocenę zawartości wody w wegetacji. Wprawdzie tego w tej części<br />
pracy nie przedstawia się, ale taka ocena będzie podejmowana na podstawie zdjęć<br />
innych, spektralnych MERIS, z tego samego satelity ENVISAT, choć nie w tym<br />
samym czasie. Wprawdzie to jest substytut, ale trzeba po niego sięgać bo synchronizacja<br />
pomiarów na Ziemi z satelitą ENVISAT, była możliwa tylko raz, i<br />
pozostanie incydentalna. Taka ocena będzie potrzebna dla walidacji SMOS. Synchronizację<br />
kampanii naziemnych z przelotami SMOS mamy zapewnioną. Z programu<br />
ESOV będzie można wyznaczyć daty i przeloty SMOS, i będzie ich wiele,<br />
co 3 lub 4 dni. Jednak SMOS nie rozróżni zawartości wody w glebie od zawartości<br />
wody w roślinności. SMOS tego rozróżnienia potrzebuje od projektów naziemnych.<br />
SMOS będzie miał takie dane ze służb naziemnych ECMWF, i innych,<br />
i użyje ich w swoim modelu emisyjności. Wynik SMOS będzie na wielką skalę<br />
(piksel 35×35 km), i walidacja tego wyniku powinna pochodzić ze źródeł naziemnych<br />
niezależnych, przy dobrym rozróżnianiu klas roślinności na Ziemi. Do<br />
tego trzeba badań naziemnych. Wynik walidacji, a raczej wiele wyników walidacji<br />
zebranych z całego świata (po to jest program walidacyjny SVRT), złożą się<br />
na korekcje modeli elementarnych, stosowanych do konwersji BT na SM, dla<br />
dowolnego miejsca na powierzchni lądów.<br />
Trzeba jeszcze brać pod uwagę i inne potencjalne przyczyny – przesunięcia<br />
wyniku naszych obliczeń z modelu Dubois, które mogą być rezultatem innego<br />
jeszcze źródła błędu wtórnego (offset, bias). Takie błędy przesunięcia są zawsze<br />
obecne we wszelkich pomiarach instrumentalnych, i bywa że są skutkami nadmiernie<br />
agresywnego przetwarzania danych filtracją. Przy filtrowaniu, dużą rolę<br />
odgrywa dobór okien filtrujących, i krotność zastosowanego filtrowania. To niebezpieczeństwo<br />
już sygnalizowano w rozdziale o Klasyfikacji i Filtracji, z Rys.<br />
58, w części z prawej strony. Powinno być troską użytkownika modeli i algorytmów<br />
przetwarzania, aby takie przesunięcia (offset, bias) identyfikować. Można<br />
znaleźć prawie w każdym zdjęciu obiekty całkowicie odbijające sygnał radarowy,<br />
w terenach zurbanizowanych, i one powinny dawać wykalibrowany wsp. odbicia
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 157<br />
(rozproszenia) na poziomie 0 dB. Można też znajdować i wody otwarte, a tam<br />
współczynnik odbicia powinien być najmniejszy w obrazie, np. –30 dB, lub<br />
mniej. Jeżeli ten zakres –35 do 0 dB wyraźnie przesuwa się, w którąś stronę, to<br />
mamy do czynienia albo z danymi niewykalibrowanymi, albo z nieodfiltrowanymi<br />
zakłóceniami, albo ze zniekształceniem radiometrycznym w wyniku przetwarzania<br />
danych. Do użytkownika danych należy decyzja, po jakie korecje w swoim<br />
postępowaniu sięgać. O takich efektach ubocznych stosowanych narzędzi są informacje<br />
w ich dokumentacji, bo narzędzia otrzymuje się zweryfikowane, i walidowane.<br />
Po to są potrzebne walidacje i kalibracje, zarówno instrumentów jak i<br />
algorytmów, aby je potem przedstawiać w dołączanych do narzędzi raportach i<br />
ich gwarantowanych ocenach.<br />
Wnioski z wykorzystania kilku zdjęć ASAR w tej pracy są takie, że zdjęcia te<br />
mogą nam służyć ograniczenie, z powodu ich trudnej dostępności w potrzebnych<br />
miejscach i terminach. Jest ich mało. Za to są niezawodne, tzn. niezależne od<br />
stanu zachmurzenia, wprost przeciwnie do zdjęć spektralnych MERIS. Tych jest<br />
dużo, za to korzystne warunki atmosferyczne zdarzają się rzadko. Dla tego projektu<br />
przyjęto więc zasadę, aby zdjęcia ASAR wykorzystywać do klasyfikacji<br />
pokrycia roślinnego, wytwarzając maski bitowe. Tak uzyskane maski, mają potem<br />
służyć do wydobywania wartości indeksów wegetacyjnych ze zdjęć MERIS, które<br />
są nam dostępne też incydentalnie – ze względu na bezchmurne niebo, lecz są<br />
za to bliższe terminom potrzebnych ocen. Wynika to z tego, że zdjęcia MERIS<br />
czerpie się z archiwow, jest ich więcej, i łatwiej trafić na lepszą zgodność lub<br />
przynajmniej bliskość terminów, niż uzyskać akceptację na zdjęcia ASAR, dedykowane<br />
naszym celom. Wprawdzie analiza spektralna nie daje tak bezpośredniego<br />
związku z wodą, jak przy zdjęciach radarowych, lecz daje bardziej wszechstronną<br />
ocenę wegetacji w związku z ewapotranspiracją. Jest to wniosek bardzo<br />
uniwersalny, bo wskazuje, że przy staraniach o dostęp do zdjęć satelitarnych, i<br />
wysiłkach w opanowaniu metod interpretacji i narzędzi, należy zabiegać o różne<br />
metody obserwacji środowiskowych.<br />
Nasze niepowodzenia, z powodu skąpej dostępności zdjęć ASAR, są jednak<br />
powszechne wśród użytkowników. Jedna z kolejnych misji „wodnych” NASA,<br />
SMAP (Soil Moisture Active and Passive), będzie miała na pokładzie nie tylko<br />
radiometr (passive) lecz i radar SAR (active), po to aby zapewnić jednoczesność<br />
obserwacji wrażliwych na wodę (passive), i obserwacji dla rozróżniania i oceny<br />
klas roślinności (active).<br />
Środowisko na Ziemi jest obiektem bardzo złożonym, i jego charakterystyka<br />
wymaga fuzji danych z różnych źródeł. Ten wysiłek łączenia danych w ocenach,<br />
spoczywa nie tylko na użytkowniku danych, ale jest również udziałem samych<br />
misji kosmicznych. Niech o tym zaświadczy fakt, że misja SMOS potrzebowała<br />
zorganizowania globalnego konsorcjum SVRT (w nim bierzemy udział). Ale z<br />
drugiej strony, ta sama misja musi dostarczać do strumienia swoich danych, dane
158<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
