UNIVERZA V LJUBLJANI BIOTEHNIŠKA FAKULTETA ODDELEK ZA AGRONOMIJO
Tina KURINČIČ
UPORABA RADARSKIH IN SATELITSKIH PODATKOV V KMETIJSTVU
DIPLOMSKO DELO Univerzitetni študij - 1. stopnja
Ljubljana, 2021
BIOTEHNIŠKA FAKULTETA ODDELEK ZA AGRONOMIJO
Tina KURINČIČ
UPORABA RADARSKIH IN SATELITSKIH PODATKOV V KMETIJSTVU
DIPLOMSKO DELO Univerzitetni študij - 1. stopnja
THE USE OF RADAR AND SATELLITE DATA IN AGRICULTURE
B. SC. THESIS Academic Study Programmes
Ljubljana, 2021
II
Diplomsko delo je zaključek Univerzitetnega študijskega programa prve stopnje Kmetijstvo – agronomija. Delo je bilo opravljeno na Katedri za agrometeorologijo, urejanje kmetijskega prostora ter ekonomiko in razvoj podeželja.
Študijska komisija Oddelka za agronomijo je za mentorja diplomskega dela imenovala doc.
dr. Zaliko Črepinšek.
Komisija za oceno in zagovor:
Predsednik: prof. dr. Dominik VODNIK
Univerza v Ljubljani, Biotehniška fakulteta, Oddelek za agronomijo Član: doc. dr. Zalika ČREPINŠEK
Univerza v Ljubljani, Biotehniška fakulteta, Oddelek za agronomijo Član: doc. dr. Klemen ELER
Univerza v Ljubljani, Biotehniška fakulteta, Oddelek za agronomijo
Datum zagovora:
III
KLJUČNA DOKUMENTACIJSKA INFORMACIJA ŠD Du1
DK UDK 551.586:551.501.8(043.2)
KG klimatologija, vreme, spremljanje vremena, kmetijstvo, sateliti, radarji AV KURINČIČ, Tina
SA ČREPINŠEK, Zalika (mentor) KZ SI-1000 Ljubljana, Jamnikarjeva 101
ZA Univerza v Ljubljani, Biotehniška fakulteta, Oddelek za agronomijo, Univerzitetni študijski program prve stopnje Kmetijstvo - agronomija
LI 2021
IN UPORABA RADARSKIH IN SATELITSKIH PODATKOV V KMETIJSTVU TD Diplomsko delo (Univerzitetni študij - 1. stopnja)
OP VIII, 22, [3] str., 17 sl., 2 pril., 44 vir.
IJ sl JI sl/en
AI Večina kmetijstva se odvija na prostem in je kot tako zelo odvisno od vremena.
Uporaba satelitskih in radarskih slik nam omogoča natančnejše spremljanje vremena in stanja okolja ter pravočasno ukrepanje v primeru nezaželenih dogodkov v okolju.
Poleg spremljanja oblačnosti so podatki satelitov uporabni za celostno spremljanje stanja posevkov in nasadov, ki se osredotoča na spremljanje stanja vegetacije. Tekom rastne sezone lahko spremljamo indeks listne površine (LAI), stanje in razvoj vegetacije pa opisujejo vegetacijski indeksi, kot je npr. vegetacijski indeks NDVI.
Spremembe v stanju vegetacije so lahko povezane z vročinskimi valovi, sušo, zbitostjo tal, pojavom plevelov, bolezni ali škodljivcev, kar vse lahko tudi spremljamo s sateliti. Evropski radarski program OPERA zagotavlja radarske podatke za napoved padavin in nevarnost toče, sistem Meteoalarm pa na osnovi radarskih meritev podaja opozorila o nevarnih vremenskih dogodkih. Satelitski in radarski podatki v kmetijstvu nam omogočajo kuntinuirano spremljanje stanja in nadzor nad večjimi površinami, zmanjšanje potrebnega terenskega dela ter povečujejo možnosti za pravočasno ukrepanje v primeru neustreznih vremenskih in drugih okoljskih razmer. Poleg tega lahko na osnovi večletnih podatkov analiziramo preteklo stanje ter napovedujemo predvidene spremembe. Predvideva se, da bodo satelitski in radarski podatki v prihodnosti vedno bolj pomembni, saj se kmetijstvo razvija in vedno bolj usmerja v precizno kmetijstvo.
IV
KEY WORDS DOCUMENTATION ND Du1
DC UDC 551.586:551.501.8(043.2)
CX climatology, weather, monitoring weather, agriculture, satellites, radars AU KURINČIČ, Tina
AA ČREPINŠEK, Zalika (supervisor) PP SI-1000 Ljubljana, Jamnikarjeva 101
PB University of Ljubljana, Biotechnical Faculty, Department of Agronomy, Academic Study Programme in Agriculture - Agronomy
PY 2021
TI THE USE OF RADAR AND SATELLITE DATA IN AGRICULTURE DT B. Sc. Thesis (Academic Study Programmes)
NO VI, 22, [3] p., 17 fig., 2 ann., 44 ref.
LA sl AL sl/en
AB Most agriculture takes place outdoors and as such is highly dependent on the weather.
The use of satellite and radar images allows us to more closely monitor the weather and the state of the environment and to take timely action in the event of adverse events in the environment. In addition to cloud monitoring, satellite data are useful for integrated crop condition monitoring, focusing on vegetation status monitoring.
During the growing season, the leaf area index (LAI) can be monitored, and vegetation development is described by the normalized vegetation index (NDVI).
Changes in the state of vegetation can be related to heat waves, drought, soil compaction, the appearance of weeds, diseases or pests, all of which can also be monitored by satellites. The European radar program OPERA provides radar data for the forecast of precipitation and hail, and the Meteoalarm system provides warnings of dangerous weather events on the basis of radar measurements. Satellite and radar data in agriculture enable us to continuously monitor the situation and control larger areas, reduce the necessary field work and increase the possibilities for timely action in the event of inappropriate weather and other environmental conditions. In addition, we can analyze the past situation on the basis of multi-annual data and predict expected changes. Satellite and radar data are projected to become increasingly important in the future as agriculture evolves and increasingly focuses on precision farming.
V
KAZALO VSEBINE
Str.
KLJUČNA DOKUMENTACIJSKA INFORMACIJA III
KEY WORDS DOCUMENTATION IV
KAZALO VSEBINE V
KAZALO SLIK VI
KAZALO PRILOG VIII
1 UVOD... 1
2 SATELITI ... 1
2.1 SATELITSKEMISIJE ... 2
3 RADARJI ... 2
3.1 RADARSKIPROGRAMI ... 3
4 UPORABA SATELITSKIH SLIK V OKOLJSKE IN KMETIJSKE NAMENE ... 4
4.1 SPREMLJANJEOBLAČNOSTI ... 4
4.2 VEGETACIJSKIPOKROV ... 5
4.3 VLAŽNOSTTALINIZHLAPEVANJE ... 6
4.4 SUŠA ... 7
4.5 VROČINSKIVALOVI ... 11
4.6 SNEG ... 11
4.7 INDEKSLISTNEPOVRŠINE ... 12
5 UPORABA RADARSKIH SLIK V OKOLJSKE IN KMETIJSKE NAMENE ... 13
5.1 NAPOVEDPADAVIN ... 13
5.2 TOČA .14
5.3 METEOALARM .16
6 DRUGI PRIMERI UPORABE SATELITSKIH IN RADARSKIH PODATKOV ... 17
6.1 SATAGRO ... 17
6.2 KARTIRANJEPOVRŠINPOSEVKOV ... 18
7 ZAKLJUČEK ... 19
8 VIRI ... 19 ZAHVALA
PRILOGE
VI KAZALO SLIK
Str.