zewnętrzne. Dane SMOS są wręcz pompowane całym szeregiem danych o środowisku<br />
Ziemi – z innych misji, służb naziemnych (hydrologicznych, meteorologicznych,<br />
środowiskowych), i innych banków danych naziemnych, które muszą<br />
być aktualizowane w czasie rzeczywistym (on-line). Z punktu widzenia użytkownika<br />
danych, jest to stale postulowana fuzja danych, która odbywa się na bieżąco,<br />
i w pełni po stronie producenta danych. Jest to zupełnie nowa jakość w satelitarnych<br />
obserwacjach Ziemi.<br />
PODSUMOWANIE<br />
W pracy przedstawiono uzyskane wyniki analizy statystycznej i geostatystycznej<br />
oraz mapy rozkładów składu granulometrycznego, zawartości materii<br />
organicznej, zawartości kwarcu, gęstości i wilgotności gleby, przewodnictwa<br />
cieplnego, pojemności cieplnej i dyfuzyjności cieplnej gleby na dwóch obiektach<br />
o powierzchni około 140 km 2 każdy i dwóch polach uprawnych. W jednym miejscu<br />
testowym były gleby mineralne (generalnie – słabo uwilgotnione), w gminie<br />
Trzebieszów (N 51°59'24", E 22°33'37") region – Podlasie Południowe. W drugim,<br />
były gleby organiczno-mineralne mocno uwilgotnione, w gminie Urszulin<br />
(N 51°23'43", E 23°11'54"), region – Polesie Zachodnie. Testowe pola uprawne<br />
znajdują się przy PA PAN. na Felinie (Felin N 51°13'29", E 22°38'42").<br />
Wynikiem tego projektu badawczego jest stworzenie dobrze określonej bazy<br />
danych o składzie granulometrycznym, zawartości kwarcu, zawartości materii<br />
organicznej, pH, gęstości i wilgotności gleby oraz cieplnych właściwości gleby<br />
wybranych obszarów. Tę bazę wykorzystano do wstępnej walidacji pomiarów<br />
wilgotności gleby, interpretowanej z danych ENVISAT-ASAR, dla zdjęcia z Polesia<br />
lubelskiego. Dalej, ta baza danych będzie rozwijana na większe skale, aż na<br />
całą Polskę, dla potrzeb wykorzystywania modelu CMEM, do walidacji obserwacji<br />
SMOS. Badania wielkoskalowe wymagają niskich rozdzielczości przestrzennych.<br />
Istniejące bazy danych glebowych dla całej Polski mają rozdzielczość około<br />
1 km, i rozróżniają kilkadziesiąt klas glebowych. To przekracza zapotrzebowania<br />
badań z wykorzystaniem SMOS. Model CMEM wymaga określania tylko 2 z 3<br />
głównych składowych Piasek-Pył-Ił (Sand-Silt-Clay), za to z rozróżnianiem wartości<br />
tych składowych znacznie lepszym niż to ma miejsce dla uznawanych kilkudziesięciu<br />
typów gleb. Potrzeba tak wielkie liczby klas gleb, specyfikowanych<br />
w istniejących bazach danych, jest podporządkowana innym potrzebom, np. rolnym,<br />
a nie fizycznym ocenom ich emisyjności szumu elektromagnetycznego.<br />
Dlatego te bazy danych wymagają stopniowania zawartości piasku i gliny przy-
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 159<br />
najmniej do 10%, podczas gdy klasy w bazach danych rolnych, mają tę zawartość<br />
określaną niekiedy w zakresach kilkudziesięciu procent. Mapa glebowa obszaru<br />
dużego powinna wykazywać przestrzenny związek z morfologią, i hydrografią, a<br />
często ten związek jest ukryty i niekonsekwentny. W pewnych obszarach należałoby<br />
spodziewać się widocznej gradacji zmiany składu, zgodnej z hydrografią.<br />
Tymczasem w wielkiej skali, prędzej można zauważyć kontrasty składu gleb ma<br />
granicach kraju, które trudno uzasadniać odmiennością użytkowania lub pokrycia<br />
terenu. Wskazuje to raczej na odmienne sposoby charakteryzowania gleb w regionach,<br />
z przyczyn innych niż tylko precyzja metod. Badania wielkoskalowe,<br />
zwłaszcza satelitarne, ujawniają takie kontrasty, stwarzają potrzeby wspólnego<br />
sposobu charakteryzowania gleb, i dają odpowiednie możliwości techniczne.<br />
Wielką rolę odgrywają tu metody statystyczne, i dlatego ta praca ma właśnie<br />
orientację statystyczną. Zrealizowany program badawczy jest częścią pakietu<br />
tematycznego SWEX_Polesie (Gleba Woda i Wymiana Energii), w projekcie<br />
badawczym SWEX_Poland (2005-2009) w ramach misji badawczej SMOS (Wilgotność<br />
Gleby i Zasolenie Oceanów) nadzorowanej przez Europejską Agencję<br />
Kosmiczną (ESA) w badaniach nad globalnymi zmianami klimatu.<br />
Można nie rozsądzać o przyczynach zmiany klimatu. Można nie określać klimatu<br />
na wielkie skale, chociażby z powodu braku kompetencji klimatologicznych.<br />
Nie można jednak negować zmiany klimatu, nie podejmując działań dla<br />
wytwarzania danych prowadzących do istotnych miar klimatycznych, pozwalających<br />
– innym, na stwierdzanie czy klimat się zmienia, na ile, w jakich kierunkach,<br />
i na podstawie jakich danych. Temu służą współprace naukowe i organizacyjne<br />
[128], aby prowadzić do synergii różnych nauk o Ziemi.<br />
W roku 2010, Polski nadal nie ma pośród 76 krajów i wielkich organizacji sygnatariuszy<br />
światowego porozumienia GEOSS (Global Earth Observation System<br />
of Systems), które w roku 2005 przyjęło 10-letni plan działania [47].<br />
PIŚMIENNICTWO<br />
1. Anderson A. N., McBratney A. B., Crawford J. W.: Applications of Fractals to Soil Science.<br />
Advences in Agronomy, (Ed. D. L. Sparks, Academic Press), 63, 2-76, 1998.<br />
2. Armstrong A. C.: On the fractal dimensions of some transient soil properties. J. Soil Sci., 37,<br />
641-652, 1986.<br />
3. Bachmann J., Horton R., Ren T., Van der Ploge R.R.: Comparison of the thermal properties<br />
of four wettable and four water-repellent soils. Soil Sci. Soc. Am. J., 65, 1675-1679, 2001.<br />
4. BEAM software http://www.brockmann-consult.de/cms/web/beam<br />
5. Bristow K.L., Kluitenberg G.J., Horton R.: Measurement of soil thermal properties with a<br />
dual-probe heat-pulse technique. Soil Sci. Soc. Am. J., 58, 1288-1294, 1994.