Slika 1: Primer satelitske slike, slike oblačnosti nad Evropo, 2.9.2020 ob 11:00
(EUMETSAT, 2021) ... 4 Slika 2: Samodejno določena vrsta oblačnosti, jasnine, ledu in snega, 17. april 2013 (Iršič Žibert in Muri, 2014a: 12) ... 5 Slika 3: Gobalno izhlapevanje v letu 2005 v mm (Miralles in sod., 2011) ... 7 Slika 4: Delež rastlinskega pokrova (FVC)-dolgoletno povprečje (črno) in dejanska
vrednost, dejanska (vijolična) in referenčna (zeleno) evapotranspiracija za eno slikovno točko (piksel, ki predstavlja eno reprezentativno lokacijo) v JV Sloveniji leta 2017,
označene so tudi različne stopnje suše (prirejeno po LSA SAF, 2021) ... 8 Slika 5: Razlika med dejansko in referenčno evapotranspiracijo (ET–ET0) ter odstopanje deleža rastlinskega pokrova (FVC) (prikazana je samo negativna anomalija) prikazujeta sušni signal v severni, zahodni in osrednji Evropi v avgustu 2018 (LSA SAF, 2021) ... 9 Slika 6: Časovni potek vegetacijskega indeksa FVC od maja do novembra 2013 v okolici Nove Gorice (levo) in Murske Sobote (desno) (Iršič Žibert in Muri, 2014b: 221) ... 9 Slika 7: Odstopanje vegetacijskega indeksa FVC od referenčnih vrednosti na dan 21.
avgusta 2013. Barvna skala je podana na desni, belo so označena hribovita območja in morje. Poškodovana vegetacija je označena z rdečimi odtenki (Iršič Žibert in Muri, 2014b:
222) ... 10 Slika 8: Satelitske misije, s katerimi spremljajo sušo (Liu in sod., 2016) ... 11 Slika 9: Primer odstopanja temperature zraka od povprečja za obdobje 5.-12.avgust 2015 (NASA, 2020) ... 11 Slika 10: Primer satelitske slike pokritosti površja Evrope s snegom (sneg je obarvan v odtenkih od temno oranžne do rdeče), 17. januar 2021 (Kerkmann in sod., 2021) ... 12 Slika 11: Primer radarske slike za 8.8.2021, iz katere je razvidna velika verjetnost toče (vijoličasta barva) v okolici Kranja in Kamnika (ARSO, 2021) ... 13 Slika 12: Prikaz napovedi močne toče za 15. avgust 2010 s pomočjo kombiniranih
kriterijev in vsakim od sledečih POSH, Waldvogel in SHI (prirejeno po Skripniková in Řezáčová, 2014) ... 15 Slika 13: Prikaz poškodb koruze in soje zaradi toče kot zmanjšan NDVI, 26.6.2017,
Minessota. Poškodovana območja so obarvana modro (prirejeno po Bell in sod., 2020:
670) ... 16 Slika 14: Prikaz sistema Meteoalarm (Meteoalarm, 2021) ... 17 Slika 15: Program SatAgro, primer ocene stanja vegetacije s pomočjo satelitskih posnetkov (SatAgro, 2021) ... 17
VII
Slika 16: Ekstrakcija površine z ozimno pšenico na študijskem območju z več časovnimi zloženimi pasovi Sentinel-1 z uporabo paralelopipednega klasifikatorja (prirejeno po Song in Wang, 2019) ... 18 Slika 17: Primer časovnega profila pridobljenih informacij s sateliti Sentinel, na katerem so razvidne spremembe v vegetacijski odeji za različne pridelke (Ulander in sod., 2020) ... 19
VIII
KAZALO PRILOG
Priloga A: Primerjava dejanske in referenčne (model METREF) evapotranspiracije za leti 2013 in 2020 za Novo Gorico in Bucovino (Romunija). Rdeče elipse označujejo veliko odstopanje (prirejeno po Discrepancy …, 2021)
Priloga B: Delež vegetacijskega pokrova
Priloga B1: Delež vegetacijskega pokrova na Bizeljskem (prva) in v Murski Soboti (druga) (prirejeno po EUMETSAT, 2021)
Priloga B2: Delež vegetacijskega pokrova na območjih reke Büyük Menderes (Turčija), delte reke Nil (Egipt) in reke Evfrat (Irak) leta 2017 (prirejeno po EUMETSAT, 2021)
1 1 UVOD
V kmetijstvu se, tako kot v vseh drugih panogah, stremi k inovacijam, izboljšavam, večji ekonomičnosti in lažjemu doseganju ciljev. Večina kmetijstva še vedno poteka na prostem, kjer so pridelki izpostavljeni vremenskim vplivom. Vremenski podatki so zato nujno potrebni za razne tehnološke ukrepe (setev, spravilo pridelka, namakanje, gnojenje, varstvo rastlin), za spremljanje škodljivcev in bolezni, za spremljanje vodne bilance in za razne raziskovalne aplikacije. Zbiranje agrometeoroloških podatkov pa je ključnega pomena pri modeliranju pridelkov, za oceno stanja pridelka in višino pridelka. Precizno kmetijstvo zato postaja vse bolj pomembno. Predvsem zaradi podnebnih sprememb prihaja do nepričakovanih vremenskih ujm in hitro spremenljivega vremena. Pri preciznem kmetijstvu pa so ključnega pomena satelitske in radarske slike oziroma satelitski in radarski podatki, saj omogočajo širši pregled stanja kot podatki, izmerjeni na tleh.
Namen naloge je pregled uporabe radarskih in satelitskih podatkov v kmetijstvu. Glavni namen uporabe radarskih podatkov je napovedovanje padavin, toče ter izdajanje opozoril pred nevarnimi padavinskimi dogodki. Satelitske podatke uporabljamo za spremljanje oblačnosti, snežnih padavin in snežne odeje ter tudi dela padavin. Pokrovnost tal z vegetacijo, vrsto vegetacije na določenem območju, izhlapevanje, vročinske valove in indeks listne površine lahko prav tako razberemo iz satelitskih slik. Tudi kmetijska mehanizacija, ki se neprestano posodablja, uporablja satelitske slike. Tako lahko na primer napredni traktorji s pomočjo satelitskih slik pridelovalcu olajšajo, predvsem pa skrajšajo delo in izboljšajo učinkovitost, s tem pa tudi zmanjšajo izgube.
Radarski in satelitski podatki so pomemben vir podatkov v preciznem kmetijstvu, ki je definirano kot integriran sistem, ki temelji na informacijah in proizvodnji. Stremi k povečevanju donosa kmetijskega gospodarstva s primarnim namenom maksimalnega izkoriščanja vhodov (gnojil, škropiv …), ki se jih preverja z izhodi (pridelki). V teoriji to omogoča maksimalen dobiček pri minimalnem vplivu na okolje in prostoživeče živali (Rihter, 2020).
2 SATELITI
Sateliti (konkretneje umetni sateliti) so naprave, ki krožijo okrog nebesnih teles, v našem primeru okoli Zemlje. So stabilne platforme oziroma nosilci za senzor, s katerim se zaznava in zapisuje odbito ali sevano elektromagnetno valovanje. Imajo značilne tirnice in zato ob snemanju ali opazovanju ustvarjajo ponovljivo pokritost zemeljskega površja. Pri tem opravijo pot, ki jo imenujemo tirnica ali orbita. Območje, ki ga satelit snema, imenujemo pas ali trak. Glede na tip orbite sta najpomembnejši dve vrsti satelitov, polarno-orbitalni in geo-stacionarni. Polarno- orbitalni krožijo okoli Zemlje preko oz. blizu severnega in južnega pola. Večina teh satelitov je sončno sinhronih. To pomeni, da iste dele površja pokrijejo vedno ob istem krajevnem času (Oštir, 2006). Nahajajo se v nizki orbiti, na približno 850 km višine. Nizka orbita omogoča satelitom, da z visoko prostorsko ločljivostjo posnetkov pokrijejo vsako lokacijo na planetu (EUMETSAT, 2021). Geo-stacionarni sateliti pa krožijo okoli Zemlje na precej večji oddaljenosti, na višini okoli 35.786 km. Hitrost kroženja ustreza hitrosti vrtenja Zemlje okrog svoje osi. Tako ostanejo glede na Zemljo vedno na istem mestu in ves čas snemajo isti del površja. Večina meteoroloških satelitov je geo-stacionarnih (Oštir, 2006).
Meteorološki sistemi imajo zaradi velike oddaljenosti od Zemlje senzorje s precej slabo prostorsko ločljivostjo, omogočajo pa opazovanje velikih površin. Njihova časovna ločljivost je zelo velika, saj podatke o površju Zemlje, atmosferski vlagi in oblačnosti osvežujejo v minutnih intervalih, običajno na 5 minut (Oštir, 2006).
2 2.1 SATELITSKE MISIJE
Obstaja veliko satelitskih misij in satelitskih sistemov različnih organizacij, od javnih do zasebnih.
V nadaljevanju je omenjenih nekaj od teh, ki so pomembne za aplikacije v kmetijstvu in okoljskih znanostih.
EUMETSAT je evropska operativna organizacija, ki spremlja vreme, podnebje in okolje s sateliti iz vesolja. Upravlja geostacionarne satelite Meteosat 9, 10 in 11 (pokrivajo območje Evrope in Afrike) in Meteosat 8 (pokriva območje Indijskega oceana), Meteosat od 1 do 7 so umaknjeni, dva polarno-orbitalna satelita METOP ter nizko-orbitalni oceanografski satelit JASON-2 (EUMETSAT, 2021). Sateliti Meteosat, ki se nahajajo na 0° zemljepisne dolžine in nad Indijskim oceanom, pridobivajo podatke DCP v obliki opazovanj in okoljskih parametrov. DCP so avtomatski ali polavtomatski sistemi za opazovanje okolja, ki jih je mogoče vgraditi v samodejno vremensko postajo na oddaljenem mestu. Sam sistem lahko deluje na tri načine: kot samo časovno nadzorovan (oddaja v rednih časovnih intervalih in pod nadzorom GPS-a), kot opozorilni (odda sporočilo oziroma signal, ki ni daljši od desetih sekund, ko eden izmed parametrov preseže prag) ali pa kot hibrid, ki združuje oba že omenjena načina (EUMETSAT, 2021). Najpomembnejši senzor, ki je na tem satelitu, je SEVIRI (Spinning Enhanced Visible and Infra Red Imager) in ima 12 spektralnih kanalov. Od tega je osem kanalov v srednjem in termičnem delu infrardečega spektra, ki so namenjeni merjenju temperature oblakov in površja ter koncentracije vodne pare v ozračju. Ker ima satelit relativno kratek čas med zaporednim zajemanjem posnetkov, je omogočeno spremljanje vremenskega dogajanja v realnem času in s tem tudi njegovo napovedovanje (Oštir, 2006).
Evropska vesoljska agencija (ESA) vodi nove misije, imenovane Sentinel. Namenjene so predvsem za operativne potrebe programa Copernicus. Znotraj misije se nahajajo sateliti Sentinel- 1 do Sentinel-6. Predvsem sta tu pomembna Sentinel-1 in Sentinel-2, ki sta polarno-orbitalna.
Sentinel-1 je namenjen za spremljanje vseh vremenskih pojavov in deluje čez dan in ponoči.
Sentinel-2 je namenjen multispektralnem slikanju z visoko ločljivostjo za npr. slikanje vegetacije, pokritosti tal … (ESA, 2021).
NASA pa ima npr. v lasti MODIS (spektroradiometer za slikanje z zmerno ločljivostjo), instrument na satelitskih misijah Terra in Aqua. Vsake en do dva dni posnameta celotno zemeljsko površino. Od visokoločljivostnih satelitov je pomembna misija LANDSAT (NASA, 2021).
3 RADARJI
Radar, kar je okrajšava za radijsko detekcijo in rangiranje, je elektronska naprava, ki deluje na osnovi odboja visokofrekvenčnih radarskih valov in je lahko nameščena na različnih objektih (stolpi, letala, sateliti …). Radarski oddajnik oddaja impulze elektromagnetnega valovanja. Če ti valovi naletijo na predmet ali oviro, se od nje deloma odbijejo. Odbite valove znane valovne dolžine prestrezamo z radarskim sprejemnikom. Glede na njihovo jakost in smer, iz katere prihajajo, dobimo osnovne podatke o predmetu, ki je povzročil odboj, npr. njegovo velikost, oddaljenost in višino (Wedam, 1984).
Bistvo radarske tehnologije je v že omenjenem valu, ki ga odbija predmet. Pri sami izvedbi so pomembni: frekvenca, polarizacija, lastnosti predmeta oziroma objekta, učinkovitost opreme, kako sta radar in predmet vidna ter razdalja med njima. Radarji zaznavajo poleg kovinskih
3
predmetov (letala) tudi dielektrične objekte, na katere v tej nalogi dajemo poudarek. V tem primeru radarski valovi prodirajo v dielektrične objekte (npr. oblake z vodnimi kapljicami). Pri dielektričnih objektih prihaja do izgub energije sevanja (npr. v vodi ), pri čemer je slabljenje odboja sorazmerno s frekvenco valovanja in kotom ciljnega objekta. Obseg pokritja radarja je lahko omejen zaradi minimalne prejete moči ali vidljivosti. Na radarsko obzorje vpliva ukrivljenost Zemlje, višina radarja in ciljni objekt. Razpon se meri kot časovna razlika med odmevnim signalom in referenčnim znakom. Polarizacija (oblika ravnine, v kateri valovanje oscilira) tarče se redko uporablja, a ravno pri rastlinah je zelo uporabna. Polarizacija namreč omogoča določanje ali razlikovanje med strukturami. Običajno rastlinstvo se tako z vertikalno polarizacijo močneje odraža kot pri vodoravni polarizaciji, saj je vegetacija običajno poravnana navpično (Wiesbeck, 2010). Lokacija objekta je določena z izmerjenim kotom od največje amplitude odmeva odboja do antene, ki oddaja signal. Oddaljenost in smer premikajočih se objektov opišemo z Dopplerjevim pojavom (Elprocus, 2021).
V samem delovanju so vremenski radarji bolj preprosti od običajnih, nadzornih. Na radarju se zazna le objekt (kapljice vode, zrna toče, kristali snega), oziroma ali objekt je ali ga ni, in izmeri le koordinate zaznanega objekta. Dobimo podatke o intenziteti in konsistenci objektov, ki se nahajajo v radarskem območju. Od drugih radarjev se razlikuje tudi po tem, da je objekt večji in počasnejši. Najboljše zaznavanje vremenskih pojavov oziroma objektov pri vremenskih pojavih je zato najučinkovitejše pri različnih frekvencah. Za druge radarje je vreme šum, pri vremenskih radarjih pa so šum odsevi letal. Vsi radarji pa imajo probleme z drugimi šumi in zemeljskim terenom (Wolff, 2021).
Poseben tip radarja zelo natančne meritve oddaljenosti oz. rekonstrukcije modelov površja je SAR (synthetic aperture radar oz. radar s sintetično aperturo). Pri njem senzor proizvede lastno energijo in nato zabeleži količino te energije, ki se odbije po interakciji z Zemljo. Signal SAR radarjev se odziva na značilnosti površine, kot sta to na primer struktura in vlaga (Earthdata, 2021).
3.1 RADARSKI PROGRAMI
Tudi pri različnih tipih radarjev poznamo več radarskih programov. Dva od njih bosta predstavljena v nadaljevanju.
Opera (Operational Program for Excange of Weather Radar Information) je radarski program za Evropo in je del EUMETNET-a, ki ima 30 evropskih držav članic (EUMETNET, 2021). Večina radarjev deluje v C-pasu (deluje na frekvenci od 4-8 GHz) (168), triintrideset radarjev v S-pasu (2-4 GHz) je nameščenih na jugu Evrope. Radarji pokrivajo celotno površje Evrope. Vodoravni razmik mreže je 4 kilometre, slike se osvežujejo vsakih 5 minut (Huuskonen in sod., 2014; ARSO, 2021). Opera upravlja in razvija tudi podatkovno vozlišče ODYSSEY, ki zbira surove radarske podatke o intenziteti padavin, največji odbojnosti ter akumulaciji padavin vsakih 15 minut z ločljivostjo 2 km (Lipovscak in Saltikoff, 2014; EUMETNET, 2021). Pri satelitih so bili omenjeni sateliti Sentinel. Nekatere misije Sentinel so tudi nosilci SAR radarjev.
4
4 UPORABA SATELITSKIH SLIK V OKOLJSKE IN KMETIJSKE NAMENE 4.1 SPREMLJANJE OBLAČNOSTI
Oblaki so največkrat motilec ustvarjanja satelitskih posnetkov. V primeru opazovanja in spremljanja oblačnosti ter nato tudi padavin pa so glavni predmet opazovanja.
V Evropski organizaciji za uporabo meteoroloških satelitov EUMETSAT oblačnost spremljajo na sledeči način. Slike za podatke o oblačnosti so zajete z geo-stacionarnim satelitom. Satelitska slika temelji na podatkih iz vidnega kanala instrumenta SEVIRI visoke ločljivosti v kombinaciji s podatki iz kanala IR10.8, ki pa zagotavlja podatke o temperaturi. Analiza oblačnosti je sestavljena iz razpoznavanja oblačnih območij, določitve vrste in višine oblačnosti ter temperature oblakov.