160<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
6. Bałaga K., Dobrowolski R., Rodzik J.: Paleogeograficzne warunki rozwoju jezior i torfowisk<br />
Poleskiego Parku Narodowego i jego strefy ochronnej, Annales UMCS, sec. B, vol. 48, 1-18,<br />
1995,<br />
7. Baranowski P., Kossowski J., Usowicz B.: Spatial variability of soil water content in cultivated<br />
fields. Zesz. Probl. Post. Nauk Roln., 405, 9-19, 1994.<br />
8. Bartoli F., Burtin G., Royer J. J., Gury M., Gomendy V., Phylippy R., Leviandier Th.,<br />
Gafrej R.: Spatial variability of topsoil characteristics within one silty soil type. Effects on clay<br />
migration. Geoderma, 68, 279-300, 1995.<br />
9. Bartoli F., Philippy R., Burtin G.: Influence of organic matter aggregation in Oxisols rich in<br />
gibbsite or in goethite. I. Structures: the fractal approach. Geoderma, 54, 231-257, 1992.<br />
10. Bartoli F., Philippy R., Doirisse M., Niquet S., Dubuit M.: Structure and self-similarity in<br />
silty and sandy soils: the fractal approach. J. Soil Sci., 42, 167-185, 1991.<br />
11. Bednarek H., Kołodziej J., Liniewicz K.: Wybrane cechy intercepcji opadów atmosferycznych<br />
w łanach niektórych roślin uprawnych. Acta Agrophysica, 34, 19-28, 2000.<br />
12. Białousz S.: Soil map of Poland according to FAO legend with different number of soil mapping<br />
units. Proc. Land Information System, Hannover, 1966.<br />
13. Bołaszewska J., Reutt F.: Częstość występowania poszczególnych mas powietrza w Polsce w<br />
okresie 10 lat 1946-1956. Prace PIHM, 66, 16-32, 1962.<br />
14. Brightness Temperature http://en.wikipedia.org/wiki/Brightness_Temperature<br />
15. Brus D.,J.: Incorporating models of spatial variation in sampling strategies for soil. PhD Thesis,<br />
Wageningen Agricultural University, The Netherlands, 1-211, 1993.<br />
16. Burrough P. A.: Multiscale sources of spatial variability in soil. I. The application of fractal<br />
concepts to tested levels of soil variation. J. Soil Sci., 34, 577-626, 1983.<br />
17. Burrough, P.A.: Fractal dimensions of landscapes and other environmental data. Nature, 294,<br />
240-242, 1981.<br />
18. Burrough, P.A.: Principles of Geographical Information Systems for Land Resources Assessment.<br />
Oxford University Press, Oxford. 1986.<br />
19. Burgess, T.M. and R. Webster: Optimal interpolation and isarithmic mapping of soil properties.<br />
I. The semivariogram and punctual kriging. J. Soil Sci., 31, 315-331, 1980.<br />
20. Burgess, T.M. and R. Webster: Optimal interpolation and isarithmic mapping of soil properties.<br />
II. Block kriging. J. Soil Sci., 31, 333-341, 1980.<br />
21. Carslaw H.S., Jaeger J. C.: Conduction of Heat in Solids", Oxford University Press, 2 nd edition,<br />
(1959)<br />
22. Chmielewski T. J. (red.): Rezerwat Biosfery „Polesie Zachodnie”. Walory, funkcjonowanie,<br />
perspektywy rozwoju, Poleski Park Narodowy, Wojewoda Lubelski, <strong>Lublin</strong>-Urszulin. 2005.<br />
23. Chomicz K., Kuczmarska L.: Zachmurzenie i usłonecznienie w Polsce. Przegl. Geofiz., XVI,<br />
1-2, 69-94, 1971.<br />
24. CMEM: Community Microwave Emission Model, ECMWF<br />
http://www.ecmwf.int/research/ESA_projects/SMOS/cmem/cmem_index.html<br />
25. CORINE Land Cover http://www.eea.europa.eu/publications/COR0-landcover<br />
http://www.earthobservations.org/documents.shtml<br />
26. David, M.: Geostatistical Ore Reserve Estimation. Elsevier, Scientific Publishing Co., Amsterdam,<br />
The Netherlands, 1977.<br />
27. de Vries, D.A.: Thermal properties of soils. In W.R. van Wijk (ed.) Physics of plant environment.<br />
North-Holland, Amsterdam, 210-235, 1963.<br />
28. Dobrzański B., Malicki A.: Gleby województwa krakowskiego i rzeszowskiego. Annales<br />
UMCS, s.B, 4, 117-134, 1950.
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 161<br />
29. Dobrzański B., Piszczek J.: Mapa gleb powiatu mieleckiego. Annales UMCS, s.B, 3, 15-31.<br />
1948.<br />
30. Dobrzański B., Zawadzki S.: Gleboznawstwo. PWN, Warszawa, 1995.<br />
31. Drzymała S., Mocek A.: Metody z zakresu fizyki i chemii gleb zalecane przez ISO (i PKN).<br />
Acta Agrophysica, 48, 253-264, 2001.<br />
32. Dubois P.C., Van Zyl J.J., Engman T.: Measuring Soil Moisture with Imaging Radars. IEEE<br />
Trans. GRS, vol. 33, no. 4, pp. 915-926, 1995.<br />
33. ECMWF http://www.ecmwf.int/research/ESA_projects/SMOS/<br />
34. ECOCLIMAP: A Global Database of Land Surface Parameters at 1km Resolution in Meteorological<br />
and Climate Models<br />
http://www.cnrm.meteo.fr/gmme/PROJETS/ECOCLIMAP/page_ecoclimap.htm<br />
35. Englund E., Sparks A.: Geostatistical Environmental Assessment Software. Environmental<br />
Monitoring Systems Laboratory Office of Research and Development, U.S. Environmental Protection<br />
Agency, Las Vegas, NV 89193-3478, 1988.<br />
36. ENVISAT AATSR Products User Guide http://envisat.esa.int/handbooks/aatsr/CNTR1.htm<br />
37. ENVISAT-ASAR http://envisat.esa.int/handbooks/asar/<br />
38. ENVISAT-MERIS http://envisat.esa.int/handbooks/meris/CNTR1.htm<br />
39. Ernst , W.G., Van de Ven, C.M., Lyon R.J:. Relationship among vegetation, climatic zonation,<br />
soil and bedrock in the Eastern California: a ground base and remote – sensing study. Biulletin<br />
of the Geological Society of America. 115, 12, 1583-1597, 2003.<br />
40. ESA EOPI: Earth Observation Principal Investigator Portal, The submission area for Category-<br />
1 (Scientific) data users, http://eopi.esa.int/esa/esacmd=aodetail&aoname=Cat1<br />
41. ESA Living Planet Cal-Val http://www.esa.int/esaLP/SEMS9WGYX3F_LPsmos_0.html<br />
42. ESA Software Tools http://envisat.esa.int/resources/softwaretools/<br />
43. Eumetsat LSA SAF: Labd Surface Analysis Satellite Application Facility,<br />
http://landsaf.meteo.pt/<br />
44. Eumetsat SAFs http://www.eumetsat.int/Home/Main/What_We_Do/SAFs/index.html=en<br />
45. Gamma Design Software GS+9. 2008: Geostatistics for the environmental sciences.<br />
46. GCOS, UN Framework Convention on Climate Change (UNFCCC), Background Documents<br />
http://ioc3.unesco.org/oopc/documents/background.php Systematic Observation Requirements<br />
for Satellite-based Products for Climate: Supplemental details to the satellite-based component<br />
of the GCOS IP (September 2006), GCOS-107.pdf<br />
47. GEOSS Global Earth Observation System of Systems<br />
http://www.earthobservations.org/documents.shtml<br />
48. Gliński J., Ostrowski J., Stępniewska Z., Stępniewski W.: Bank próbek glebowych reprezentujących<br />
gleby mineralne Polski. Probl. Agrofizyki, 66, 1-57, 1991.<br />
49. Gołaszewski J.: Analiza zmienności przestrzennej w doświadczeniach polowych. Fragmenta<br />
Agronomica (XVII), 4(68), 4-14, 2000.<br />
50. Gołaszewski J.: Szacowanie i eliminacja efektów zmienności przestrzennej w doświadczalnictwie<br />
polowym. Post. Nauk Roln., 2, 31-51, 2000.<br />
51. Gotway C.A., Hergert G.W.: Incorporating spatial trends and anisotropy in geostatistical<br />
mapping of soil properties. Soil Sci. Soc. Am. J., 61, 298-309, 1997.<br />
52. Griffith, D.A.: Spatial Autocorrelation: A Primer. Association of American Geographers,<br />
Washington, D.C., 1-86, 1987.<br />
53. Gumiński R.: Próba wydzielenia dzielnic rolniczo-klimatycznych w Polsce. Przegl. Meteorol.<br />
Hydrolog., 1, 7-20,1948.