Natančna določitev jasnine je zelo pomembna za kakovostno analizo oblačnosti, pri čemer moramo biti pozorni na sneg, ki lahko prekriva tla (Slika 1). Satelitske meritve nam tudi omogočajo, da ločimo med padavinskimi oblačnimi in nepadavinskimi oblačnimi sistemi, ter predvidimo, kolikšna je verjetnost za padavine na nekem območju. Pri oblačnih sistemih, ki se hitro premikajo, se izračunava hitrost premikanja vseh oblačnih sistemov na podlagi večih zaporednih satelitskih slik v vidnem delu spektra (Iršič Žibert in Muri, 2014a).
Slika 1: Primer satelitske slike, slike oblačnosti nad Evropo, 2.9.2020 ob 11:00 (EUMETSAT, 2021)
Oblačnost lahko zaznavajo tudi drugi modeli. Na EUMETSATu uporabljajo Cloud Mask, ki opisuje vrsto sence na ravni slikovnih pik. Vsaka slikovna pika je razvrščena kot ena od naslednjih štirih vrst: jasno nebo nad vodo, jasno nebo nad kopnim, oblak ali neobdelana (zunaj zemeljskega diska). Model se uporablja za napoved trenutnega vremena (EUMETSAT, 2021). Raziskovali so tudi potencial uporabe visoke infrardeče spektralne ločljivosti MSG SEVIRI za razlikovanje med padavinskimi in nepadavinskimi oblaki nad Grčijo. Ugotovili so, da uporaba MSG SEVIRI kanalov v termični infrardeči daje spodbudne rezultate za odkrivanje padavinskih oblakov v srednjih širinah (Giannakos in Feidas, 2021).
5
Slika 2: Samodejno določena vrsta oblačnosti, jasnine, ledu in snega, 17. april 2013 (Iršič Žibert in Muri, 2014a: 12)
4.2 VEGETACIJSKI POKROV
Vegetacijski pokrov sestavljajo rastline, ki rastejo na določenem območju ali na celotni Zemlji.
Rastlinska odeja ima specifičen spektralni podpis, oz. spekter odbojev sončne svetlobe, posebej v vidnem in bližnjem IR delu spektra. V vidnem delu spektra rastline zaradi prisotnosti fotosintetskih pigmentov, posebej klorofila, veliko sevanja absorbirajo. Klorofil najbolj absorbira valovanje v rdečem in modrem delu spektra. Odličen difuzni odbojnik za svetlobo bližnjega infrardečega dela (v nadaljevanju IR) spektra predstavlja notranja zgradba zdravih listov. Tako z merjenjem in opazovanjem odboja v IR delu spektra lahko zelo natančno določimo fiziološko stanje, obilnost ali poškodovanost vegetacije. V IR delu opazimo tudi absorpcijske pasove zaradi vode v listih, le-ta močno absorbira valovne dolžine 1,4 µm, 1,9 µm in 2,5 µm. Na podlagi mnogih satelitskih sistemov (npr. MODIS, Landsat, AVHRR, Sentinel-2) se lahko izmeri od površja Zemlje odbito intenziteto svetlobe v vidnem in infrardečem delu spektra ter se tako količinsko opredeli fotosintetsko zmogljivost vegetacije v določeni slikovni točki kopnega. Če je veliko več odbitega sončevega sevanja v bližnjem infrardečem spektru kot v vidnih valovnih dolžinah, je vegetacija v tej sliki obilna oz. so rastline fotosintetsko zelo aktivne. Če je razlika v intenzivnosti odbite vidne in infrardeče svetlobe zelo majhna, je vegetacija redka, sestavljajo pa jo travniki, tundra ali celo puščava. Večina indeksov za računanje vegetacije na Zemlji zato uporablja to razliko, s katero dobimo nato vegetacijski indeks NDVI (normalized difference vegetation index).
Vrednosti indeksa so med -1 in +1, rezultat bližje +1 pomeni bolj intenzivno, zdravo vegetacijo (Oštir, 2006). NDVI je količnik razlike odboja v bližnjem infrardečem delu in rdečem delu spektra ter njune vsote (Hu in sod., 2019). Poleg NDVI obstaja še množica drugih indeksov. Vegetacijski indeks EVI (enhanced vegetation index) v celoti izkorišča najnovejše lastnosti MODISa (moderate resolution imaging spectroradiometer). Izračuna se zelo podobno kot NDVI, s tem da popravi nekatera izkrivljanja v odbiti svetlobi, ki jo povzročajo delci v zraku in tla pod vegetacijo.
Prav tako pride do manjšega zasičenja ob zelo obilni vegetaciji. Vendar tako EVI kot NDVI ne moreta popolnoma odpraviti napak zaradi oblakov ali aerosolov, ki lahko popolnoma preprečijo ustvarjanje posnetkov satelitom, odsev sonca lahko zasiči določene slikovne točke, okvare na satelitih pa lahko začasno popačijo sliko (NASA, 2020). Omenjena indeksa tako pomagata zaznavati vegetacijskih pokrov, krčenje le tega ali pa zaznavata sušo, s pomočjo sprememb na rastlinah. Zdravo, živo rastlinje namreč močno odbija svetlobo v bližnjem infrardečem delu elektromagnetnega spektra, medtem ko rdečo svetlobo močno absorbira (Oštir, 2006).
6
Kot primer uporabe satelitskih slik manjše prostorske ločljivosti misije Meteosat za spremljanje vegetacijskega pokrova sta prikazana Bizeljsko in Murska Sobota (Priloga B1), ki imata enako klimo, vendar različno vegetacijo. Na Bizeljskem so predvsem vinogradi in gozdovi, v Murski Soboti pa poljščine. Bizeljsko ima vrh FVC (Satelitski vegetacijski indeks delež pokritosti z vegetacijo, določa delež površja, ki ga na horizontalni ravnini prekriva vegetacija; površje, ki je prekrito z zdravo vegetacijo, ima vrednost 1, vse nižje vrednosti predstavljajo območja z nerazvito ali pa poškodovano vegetacijo (Iršič Žibert in Muri, 2014b)), od pozne pomladi do konca poletja, Murska Sobota pa samo v pozni pomladi. FVC lahko med leti niha, saj je odvisen od razpoložljivosti vode med rastno dobo in vrsto pridelka, ki ga gojijo na obdelovalni površini. V prilogi B2 so prikazani trije kraji s širšo prostorsko skalo, ki so zelo sušni in imajo namakanje.
Odvisno od klime, razpoložljivosti vode in vrste posevka, je tukaj več kot le en vrh na leto.
Satelitski vegetacijski signal je zaznal dve suši v letu 2017 na lokacijah delta reke Nil in Evfrat.
(EUMETSAT, 2021).
Evropska organizacija za uporabo meteoroloških satelitov stalno razvija in nadgrajuje satelitske produkte, do njih lahko dostopa tudi ARSO. Za lažje določanje suše uporabljajo v nadaljevanju omenjene produkte. Polarno orbitalni sateliti omogočajo natančnejšo prostorsko ločljivost meritev, ampak so podatki za izbrano območje dostopni le na vsakih nekaj dni in zaradi tega tudi bolj občutljivi na napake, ki jih povzroči prosojna oblačnost. Geostacionarni sateliti METEOSAT pa omogočajo vsakodnevno spremljanje stanja vegetacije v ločljivosti nekaj kilometrov. Za samo analizo stanja vegetacije se uporabljajo predvsem delež pokritosti z vegetacijo, indeks listne površine (Leaf Area Index – LAI) in delež sevanja, pomembnega za fotosintezo (Fraction of Absorbed Photosynthetic Active Radiation – FAPAR). V LSA SAF (Satellite Application Facility on Land Surface Analysis) se LAI, FVC (Fraction of Vegetation Cover) in FAPAR izračunavajo vsak dan in tako so lahko tudi na ARSO na podlagi dolgoletnih meritev pripravili referenčne vrednosti, variabilne glede na sezono za različne lokacije v Sloveniji (Iršič Žibert in Muri, 2014b).
4.3 VLAŽNOST TAL IN IZHLAPEVANJE
Vlažnost tal je zelo pomembna količina, saj je voda ena izmed glavnih komponent uspešne rasti rastlin. S pomočjo tehnike SAR lahko določimo vlažnost tal. Le ta podaja stopnjo zasičenosti z vodo v zgornji plasti zemeljskega površja. Pri tej določitvi je vegetacija največkrat motilec. S pomočjo satelitov se opravi slike, ki predstavljajo nabor podatkov. Vlažnost tal se nato preko različnih modelov izračuna, npr. model integralne enačbe (IEM), modificiran IEM model, shi pol- empirični model, Oh model … (Kseneman, 2012).
Določitev vlažnosti tal nam potem omogoča določevanje izhlapevanja. Eden od modelov za izračun izhlapevanja je tudi model GLEAM. Model GLEAM (Globalno izhlapevanje na površini:
Amsterdamski model) uporablja satelitska opazovanja za ocene izhlapevanja na površju. Številne študije so pokazale, da so podatki o talni vlagi, pridobljeni iz satelitskih slik, povezani s plastjo tal od površine do globine 0,05 metra, zato se vlaga v tleh pri GLEAM-u izenači z zgornjo plastjo tal. Za izračun globalnega izhlapevanja potrebujemo različne satelitske slike in ostale podatke, kot npr. neto sevanje, padavine, vlaga na površju, temperatura zraka in površja, višina vegetacije, ekvivalent snežne vode (Miralles in sod., 2011).
7
Slika 3: Gobalno izhlapevanje v letu 2005 v mm (Miralles in sod., 2011)
Izhlapevanje ima ključno vlogo pri nastanku padavin, vodni razpoložljivosti v tleh in posledično pri proizvodnji hrane, najbolj je odvisno od sončne energije, ki je na voljo, vsebnosti vode v tleh in pokritosti površja. Zaradi odvisnosti od sončne energije dnevno izhlapevanje niha glede na zemljepisno širino, letni čas, čas v dnevu in oblačnost. Da bi omogočili oceno izhlapevanja neodvisno od vrste pridelka, razvoja pridelka ali praks upravljanja, je bil določen koncept referenčne evaporanspiracije (METREF, LSA-303). Model METREF računa evapotranspiracijo z referenčne površine pri danem kratkovalovnem sevanju. Neskladje med dnevno referenčno evapotranspiracijo in dnevno dejansko evapotranspiracijo (Slika 4) je pokazatelj primanjkljaja vode, včasih celo preden je vegetacija v sušnem stresu (EUMETSAT, 2021).
4.4 SUŠA
O kmetijski suši govorimo takrat, ko rastlinam v pomembnih fenofazah primanjkuje vode in ta primanjkljaj vpliva na fiziološko stanje in rast rastlin. Največkrat je vzrok pomanjkanje padavin ali neenakomerna časovna razporejenost le teh, predvsem je to opazno v tleh, ki imajo slabo zadrževalno sposobnost (Sušnik, 2014). Pri definiciji kmetijske suše je treba upoštevati primanjkljaj padavin skupaj s fizikalnimi in biološkimi lastnostmi rastlin v povezavi s sistemom tla-rastlina-ozračje in razmerjem med porabo vode pri rastlinah in razpoložljivostjo v tleh (Sušnik, 2014). Spremljanje suše preko satelitskih posnetkov temelji na NDVI-ju in VCI-ju (Vegetation condition index – primerja trenutni NDVI s povprečno vrednostjo NDVI, ki je bila opažena v istem obdobju v preteklih letih (EUMETSAT, 2021; Shanmugapriva in sod., 2019). NDVI se pogosto uporablja za spremljanje suše, ker lahko vrednost tega indeksa uporabimo za ločevanje vegetacije od 'talnega ozadja' (soil background), zagotavlja pa tudi informacije o zdravstvenem stanju vegetacije. Vendar pa samo NDVI vedno ne prikaže zanesljivo kmetijske suše, ker tudi mnogi drugi dejavniki, kot so npr. sprememba pokrovnosti tal, napad škodljivcev ali pojav bolezni, lahko privedejo do NDVI anomalij, podobnih tistim, ki jih povzroči suša. Kombinacija satelitskih in ostalih podatkov tako zagotavlja zanesljivejše informacije za spremljanje kmetijske suše, zlasti na obsežnejših območjih in regijah s premalo zemeljskih nadzornih postaj ali infrastrukture (Hu in sod., 2019). Temperatura površine Zemlje je povezana z indeksom vegetacije in se lahko uporablja za odkrivanje kmetijske suše na posameznem območju ter tako pridelovalcem zagotavlja sisteme zgodnjega odkrivanja in opozarjanja (Shanmugapriya in sod., 2019). Sušo se lahko napove oziroma analizira na podlagi podatkov o vsoti padavin in izgubo
8
zaradi evapotranspiracije. Pri tem nam lahko pomagajo tudi vegetacijski indeksi, poznati pa moramo za vsako območje tipičen razvoj vegetacije v toplem delu leta, ko so rastline zelene (Iršič Žibert in Muri, 2014b).
Kombinacija satelitskih posnetkov evapotranspiracije in vegetacijskega signala izboljša lociranje in analizo območij, prizadetih zaradi suše. Uporaba satelitskih posnetkov omogoča pregled večjih kmetijskih površin, tudi manj ali težko dostopnih, kar zmanjšuje potrebe po direktnih terenskih meritvah, hkrati pa na ta način dobimo podatke v realnem času in kontinuirano. V okviru spremljanja suše je satelitski vegetacijski signal, na primer delež rastlinskega pokrova, zelo zanesljiv pokazatelj zdravja vegetacije v primeru poznih fenofaz. Na sliki 4 lahko vidimo primer uporabe na podlagi satelitskih slik pridobljene ocene evapotranspiracije in vegetacijskega pokrova za spremljanje suše v Sloveniji. Vsi podatki so pridobljeni s satelitov Meteosat 9 do 11 in se obdelujejo v okviru EUMETSAT-ove satelitske aplikacije za analize kopenske površine LSA SAF (Satellite Application Facility on Land Surface Analysis (LSA)). Suša se je v letu 2017 v poletnih mesecih pojavila na kmetijskih območjih na jugovzhodu in vzhodu države, večji del tega območja so kmetijska zemljišča z nekaj mešanega gozda. Junija se prične povečevati razlika med referenčno in dejansko evapotranspiracijo, v juliju pa z zamikom sledi odstopanje dejanskega deleža rastlinskega pokrova od povprečnega, kar se odraža tudi na prikazani stopnji suše. Iz slike 4 je razvidno, da lahko razlika v evapotranspiraciji prej opozori na razvoj suše, saj je signal odstopanja evapotranspiracije (junij) pred signalom sprememb v stanju vegetacije (julij). Vendar se časovni zamik med signali suše zaradi evapotranspiracije in vegetacije zelo spreminja od lokacije do lokacije in je odvisen od deleža pokrovnosti, vrste vegetacije in homogenosti slikovnih pik (LSA SAF, 2021).
Slika 4: Delež rastlinskega pokrova (FVC)-dolgoletno povprečje (črno) in dejanska vrednost, dejanska (vijolična) in referenčna (zeleno) evapotranspiracija za eno slikovno točko (piksel, ki predstavlja eno reprezentativno lokacijo) v JV Sloveniji leta 2017, označene so tudi različne stopnje suše (prirejeno po LSA SAF, 2021)
9
Eden od primerov prikaza suše s satelitsko pridobljenimi podatki o evapotranspiraciji in rastlinskem pokrovu je prikazan na sliki 5 in sicer za avgust leta 2018 za celotno Evropo. Podatki so dnevno pridobljeni z Meteosat sateliti in obdelani z aplikacijo LSA SAF. Levo je prikazana razlika med dejansko in referenčno evapotranspiracijo (ET-ET0), desno pa odstopanje stanja rastlinskega pokrova v avgustu 2018 od njegovega dolgoletnega povprečja (2004-2016). ET0 in ET sta izračunana kot skupna mesečna vsota v istih avgustovskih obdobjih. ET se približa ET0, ko je dovolj vode (svetlejši toni na levi sliki), velika razlika (vijoličasti toni) pa kaže na pomanjkanje vode, kar se ujema z anomalijami rastlinskega pokrova (rdečkasti toni na desni sliki), ki kažejo na sušne razmere (LSA SAF, 2021).