162<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
54. Harasimiuk M., Michalczyk Z., Turczyński M. (red.): Jeziora łęczyńsko-włodawskie, Monografia<br />
przyrodnicza, Biblioteka Monitoringu Środowiska, UMCS. WIOŚ, <strong>Lublin</strong>, 1-176,<br />
1998.<br />
55. Harasimiuk M., Dobrowolski R., Rodzik J.: Budowa geologiczna i rzeźba terenu Poleskiego<br />
Parku Narodowego, (w:) S. Radwan (red.), Poleski Park Narodowy. Monografia przyrodnicza,<br />
Wyd. MORPOL, <strong>Lublin</strong>, 29-41, 2002.<br />
56. Hardy, M., Jamogne, M. et. al .: Mineralogical development of the silt fraction of a podzoluvisol<br />
on loess in the Paris Basin (France). European Journal of Soil Sci., 50, 443 – 456, 1999.<br />
57. Haan C.T.: Statistical Methods in Hydrology. Iowa State University Press, Ames, Iowa. 1977.<br />
58. Hopmans J.W., Dane J.H.: Thermal conductivity of two porous media as a function of water<br />
content, temperature and density. Soil Sci., 142 (4), 187-195, 1986.<br />
59. Hummatov N.G., Zheromskiy S.V., Mironenko Ye.V., Pachepskiy Ya.A., Shcherbakov<br />
R.A.: Geostatistical analysis of water retention capacity spatial variability for a grey forest soil.<br />
Pochvoviedenie, 6, 52-62, 1992.<br />
60. Isaaks E.H., Srivastava R.M.: An introduction to applied geostatistics. Oxford University<br />
Press, NY, 1989.<br />
61. Jackson, M.L., Sayin, M., Clayton, R.N.: Hexafluorosilisic acid reagent modification for<br />
quartz isolation, Soil Sci. Soc. Am. J. 40, 958 – 960, 1976.<br />
62. Journel A.G., Huijbregts C.J.: Mining Geostatistics. Academic Press, New York, 1978.<br />
63. JRC European Soil Portal http://eusoils.jrc.ec.europa.eu/<br />
64. Kowaliński S., Truszkowska R., Kowalkowski A., Ostrowski J.: Bank informacji o środowisku<br />
glebowym BIGLEB. Rocz. Glebozn., 30(1), 73-84, 1979.<br />
65. Kaszewski B.M.: Klimat Polesia Lubelskiego i jego zmiany. Acta Agrophysica, 66, 21-48,<br />
2002.<br />
66. Kaszewski B.M., Mrugała S.: Wybrane charakterystyki temperatury powietrza i opadów<br />
atmosferycznych na obszarze lubelszczyzny (1951-1990). Acta Agrophysica, 47, 1-75, 2001.<br />
67. Kaszewski B.M., Mrugała S., Warakomski W.: Temperatura powietrza i opady atmosferyczne<br />
na obszarze Lubelszczyzny (1951-1990). W: Środowisko przyrodnicze Lubelszczyzny, LTN,<br />
<strong>Lublin</strong>, 1995.<br />
68. Kaszewski B. M.: Warunki klimatyczne Poleskiego Parku Narodowego, (w:) S. Radwan (red.),<br />
Poleski Park Narodowy. Monografia przyrodnicza, Wyd. MORPOL, <strong>Lublin</strong>, 19-28, 2002.<br />
69. Kaszewski B. M., Mrugała S.: Wybrane charakterystyki temperatury powietrza i opadów<br />
atmosferycznych na obszarze lubelszczyzny (1951-1990), Acta Agrophysica, 47, 1-75, 2001.<br />
70. Kersten, M.S.: Thermal properties of soils. Bull. 28. University of Minnesota. Inst. Technology,<br />
Enginering Experiment Station, 52, 21, 1949.<br />
71. Kimball B.A., Jackson R.D., Reginato R.J., Nakayama F.S., Idso S.B: Comparison of fieldmeasured<br />
and calculated soil-heat fluxes. Soil Sci. Soc. Am. J., 40, 18-25, 1976.<br />
72. Kędziora A.: Podstawy agrometeorologii. PWRiL. Poznań, 1995.<br />
73. Kędziora A., Olejnik J.: Heat balance structure in agroecosystems. In: L.Ryszkowski, N.R.<br />
French, A.Kędziora (Eds.) – Dynamics of an agricultural landscape. PWRiL, Poznań, 45-64,<br />
1996.<br />
74. Kołodziej J., Liniewicz K., Orzeł W.: Investigations into the relationship between the amount<br />
of precipitation, the precipitation interception and the moisture of soil under cultivated plants.<br />