Slika 5: Razlika med dejansko in referenčno evapotranspiracijo (ET–ET0) ter odstopanje deleža rastlinskega pokrova (FVC) (prikazana je samo negativna anomalija) prikazujeta sušni signal v severni, zahodni in osrednji Evropi v avgustu 2018 (LSA SAF, 2021)
Slika 6: Časovni potek vegetacijskega indeksa FVC od maja do novembra 2013 v okolici Nove Gorice (levo) in Murske Sobote (desno) (Iršič Žibert in Muri, 2014b: 221)
Dober primer prikaza suše je tudi iz leta 2013, ko je suša prizadela večji del Slovenije, izredna suša pa je bila v vzhodni in severovzhodni Sloveniji. Na sliki 6 je prikazan časovni potek vegetacijskega indeksa za dve lokaciji. V okolici Nove Gorice (vinogradi, polja in travniki) se je vrednost vegetacijskega indeksa od začetka julija do začetka septembra spustila pod referenčno vrednost. Na območju okoli Murske Sobote je vegetacija drugačna (polja s pšenico in koruzo),
10
zato najvišjo vrednost vegetacijski indeks doseže v začetku maja, nato pa začne upadati. Največje odstopanje med referenčno krivuljo in krivuljo leta 2013 je bilo med avgustom in septembrom, po čemer lahko sklepamo, da je bila takrat suša najizrazitejša (Iršič Žibert in Muri, 2014b). Za obdobje leta 2013 je stopnja poškodovanosti vegetacije prikazana tudi na sliki 7.
Slika 7: Odstopanje vegetacijskega indeksa FVC od referenčnih vrednosti na dan 21. avgusta 2013. Barvna skala je podana na desni, belo so označena hribovita območja in morje. Poškodovana vegetacija je označena z rdečimi odtenki (Iršič Žibert in Muri, 2014b: 222)
Indeksi na osnovi daljinskega zaznavanja so učinkovito orodje za namene spremljanja suše večjih razsežnosti, ker lahko vključujejo vlago v tleh oziroma informacije o vegetaciji v kazalniku kmetijske suše, ki jih je sicer težko zbrati z neposrednim opazovanjem na terenu. Primer takega indeksa so podali Sánchez in sod. (2018). Za globalno oceno kmetijske suše so uporabili sušni indeks talne vlage SMADI (Soil Moisture Agricultural Drought Index), ki temelji na satelitskih podatkih temperature površine Zemlje, površinske vlage v tleh in vegetacijskega indeksa ter ga primerjali z že preverjenimi indeksi suše. Uporaba enotnega indeksa kmetijske suše v svetovnem merilu je izziv zaradi različnih okoljskih razmer in podnebja ter njihove časovne spremenljivosti.
Rezultati pridobljeni na več lokacijah, npr. na Pirenejskem polotoku, v Avstraliji in Združenih državah Amerike, so pokazali dobro skladnost z drugimi indeksi kmetijske suše (Sanchez in sod., 2018).
Tudi na podlagi podatkov o vlagi v tleh lahko napovemo pojav suše. Polarno-orbitalni sateliti MetOP pošiljajo podatke o vsebnosti vode v zgornjih plasteh tal, na njihovi osnovi pa potem modelirajo (model ECMWF) profil talne vlage za štiri različne globine: 0-7 cm, 7-28 cm, 28-100 cm, 100-289 cm. Dnevne karte talne vlage so dostopne na strani Evropske organizacije za uporabo meteoroloških satelitov (EUMETSAT, 2021). S klasičnega spremljanja zalog vode v tleh na osnovi direktnih meritev se vse bolj prehaja tudi na uporabo satelitskih podatkov (Slika 8), tako npr. izstrelitev novih tipov satelitov SMAP (Soil Moisture Active Passive) omogoča natančnejše spremljanje suše v kmetijstvu (Liu in sod., 2016).
11
Slika 8: Satelitske misije, s katerimi spremljajo sušo (Liu in sod., 2016)
4.5 VROČINSKI VALOVI
O vročinskem valu govorimo na splošno takrat, ko je vsaj tri dni presežena povprečna temperatura nad izbrano mejo, ki je določena za posamezno območje. Enotne definicije ni, za Slovenijo pa velja, da o vročinskem valu govorimo, kadar povprečna temperatura zraka vsaj tri dni zapored preseže mejne vrednosti dnevne povprečne temperature za nastop vročinskega vala po posameznih regijah v Sloveniji (za zmerno podnebje hribovitega sveta je mejna vrednost 22°C, za celinsko podnebje 24°C in za omiljeno sredozemsko podnebje 26°C) (Kjučevšek, 2017).
Slika 9: Primer odstopanja temperature zraka od povprečja za obdobje 5.-12.avgust 2015 (NASA, 2020)
Začetek vročinskega vala se lahko določa tudi na osnovi satelitskih slik temperature površja. Na internetni strani organizacije Meteosat je vsak dan ob 14h podan pregled sončnega obsevanja, pri čemer je oblačnost zaznana kot motnja oziroma sled. Več sledi oziroma meglic kot je, manj sončnega obsevanja površje dobi, posledično se manj segreva. Vročinski val se napoveduje na podlagi vzorcev prejšnjih let (EUMETSAT, 2021).
4.6 SNEG
Podatki o obsegu in trajanju snežne odeje so v kmetijstvu pomembni, saj snežna odeja vpliva na številne agrotehnične ukrepe, stanje zimskih posevkov ter vodno bilanco. Eden od načinov za določitev območja snežne odeje je, da jih določimo z meritvami v vidnem in infrardečem delu spektra na satelitih NOAA in Metop, ki imata prostorsko ločljivost dva kilometra (Iršič Žibert in Muri, 2014a). Najpomembnejša informacija, ki jo želimo izvedeti o snegu, je lokacija oziroma
12
obseg snežne odeje. Druge lastnosti, kot na primer ali je sneg suh ali moker, določajo na podlagi meritev v mikrovalovnem delu spektra senzorja AMSR-E (Iršič Žibert, 2011).
Eden od primerov kako se lahko določa snežno odejo, je primer satelitske slike snežne odeje v Evropi na sliki 10. Snow RGB (red-green-blue) je psevdobarvni prikaz megle/nizke oblačnosti in snega podnevi. V tej barvni shemi je sneg videti rdeč zaradi močne absorpcije v kanalih NIR1.6 in IR3.9 (brez zelene in modre barve), megla in nizki oblaki pa so belkasti. Ledeni oblak z majhnimi delci je oranžne barve, oblaki z velikimi ledenimi delci pa v rdeči barvi. Sneg je na tleh videti popolnoma rdeč, saj so njegovi delci večji kot veliki ledeni delci v oblakih (EUMETSAT, 2021).
Slika 10: Primer satelitske slike pokritosti površja Evrope s snegom (sneg je obarvan v odtenkih od temno oranžne do rdeče), 17. januar 2021 (Kerkmann in sod., 2021)
Romanov (2011) je raziskoval pomen informacij o porazdelitvi in obsegu snežne odeje za kmetijstvo v Ukrajini. Satelitske slike dopolnijo opazovanja na tleh s podrobnimi in pogostimi informacijami o razporeditvi snežne odeje in sezonskih spremembah. V Ukrajini snežna odeja v veliki meri določa stanje zimskih pridelkov ob koncu zime in njihov razvoj zgodaj spomladi, zato so informacije o prostorski porazdelitvi snežne odeje pomembne. Analiza podatkov zadnjih desetih let v sklopu študije je pokazala, da satelitski posnetki NOAA dopolnjujejo in situ opazovanja in prispevajo k oceni potencialne škode na pridelkih zaradi zimskega uničenja in napovedi pomladnih sušnih razmer (Romanov, 2011).
4.7 INDEKS LISTNE POVRŠINE
Indeks listne površine je brezdimenzionalna spremenljivka (m2/m2), ki opredeljuje pomembno strukturno lastnost rastlinske krošnje. LAI je opredeljena kot polovica celotne površine listov na enoto tal (LSA SAF, 2021). Zagotavlja informacije za vegetacijske indekse, pri čemer upošteva površino listov glede na površino tal. To določa območje zelene vegetacije, ki v interakciji s sončnim sevanjem določa signal daljinskega zaznavanja. Predstavlja tudi količino energije in mase, ki se izmenjata med vegetacijo in ozračjem. Predstavlja velikost vmesnika med krošnjami vegetacije in ozračjem za izmenjavo energije in mase (LSA SAF, 2021). V Evropi za določitev
13
listne površine uporabljajo med drugim tudi satelitske podatke satelitov Landsat in Sentinel-2.
Meyer in sodelavci (2019) so v raziskavi primerjali podatke obeh satelitov za določitev LAI za listopadni gozd. Sentinel-2 zagotavlja kontinuiteto podatkov z visoko časovno ločljivostjo in omogoča dodatne spektralne pasove. Ti naj bi izboljšali kartiranje rastlinskih lastnosti, vendar v raziskavi tega niso potrdili. So pa isti avtorji ugotovili, da so visoko občutljivi LAI modeli zelo občutljivi na podrast pri redkem gozdu (Meyer in sod., 2019).
5 UPORABA RADARSKIH SLIK V OKOLJSKE IN KMETIJSKE NAMENE 5.1 NAPOVED PADAVIN
Slovenska državna meteorološka služba oceni padavine nad Slovenijo in njeno bližnjo okolico z dvema vremenskima radarjema, na Lisci in na Pasji ravni. Sestavljena radarska slika (Slika 11) prikazuje razporeditev in jakost padavin, izmerjenih vsakih 5 minut. Različne barve na sliki prikazujejo različno jakost padavin (mm/h) - od modre, ki prikazuje rahle padavine (do 1 mm/h), preko rdeče (zelo močne padavine z znatno verjetnostjo toče, 40 do 80 mm/h) do vijoličaste (izjemno močne padavine z veliko verjetnostjo toče, nad 80 mm/h (ARSO, 2021).
Slika 11: Primer radarske slike za 8.8.2021, iz katere je razvidna velika verjetnost toče (vijoličasta barva) v okolici Kranja in Kamnika (ARSO, 2021)
Sodobni načini ocenjevanja količine padavin temeljijo na obdelavi surovih podatkov meritev z nevronskimi mrežami. C-pasovni radarji na osnovi Dopplerjevega učinka merijo odbojnost in radialno hitrost dežnih kapljic v ozračju. Posamezen radar pokriva približno 250 kilometrov obsega in 10 kilometrov višine, pri čemer se natančnost zmanjšuje z oddaljenostjo (Lebedev in sod., 2019).
Slovensko omrežje vremenskih radarjev se imenuje SIRAD in meri padavine vsakih 5 minut, pridobljena slika po obdelavi surovih radarskih podatkov pa ima 3-D prostorsko resolucijo 1x1x1 km (ARSO, 2021).
Vremenski radar za raven Evrope, imenovan Odyssey, je bil ustanovljen kot podatkovni in proizvodni center WMO informacijskega sistema (WIS). Program teče vzporedno v dveh centrih,
14
Met Office v Združenem kraljestvu, ter Meteo France v Franciji, da je tako zagotovljena neprekinjena možnost izdelave radarskih produktov. Na voljo so trije operativni radarski izdelki za celotno Evropo: sestavljena (imenovano tudi mozaik) slika za dež (vsakih 15min), največjo odbojnost (vsakih 15min), ki nastaneta z združitvijo slikovnih pik prispevajočih se radarjev ter skupno količino padavin (vsako uro), ki pa je sestavljena iz predhodnih štirih 15 minutnih produktov dežja in posledično tudi manj natančna (Huuskonen in sod., 2014).
V Avstriji so raziskovali številne nove modele za analizo padavin iz radarskih podatkov:
MSWEP-V2.2, IMERG-V05B, IMERG-V06A, IMERG-v05-RT, ERA5 in SM2RAIN-ASCAT na dnevni in mesečni časovni skali. Čeprav vsi izdelki natančno preslikajo prostorsko porazdelitev padavin, imajo še vedno težave pri zajemanju učinkov topografije na padavine. Splošna zanesljivost ocene padavin je bila v gorskem območju nižja, na območjih z manjšo nadmorsko višino pa višja. Ugotovili so, da je najboljša za uporabo metoda MSWEP (Multi-Source Weighted-Ensemble Precipitation), saj optimalno združuje radarski merilnik, satelitske podatke in ocene analize padavin. Rezultati kažejo, da je treba pri izbiri med satelitskimi in ponovnimi analizami podatkov upoštevati topografijo in podnebne značilnosti regije. Ekstremne padavine so dobro zajete z MSWEP, verjetno zaradi uporabe dnevnega in situ opazovanja za korekcijo pristranskosti, medtem ko IMERG uporablja mesečne korekcije pristranskosti, zato je boljša prostorska ločljivost MSWEP v primerjavi z ostalimi sistemi (Sharifi in sod., 2019).
Porazdelitev velikosti dežnih kapljic prikazuje mikrofizikalne lastnosti padavin, ki se spreminjajo tako v času kot v prostoru. Velikost dežnih kapljic je pomembna za izboljšanje natančnosti kvantitativne ocene padavin z vremenskimi radarji ter ocene faktorjev odbojnosti radarja.
Ugotovili so, da ima disdrometer (radarska meritev velikosti dežnih kapljic) omejitve pri merjenju majhnih dežnih kapljic v primerjavi z drugimi metodami (direktne meritve z merilci na tleh).
Izmerjene velikostne spektre dežne kaplje lahko uporabimo za umerjanje in potrjevanje parametrov v radarskem razmerju odbojnosti in intenzivnosti padavin. Ker so pri izmerjenih podatkih o spektru dežnih kapelj odstranili kaplje, večje kot 6 milimetrov, dežne kaplje velikega premera pa pogosto spremljajo močan dež, se domneva, da je to razlog, zakaj je največja intenzivnost padavin, izmerjena z disdrometrom, manjša od vrednosti, izmerjene z merilniki dežja. Značilnosti porazdelitve velikosti dežnih kapelj so pomembne za izboljšanje natančnosti razmerja odbojnosti radarja in intenzivnosti padavin pri daljinskem zaznavanju in oceni erozivnosti padavin (Xie in sod., 2020).
5.2 TOČA
Točo kot vremenski pojav je zelo težko napovedati, saj nastane zelo hitro. Nastane lahko le v nevihtnem oblaku kumulonimbusu. Takšen oblak lahko nastane v eni uri, šele po nastanku ga lahko zaznajo radarji in od takrat naprej lahko napovedujemo pojav neviht in možnosti toče. Večje možnosti za nastanek toče so ob pregretem ozračju, spreminjanjem vetra z višino in razpoložljivo zalogo vodne pare v ozračju (ARSO, 2021). Enopolarizacijski radar ne more razlikovati med različnimi vrstami padavin (kapljice, snežinke…), nekatere značilnosti podatkov o odbojnosti, vključno z visokoodsevnostnimi pojavi na določenih višinskih ravneh pa lahko predstavljajo fizični procesi, ki so povezani z rastjo toče. Nekateri algoritmi za prepoznavanje toče temeljijo zgolj na podatkih radarskih meritev, medtem ko nekateri uporabljajo radarske meritve skupaj z ostalimi meteorološkimi podatki, na primer z aerološkimi podatki (Skripniková in Řezáčová, 2014). Na Češkem so raziskovali, kateri od sedmih algoritmov bi bil najbolj optimalen za napovedovanje toče za Češko. Rezultati so pokazali, da sta to Waldvoglova tehnika in NEXRAD.
15
Na Češkem že od leta 2000 delujeta dva C-pasovna enopolarizirana radarja. Načini odkrivanja toče temeljijo na različnih lastnostih oblakov in oblačnega okolja, kar naj bi prikazovalo pojav toče. Metodi CAPPI in Zmax iščeta visoke odbojne vrednosti tarč, možno točo. Metodi VIL in VIL density iščeta območja z visoko vsebnostjo tekoče vode, kjer bi lahko nastale super podhlajene kapljice, osnova za zametke toče. Pri Waldvogelovi metodi, poviša visoko odbojnost močan vzgornik, ki zrna toče lahko zadrži dlje časa visoko v nevihtnem oblaku. Primerjava podatkov za Nemčijo in Češko je pokazala, da se optimalni prag za posamezno metodo po državah razlikuje, zato so pragovi v kombiniranih kriterijih na območju Češke subjektivno prilagojeni za vse tri take metode: Waldvogel, SHI in POSH. Primer napovedi močne toče za 15.8.2010 s temi tremi metodami in kombiniranim kriterijem je prikazan na sliki 12. Kombiniran kriterij prepozna točo, ko ena zmed metod (Waldvogel, SHI ali POSH) zazna pojavnost toče (Skripniková in Řezáčová, 2014).