Zesz. Probl. Post. Nauk Roln., 220, 191-202, 1979.<br />
75. Komisarek J.: Zmienność przestrzenna czarnych ziem i gleb płowych falistej moreny dennej<br />
Równiny Kościańskiej. Roczn. AR Poznań, CCLXVIII, 205-217, 1994.<br />
76. Kondracki J.: Geografia regionalna Polski. PWN, Warszawa 2000.
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 163<br />
77. Kossowski J.: O częstości głównych typów pogody w Polsce. Przegl. Geofiz., XIII(XXI), 3,<br />
283-292, 1968.<br />
78. Kossowski J.: Przebieg roczny częstości występowania głównych typów pogody w poszczególnych<br />
regionach Polski w okresie 1951-1960. Folia Soc. Sci. <strong>Lublin</strong>., s.D, 9, 61-67, 1969.<br />
79. Kossowski J.: Thermal properties of soil in Felin. Report MR II.08.02.8, Institute of Agrophysics,<br />
PAS, <strong>Lublin</strong> 1977.<br />
80. Kossowski J., Usowicz B.: Charakterystyka pola wilgotności gleby przy różnej liczbie<br />
próbkowań. Acta Agrophysica, 38, 127–137, 2000.<br />
81. Kożuchowski K., Marciniak K.: Fluktuacje kontynentalizmu klimatu Polski na tle warunków<br />
cyrkulacyjnych i solarnych. Przegl. Geofiz., XXXI(XXXIX), 2, 1986.<br />
82. Kuczmarski K., Paszyński J.: Zmienność dobowa i sezonowa usłonecznienia w Polsce.<br />
Przegl. Geogr., 53, 4, 779-791, 1981.<br />
83. Lipiec J., Hakansson I., Tarkiewicz S., Kossowski J.: Soil physical properties and growth of<br />
spring barley related to the degree of compactness of two soils. Soil and Tillage Res., 19, 307-<br />
317, 1991.<br />
84. Lipiec J., Usowicz B.: Spatial variability of penetration resistance of soil at different compaction<br />
level. Bibliotheca Fragmenta Agronomica. t.2b, 423-426, 1997.<br />
85. Madsen, A.F., Rose, C., Cee, R.: Review of quartz analytical methodologies: present and<br />
future needs. Appl. Occup. Environ. Hyg. 10 (12), 991 – 1002, 1995.<br />
86. Malicki M.: A reflectometric (TDR) meter of moisture content in soils and other capillaryporous<br />
materials. Zesz. Probl. Post. Nauk Roln., 388, 107-114, 1990.<br />
87. Mandelbrot B.B.: The Fractal Geometry of Nature. W.H. Freeman, London. 1982.<br />
88. Marczewski W., Schröer K., Seiferlin K., Usowicz B., Banaszkiewicz M., Hlond M., Grygorczuk<br />
J., Gadomski S., Krasowski J., Gregorczyk W., Kargl G., Hagermann A., Ball A.<br />
J., Kührt E., Knollenberg J., Spohn T.: „Prelaunch performance evaluation of the cometary<br />
experiment MUPUS-TP", J. Geophys. Res., Vol. 109, No. E7, E07S09, (08 July 2004), pp. 1-<br />
17, doi 10.1029/2003JE002192<br />
89. Marczewski W., Usowicz B., Dabrowski B., Wawrzaszek R., Seweryn K., Sendek E.,<br />
Kömle N.I., Kargl G.: „On the use of the Fourier number to interpret thermal measurements<br />
with a quasi–linear heat source”, pp. 57-82, Penetrometry in the Solar System II, Print version<br />
ISBN 978-3-7001-6664-1, Austrian Academy of Sciences, 2009, Online version:<br />
http://hw.oeaw.ac.at/arp=0x001e8a5e<br />
90. Marczewski W., Zawadzki J., Przeździecki K., Szymankiewicz K.: ”Soil Moisture Monitoring<br />
at the Kampinoski National Park, Poland, for Validating SMOS”, ISRSE-33 Symposium,<br />
Stresa May 2009, 6 pages, (in press)<br />
91. Matheron G.: The theory of regionalized variables and its applications. Cahiers du Centre de<br />
Morphologie Mathematique, Fontainebleau, No. 5, 1971.<br />
92. McBratney A.B., Webster R.: How many observations are needed for regional estimation of<br />
soil properties. Soil Sci., 135(3), 177-183, 1983.<br />
93. Miara K., Paszyński J., Grzybowski J.: Zróżnicowanie przestrzenne bilansu promieniowania<br />
na obszarze Polski. Przegl. Geogr., 59, 4, 487-509, 1987.<br />
94. Michalczyk. Z, Chmiel S., Turczyński M.: Stosunki wodne na obszarze funkcjonalnym Poleskiego<br />
Parku Narodowego, (w:) S. Radwan (red.), Przyrodnicze podstawy ochrony i odnowy<br />
ekosystemów wodno-torfowiskowych w obszarze funkcjonalny P P N na tle antropogenicznych<br />
przekształceń środowiska przyrodniczego. Acta Agrophysica, 91, Rozprawy i monografie, Inst.<br />
Agrofizyki PAN, <strong>Lublin</strong>, 26-67, 2003.<br />
95. Michalczyk Z., Bartoszewski S., Turczyński M.: Stosunki wodne Polesia, (w:) S. Radwan<br />
(red.), J. Gliński, M. Geodecki, M. Rozmus, Środowisko przyrodnicze Polesia – stan aktualny i<br />
zmiany, Acta Agrophysica, 66, Inst. Agrofizyki PAN, <strong>Lublin</strong>, 49-76, 2002.
164<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
96. Michalczyk Z., Bartoszewski S., Chmiel S., Dawidek J., Głowacki S., Turczyński M.: Zasoby<br />
wodne Poleskiego Parku Narodowego, (w:) S. Radwan (red.), Poleski Park Narodowy.<br />
Monografia przyrodnicza, Wyd. MORPOL, <strong>Lublin</strong>, 55-71, 2002.<br />
97. Michna E.: Usłonecznienie województwa lubelskiego na tle usłonecznienia Polski. Folia Soc.<br />
Sci. <strong>Lublin</strong>., s. Geogr., 16, 1, 37-42, 1974.<br />
98. Moreno F., Usowicz B., Fernandez J.E., Andreu L.: Spatial distribution of salinity and water<br />
content in the reclaimed salt-affected soils of south-western Spain. Proc Int. Conf. "Wastewater<br />
re-use in irrigated agriculture" 22-26 September 1997, vol. IV, 83-93, Valenzano (Bari), Italy.<br />
99. Musierowicz A. (red.): Mapa gleb Polski w skali 1:300 000. Wyd. Geologiczne, Warszawa,<br />
1961.<br />
100. Myślińska E.: Laboratoryjne badania gruntów. Wyd. III. PWN, Warszawa, str. 213, 2001.<br />
101. NEST (Next Esa Sar Tool) http://www.array.ca/nest/tiki-index.php<br />
102. Noborio K.,. McInnes K.J.: Thermal conductivity of salt-affected soils. Soil Sci. Soc .Am.<br />
J., 57: 329–334, 1993.<br />
103. Noborio K., McInnes K.J., Heilman J.L.: Measurements of soil water content, heat capacity,<br />
and thermal conductivity with a single TDR probe. Soil Sci., 161, 22-28, 1996.<br />
104. Ochsner T.E., Horton R., Ren T.: Simultaneous water content, air-filled porosity, and bulk<br />
density measurements with thermo-time domain reflectometry. Soil Sci. Soc. Am. J., 65,<br />
1618-1622, 2001.<br />
105. Ochsner T.E., Horton R., Ren T.: A new perspective on soil thermal properties. Soil Sci.<br />
Soc. Am. J., 65, 1641-1647, 2001.<br />
106. Okołowicz W.: Regiony klimatyczne. Polska – Atlas geograficzny, PPWK, Warszawa, 1966.<br />
107. Olejnik J.: Modelowe badania struktury bilansu cieplnego i wodnego zlewni w obecnych i<br />
przyszłych warunkach klimatycznych. Roczniki Akademii Rolniczej w Poznaniu Rozprawy<br />
Naukowe. 268, s.125, 1996.<br />
108. Ostrowski J.: Nizina Południowopodlaska. Przegl. Geogr., 38, 3, 393-406, 1966.<br />
109. Pannatier Y.: Variowin 2.1. Program for Geostatistical Analysis. University Of Lousanne,<br />
1994.<br />
110. Papritz A.J.: Estimating temporal change of soil properties. Phd thesis, Swiss Federal Institute<br />
of Technology, Zurich, 166 Pp. 1993.<br />
111. Paszyński J.: Studies on the heat balance and on evaporation. Geogr. Pol., 22, 35-51, 1972.<br />
112. Paszyński J., Krawczyk B.: Climatic regions of Poland. Indojaras, 74, 124-128, 1970.<br />
113. Podogrocki J.: Spatial distribution of global radiation in Poland. Publ. Inst. Geoph. PAN, D-<br />
5(120), 17-30, 1978.<br />
114. Podogrocki J.: On solar energy resources in Poland during the vegetation period. Zesz. Probl.<br />
Post. Nauk Roln., 369, 245-250, 1989.<br />
115. PolSARpro Software http://earth.esa.int/polsarpro/<br />
116. Ren, T., Gong, Y., Horton, R.: An improved model for predicting soil thermal conductivity<br />
from water content at room temperature. Soil Sci. Soc. Am. J. 71, 1, 8 – 14, 2007.<br />
117. Ren T., Noborio K., Horton R.: Measuring soil water content, electrical conductivity and<br />
thermal properties with a thermo-tine domain reflectometry probe. Soil Sci. Soc. Am. J., 63,<br />
450-457, 1999.<br />
118. Robertson G.P. : Geostatistics in ecology: interpolating with known variance. Ecology, 68,<br />
744-748, 1987.<br />
119. Romer E.: Regiony klimatyczne Polski. Prace Wrocł. Tow. Nauk., s.B, 16, Wrocław 1949.<br />
120. Schoefield R.K., Taylor A.W.: The measurement of soil pH. Soil Sci. Soc. Am. Proc., 19,<br />
164-167, 1955.<br />
121. Schmuck A.: Regiony pluwiotermiczne w Polsce. Czasop. Geogr., 36, 3, 241-244, 1965.
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 165<br />
122. Schmuck A.: Regiony termiczne w Polsce. Czasop. Geogr., 32, 1, 17-30, 1961.<br />
123. Sikora E.: Zależność właściwości cieplnych zagregowanych próbek glebowych od wielkości<br />
agregatów i uwilgotnienia. Praca doktorska. AR <strong>Lublin</strong>, 1983..<br />
124. SMAP: Soil Moisture Active and Passive, http://smap.jpl.nasa.gov/science/<br />
125. SMOS: Soil Moisture and Ocean Salinity Mission, CESBIO http://www.cesbio.upstlse.fr/us/indexsmos.html<br />
ESA http://www.esa.int/esaLP/LPsmos.html<br />
126. Smith, B.R., Granger M.A., Buol S.W.: Sand and course silt mineralogy of selected soils on<br />
the Lower Coastal Plain of North Carolina. Soil Sci. Soc. Am. J., 40, 928 – 932, 1976.<br />
127. Sokal R.R., Oden N.L.: Spatial autocorrelation in biology. 1. Methodology. 2. Some biological<br />
implications and four applications of evolutionary and ecological interest. Biological<br />
Journal of the Linnean Society 10, 199-228, 1978.<br />
128. SSE: Service Support Environment Land Surface - Analysis Aatellite Application Service,<br />
http://services.eoportal.org/portal/service/ShowServiceInfo.doserviceId=8E817188<br />
129. Spohn T., Seiferlin K., Hagermann A., Knollenberg J., Ball A. J. , Banaszkiewicz M.,<br />
Benkhof J., Gadomski St., Grygorczuk J., Hlond M., Kargl G., Kührt E., Koemle N.,<br />
Marczewski W., Zarnecki J.C.: „MUPUS - A Thermal and Mechanical Properties Probe for<br />
the Rosetta Lander PHILAE", Springer - Space Science Reviews, Special Issue - Rosetta Mission,<br />
(2007), Volume 128, Numbers 1-4, (February 2007), doi: 10.1007/s11214-006-9081-2,<br />
pp. 339-362(24)<br />
130. SRTM: The Shuttle Radar Topography Mission, NASA, http://www2.jpl.nasa.gov/srtm/<br />
CGIAR, http://srtm.csi.cgiar.org/<br />
131. StatSoft, Inc. (2008). STATISTICA (data analysis software system), version 8.0.<br />
www.statsoft.com.<br />
132. Stawiński J., Gliński J., Ostrowski J., Stępniewska Z.: Mapa Powierzchni Właściwej Gleb<br />
Ornych Polski. IA PAN <strong>Lublin</strong> – IMUZ Falenty, 1999.<br />
133. Stawiński J., Wierzchoś J., Józefaciuk G.: Metoda pomiaru pH układów glebowych eliminująca<br />
efekt suspensji. Zesz. Probl. Postęp. Nauk Roln., 315, 233-242, 1986.<br />
134. Stępniewska Z., Stępniewski W., Gliński J., Ostrowski J.: Atlas Oksydoredukcyjnych<br />
Właściwości Gleb Ornych Polski. IA PAN <strong>Lublin</strong> – IMUZ Falenty, 1996.<br />
135. SWAT Soil Water Assessment Tool http://swatmodel.tamu.edu/<br />
136. SWEX (Soil Water and Energy Exchange) http://swex.cbk.waw.pl/<br />
137. Thermal Radiation http://en.wikipedia.org/wiki/Thermal_radiation<br />
138. Trangmar B.B., Yost R.S., Uehara G.: Applications of geostatistics to spatial studies of soil<br />
properties. In: N.C. Brady, editor. Advances in Agronomy, Vol. 38, 45-94, Academic Press,<br />
New York, 1985.<br />
139. Truszkowska R.: Kompleksy gleb o zbliżonej przydatności rolniczej. W: Dziedzic F., Dąbrowski<br />
P. (Red.) Atlas Rolniczy Polski. Wyd. Geologiczne, Warszawa, 1966.<br />
140. Truszkowska R.: Wojewódzki bank informacji o środowisku glebowo-roślinnym i czynnikach<br />
mu zagrażających: Bigleb-Wo. Prace Kom. PTG, 117, 1992.<br />
141. Turczyński M.: Komentarz do mapy hydrograficznej w skali 1:50 000, Arkusz M-34-23-D<br />
Hańsk, Zak. Hydr. UMCS, maszynopis, 2007.<br />
142. Turski R., Uziak S., Zawadzki S.: Środowisko Przyrodnicze Lubelszczyzny – Gleby. LTN,<br />
<strong>Lublin</strong>, 1-107, 1993.<br />
143. Turski R.: Gleboznawstwo. Ćwiczenia dla studentów wydziałów rolniczych, WAR <strong>Lublin</strong>,<br />
1-219, 1998.<br />
144. Ulaby F.T., Batlivala P.P., Dobson M.C.: Microwave Backscatter Dependence on Surface<br />
Roughness, Soil Moisture, and Soil Texture: Part I-Bare Soil. IEEE TRANSACTIONS ON<br />
GEOSCIENCE ELECTRONICS, VOL. GE-16, NO. 4, pp 286- 295, 1978.
166<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
145. Ulaby F.T., Bradley G.A., Dobson M.C.: Microwave Backscatter Dependence on Surface<br />
Roughness, Soil Moisture, and Soil Texture: Part II-Vegetation-Covered Soil. IEEE TRANS-<br />
ACTIONS ON GEOSCIENCE ELECTRONICS, VOL. GE-17, NO. 2, pp 33-40, 1979.<br />
146. Usowicz B., Baranowski P., Kossowski J.: Spatial Distribution Of Some Physical Quantities<br />
Characterizing Soil Structure State In Cultivated Fields. Polish J. Soil Sci. 28/1, 19-27, 1995.<br />
147. Usowicz B., Kossowski J., Baranowski P.: Spatial variability of soil thermal properties in<br />
cultivated fields. Soil and Tillage Res., 39, 85-100, 1996.<br />
148. Usowicz B., Kossowski J.: Distribution of soil water content in cultivated fields based on<br />
measurement by gravimetric and reflectometric methods. Zesz. Prob. Post. Nauk Roln., 436,<br />
157-165, 1996.<br />
149. Usowicz B., Kossowski J. Comparison of soil thermal properties in cultivated fields determined<br />
using soil water content measured by two methods. Int. Agrophysics. 13, 295-307,<br />
1999.<br />
150. Usowicz B.: Statistical-physical model of thermal conductivity in soil. Polish J. Soil Sci.,<br />
XXV/1, 27–34, 1992.<br />
151. Usowicz B.: Evaluation of methods for soil thermal conductivity calculations. Int. Agrophysics,<br />
9(2), 109–113, 1995.<br />
152. Usowicz B.: Soil thermal properties software package 2.0. Copyright: Institute of Agrophysics<br />
PAS, <strong>Lublin</strong>, 1998.<br />
153. Usowicz B.: Time and space variability of soil thermal properties in cultivated fields. Proc.<br />
16 th World Congress of Soil Science, Montpellier, France, 20-26 August 1998, CD 253-t.pdf,<br />
1-9, 1998.<br />
154. Usowicz B.: Statystyczno-fizyczne modele przepływu masy i energii w ośrodku porowatym.<br />
Acta Agrophysica, 29, s.112, 2000.<br />
155. Usowicz B.: Ocena zmienności wybranych cech gleby przy różnym układzie i liczbie próbkowań.<br />
Acta Agrophysica 57, 147-158, 2001.<br />
156. Usowicz, B., Hajnos, M., Sokołowska, Z., Józefaciuk, G., Bowanko, G., Kossowski, J.,<br />
2004. Przestrzenna zmienność fizycznych i chemicznych właściwości gleby w skali pola i<br />
gminy. Acta Agrophysica, Rozprawy i Monografie, 103, 1-90.<br />
157. Usowicz Ł.B., Usowicz B.: Spatial Variability Of Soil Particle Size Distribution In Poland.<br />
17 th World Congress Of Soil Science, 14-20 August 2002, Bangkok, Thailand, Symposium<br />
No.48, Paper 274, 1-10, 2002.<br />
158. Walczak R. Usowicz B.: Variability of moisture, temperature and thermal properties in bare<br />
soil and in crop field. Int. Agrophysics, 8, 161-168,1994.<br />
159. Walczak R., Ostrowski J., Witkowska-Walczak B., Sławiński C.: Spatial characteristics of<br />
water conductivity in the surface level of Polish arable soils. Int. Agrophysics, 16, 3, 239-247,<br />
2002.<br />
160. Warakomski W.: Zmienność średniej miesięcznej temperatury powietrza w okresie wegetacyjnym<br />
na Lubelszczyźnie w latach 1951-1990. 99-106 w: Gleby i klimat Lubelszczyzny,<br />
<strong>Lublin</strong>, 1995.<br />
161. Webster R.: Quantitative Spatial Analysis of Soil in The Field. Advances in Soil Sci., 3, 1-<br />
70. 1985.<br />
162. Webster R., Burgess T.M.: Sampling and bulking strategies for estimating soil properties in<br />
small regions. J. Soil Sci., 35, 127-140, 1984.<br />
163. Webster, R. and M.A. Oliver: Statistical Methods in Soil and Land Resource Survey.<br />
Oxford University Press, NY, 1-316, 1990.<br />
164. Wierzchoś J.: Analiza fizykochemicznych warunków tworzenia się i trwałości struktury<br />
glebowej. Praca doktorska. IUNG, Puławy, 1989.<br />
165. Wilgat T. (red.): Polesie Lubelskie, Wyd. Lubelskie, <strong>Lublin</strong>. 1963.
<strong>WODA</strong> W <strong>GLEBIE</strong> - <strong>POMIARY</strong> <strong>NAZIEMNE</strong> I <strong>SATELITARNE</strong>... 167<br />
166. Wilgat T.: Jeziora Łęczyńsko-Włodawskie, Annales UMCS, s. B, vol. 8, Wyd. UMCS, <strong>Lublin</strong>,<br />
37-122, 1954.<br />
167. Wilgat T., Michalczyk Z., Paszczyk J.: Płytkie wody podziemne w obszarze związanym z<br />
centralnym rejonem Lubelskiego Zagłębia Węglowego, UMCS, Inst. Nauk o Ziemi, <strong>Lublin</strong>,<br />
1-71, 1984.<br />
168. Wiszniewski W., Chełchowski W.: Charakterystyka klimatu i regionizacja klimatologiczna<br />
Polski. IMGW, Wyd. Kom. Łączn., Warszawa, 1975.<br />
169. Witek T. (Red.): Waloryzacja Rolniczej Przestrzeni Produkcyjnej Polski Według Gmin.<br />
Iung, Puławy, 1-416, 1981.<br />
170. Wojciechowski K.: Zagadnienie metody bilasu wodnego Thornthwaite’a i Mathera w zastosowaniu<br />
do Polski, Prace Geograficzne IG PAN nr 68, PWN Warszawa,1-80, 1968.<br />
171. Woś A.: Klimat Polski. Wyd. PWN, Warszawa, 1999.<br />
172. Van Reeuwijk L.P. (ed.): Procedures for Soil Analysis. Fifth edition. ISRIC Technical Paper<br />
9. Wageningen, The Netherlands, 1995.<br />
173. Vauclin, M., S.R. Vieira, G. Vachaud, and D.R. Nielsen. 1983. The use of cokriging with<br />
limited field soil observations. Soil Sci. Soc.Am. J. 47:175–184.<br />
174. Vieira S.R., Hatfield J.L., Nielsen D.R., Biggar J.W.: Geostatistical theory and application<br />
to variability of some agronomical properties. Hilgardia. 51, 1-75, 1983.<br />
175. Zinkiewicz W., Zinkiewicz A.: Stosunki klimatyczne województwa lubelskiego. Annales<br />
UMCS, s. B, 28, 139-202, 1973.<br />
176. Żelichowski A. M.: Tektonika Lubelskiego Zagłębia Węglowego, Przew. LVI Zjazdu PTGeol.,<br />
Wyd. Geol., Warszawa, 21-35, 1984.
168<br />
B. USOWICZ, W. MARCZEWSKI I IN…<br />
Adresy autorów:<br />
Bogusław Usowicz<br />
Jerzy Lipiec<br />
Zofia Sokołowska<br />
Mieczysław Hajnos<br />
Mateusz Iwo Łukowski<br />
Instytut Agrofizyki im. Bohdana Dobrzańskiego PAN<br />
ul. Doświadczalna 4, 20-280 <strong>Lublin</strong><br />
e-mail: Usowicz@demeter.ipan.lublin.pl<br />
Wojciech Marczewski<br />
Centrum Badań Kosmicznych PAN, ul. Bartycka 18A, 00-716 Warszawa<br />
Jerzy Bogdan Usowicz<br />
Centrum Astronomii Uniwersytetu Mikołaja Kopernika, ul. Gagarina 11,<br />
87-100 Toruń<br />
Halina Dąbkowska-Naskręt<br />
Uniwersytet Technologiczno-Przyrodniczy, ul. Bernardyńska 6,<br />
85-029 Bydgoszcz
WYDAWNICTWO NAUKOWE FRNA<br />
Celem Fundacji Rozwoju Nauk Agrofizycznych (FRNA) jest promocja i<br />
wspieranie zadań naukowo-badawczych Komitetu Agrofizyki PAN oraz Instytutu<br />
Agrofizyki im. Bohdana Dobrzańskiego PAN.<br />
Fundacja od początku istnienia bierze aktywny udział we wszelkich pracach<br />
związanych z drukiem i dystrybucją wydawnictw ciągłych, będąc w latach 1992-96<br />
współwydawcą „International Agrophysics” (vol. 6-10) oraz prowadząc<br />
dystrybucję tego tytułu do roku 2000. Obecnie rolę jednostki współwydającej pełni<br />
Komitet Agrofizyki PAN.<br />
W ramach Wydawnictwa Naukowego FRNA ukazały się monografie, w tym<br />
między innymi: Klimat Pola Uprawnego (1999); Właściwości Mechaniczne<br />
Dyskretnych Ośrodków Rolniczych (1999); Agrofizyka na Początku XXI Wieku<br />
(2001); Bonitacja i Klasyfikacja Gleb Polski (2004); Kukurydza Cukrowa (2005),<br />
Problemy Agrofizyczne Kształtowania Środowiska Rolniczego i Jakości Surowców<br />
Żywnościowych (2007), Właściwości Geometryczne, Mechaniczne i Strukturalne<br />
Surowców i Produktów Spożywczych (2007), Właściwości Fizyczne Suszonych<br />
Surowców i Produktów Spożywczych (2007), Nowe trendy w agrofizyce (2008),<br />
Elektrofiltr Bifilarny do Usuwania Pyłów Pochodzenia Roślinnego (2008), Metody<br />
Fizyczne Diagnostyki Surowców Roślinnych i Produktów Spożywczych (2008) czy<br />
Właściwości Fizyczne Surowców Roślinnych (2009).<br />
Główny profil wydawniczy to Agrofizyka, która jest dyscypliną polską a zarazem<br />
podstawową wydawnictwa, lecz zarejestrowany w ISBN profil wydawniczy obejmuje<br />
również takie specjalizacje jak: nauki przyrodnicze, rolnictwo, matematyka, fizyka,<br />
chemia, technika, informatyka, gospodarka, sztuka, muzyka, odpoczynek, hobby,<br />
sport, gospodarstwo domowe, historia, geografia i mapy.<br />
Wydawnictwo Naukowe FRNA, oprócz tradycyjnych form druku, wprowadziło<br />
nowoczesną metodę prezentacji książek na nośnikach elektronicznych (CD-ROM,<br />
DVD) sygnowane FRNA_CD_BOOK oraz KA_PAN_BOOK_CD.<br />
Adres redakcji<br />
Fundacja Rozwoju Nauk Agrofizycznych<br />
Wydawnictwo Naukowe FRNA<br />
Doświadczalna 4, 20-290 <strong>Lublin</strong> 27<br />
Tel.: 081 744 50 61 wew. 163<br />
Fax: 081 744 50 67<br />
e-mail: frna @ipan.lublin.pl lub bdob@ipan.lublin.pl<br />
http://www.ipan.lublin.pl/pl/organizacje/frna.html
Bogusław Usowicz, Jerzy Lipiec, Zofia Sokołowska,<br />
Mieczysław Hajnos, Mateusz Iwo Łukowski<br />
Instytut Agrofizyki im. Bohdana Dobrzańskiego PAN w <strong>Lublin</strong>ie<br />
Wojciech Marczewski<br />
Centrum Badań Kosmicznych PAN w Warszawie<br />
Jerzy Bogdan Usowicz<br />
Centrum Astronomii Uniwersytetu Mikołaja Kopernika w Toruniu<br />
Halina Dąbkowska-Naskręt<br />
Uniwersytet Technologiczno-Przyrodniczy w Bydgoszczy<br />
ISBN-13: 978-83-60489-07-9<br />
ISBN: 978-83-60489-14-7<br />
9 788360 489147