Slika 12: Prikaz napovedi močne toče za 15. avgust 2010 s pomočjo kombiniranih kriterijev in vsakim od sledečih POSH, Waldvogel in SHI (prirejeno po Skripniková in Řezáčová, 2014)
V dolini reke Ebro na SV Španije se vsako leto soočajo s pojavnostjo močne toče, kar povzroča velike škode tudi v kmetijstvu. Glavni cilj študije, ki so jo opravili Mallafre in sod. (2009), je bil oceniti kakovost odkrivanja toče z uporabo C-pasovnih radarjev. Osredotočili so se na najboljšo povezavo med opazovanjem toče in radarskimi parametri, model pa temelji na identifikaciji, karakterizaciji in sledenju konvektivnih celic. Rezultati kažejo, da so najboljši parametri radarskih podatkov za identifikacijo toče maksimalna odbojnost, prostornina točne celice, vsebnost vode, višina vertikalnega stolpca in prenos kinetične energije, pri čemer je bil za model najpomembnejši zadnji parameter (Mallafre in sod., 2009).
Na Hrvaškem so raziskovalci preučevali vpliv orografije na pogostost pojavljanja toče, saj je poznano, da se kumulonimbusi pred gorskimi pregradami zadržujejo več časa, s čimer je tam pojav toče bolj pogost. V poskusu so uporabili točne plošče (hailpad), v katerih toča pusti vdolbine, na osnovi katerih določijo maso zrn toče. Iz velikosti in števila udolbin se lahko izračuna kinetična energija, ki je kriterij za ocenjevanje škode. Ugotovljeno je bilo, da se toča bistveno pogosteje pojavlja v bližini hribov (Ivančica, Kalnik in Medvednica). Poleg tega so pogostost toče primerjali s pogostostjo strel in ugotovili, da je pred samim pojavom toče možno zaznati veliko strel, ki pa, ko toča začne padati, pojenjajo. Na ta način je mogoče napovedati bolj kritična območja za pojav toče, s pomočjo strel pa njen nastanek (Počakal in sod., 2018).
16
Slika 13: Prikaz poškodb koruze in soje zaradi toče kot zmanjšan NDVI, 26.6.2017, Minessota. Poškodovana območja so obarvana modro (prirejeno po Bell in sod., 2020: 670)
NDVI indeks se pogosto uporablja za prikaz škode zaradi toče v kmetijstvu, vendar oblačnost ali odsotnost sončnega sevanja lahko preprečita satelitsko spremljanje drugih senzorjev tega indeksa.
Te vrzeli lahko zapolnimo s SAR radarjem (Synthetic Aperature Radar). SAR pridobi slike površja ne glede na to, kakšna je osvetlitev in nepadavinski oblaki imajo minimalen vpliv pri valovnih dolžinah, ki so pogoste v javnih in komercialnih sistemih. SAR lahko tudi identificira lokalne spremembe povratnega sipanja, ki jih je mogoče pripisati škodi zaradi toče, čeprav so zatemnitve ali osvetlitve verjetno rezultat posledice kombinacij nevihtne škode in drugih dejavnikov. Analiza NDVI na območjih, poškodovanih od toče, je razkrila trende, povezane s časom škode zaradi toče v rastni sezoni. Če je do toče prišlo v začetnem delu rastne dobe, se je NDVI kasneje vrnil na približno enako vrednost glede na neprizadeta območja, medtem ko se vrednost NDVI ni vrnila na enako raven, ko je do poškodb prišlo v zadnjem delu sezone. (Bell in sod., 2020). Na sliki 13 je prikazan primer škode zaradi toče, ki je 22.6.2017 prizadela polja s koruzo in sojo v južni Dakoti, Minessota. Na posnetkih s 26.6. so vidne poškodbe rastlin, prikazane z zmanjšanim NDVI (modri odtenki) kot posledica spremenjenega odboja C-pasovnega radarja SAR.
5.3 METEOALARM
Meteoalarm je evropski sistem opozarjanja pred nevarnimi vremenskimi dogodki, temelječ na radarskih podatkih, ki nazorno in razumljivo s pomočjo znakov in različno obarvanih delov zemljevida opozarja na ujme, ki se približujejo v naslednjih 48 urah. Območja se glede na stopnjo nevarnosti obarvajo različno. Rdeča območja označujejo izjemno visoko ogroženost zaradi nevarnih vremenskih razmer, oranžna in rumena srednje veliko ogroženost, zelena območja pa označujejo, da tam vremenskih ujm ni pričakovati. Podatke za meteoalarm pridobivajo iz glavnih meteoroloških zavodov posameznih držav, ki so članice metoalarma. Sistem nas opozarja na 12 spremenljivk, npr. nevihte, dež, meglo, močan veter… Mejne vrednosti za opozorila so za posamezne regije različne (Meteoalarm, 2021).
17
Slika 14: Prikaz sistema Meteoalarm (Meteoalarm, 2021)
S sateliti Meteosat lahko sledimo nevihtnim oblakom in njihovi hitrosti ter smeri premikanja, hitrosti spreminjanja temperature vrha oblačnosti, razvojni fazi oblaka in drugim. Na podlagi teh podatkov lahko potem dežurni meteorolog oceni, če se konvektivna oblačnost krepi in raste ali zamira in izda opozorilo, v kolikor je to potrebno (Iršič Žibert in Muri, 2014a).
6 DRUGI PRIMERI UPORABE SATELITSKIH IN RADARSKIH PODATKOV 6.1 SATAGRO
Je program oziroma aplikacija, namenjena uporabi v preciznem kmetijstvu. Satelitske slike, ki jih pridobijo od NASE, Evropske vesoljske agencije in privatnih satelitskih operaterjev, nato individualno pripravijo za površine določenega pridelovalca in jih posredujejo stranki v razumljivejši obliki. S satelitskimi slikami pridobivajo informacije posevkov na določeni površini, na podlagi satelitskih slik tudi pripravijo natančne zemljevide, ki jih pridelovalci uporabijo na ustreznih modulih kmetijskega stroja in s tem omogočijo natančno nanašanje škropiv, gnojil, vode. Aplikacija vsebuje tudi vremensko napoved in vključuje alarme, ki opozarjajo pred vremenskimi nevšečnostmi (SatAgro, 2021).
Slika 15: Program SatAgro, primer ocene stanja vegetacije s pomočjo satelitskih posnetkov (SatAgro, 2021)
18 6.2 KARTIRANJE POVRŠIN POSEVKOV
Kartiranje površin posevkov in spremljanje fenologije sta zelo pomembna za analizo vplivov podnebnih sprememb na kmetijsko proizvodnjo. Terenska in satelitska opazovanja sta dva priljubljena načina pridobivanja fenoloških podatkov o posevkih in nasadih. Satelitsko opazovanje lahko ponudi način pridobivanja informacij o kmetijskih zemljiščih za velika območja. Primeri take uporabe z dobro prostorsko pokritostjo in kratkimi intervali so na primer sistemi Advanced Very-High-Resolution Radiometer (AVHRR), Medium-Resolution Imaging Spectrometer Instrument (MERIS) in Moderate-Resolution Imaging Spectroradiometer (MODIS), široko uporabljani za analizo trendov vegetacije tako na regionalni kot globalni ravni.
Čeprav je študija Song in Wang-a (2019) pokazala, da bi bilo optično daljinsko zaznavanje primerno za fenološka opazovanja na obširnih območjih, bodo atmosferski učinki zaradi oblačnosti, meglic, onesnaženja, vedno prisotni in bodo verjetno povzročali veliko negotovost pri informacijah o vegetaciji. Cilj študije, ki je potekala na Kitajskem, je bil oceniti potencial satelitskih posnetkov SAR Sentinel-1 za kartiranje območja z ozimno pšenice in nadaljnje spremljanje fenologije, kadar optimalni podatki daljinskega zaznavanja niso na voljo zaradi atmosferskih učinkov. Sentinel-1 lahko deluje v štirih smereh, z različnimi ločljivostmi, obsegi, vpadnimi koti in polarizacijami (Song in Wang, 2019).
Slika 16: Ekstrakcija površine z ozimno pšenico na študijskem območju z več časovnimi zloženimi pasovi Sentinel- 1 z uporabo paralelopipednega klasifikatorja (prirejeno po Song in Wang, 2019)
Od marca 2017 ima EU v lasti satelita Sentinel 1 in 2, ki delujeta v okviru programa Copernicus.
Satelitske meritve so prosto dostopne. Posnetki so na voljo za kratke časovne presledke za rastno sezono, obdelava podatkov pa je avtomatizirana. S tem je v okviru skupne kmetijske politike možno spremljati nekatere kmetijske prakse (npr. obdelava površin, košnja) ali pa nadomestiti inšpekcijske preglede plačilnih agencij s satelitskimi posnetki Sentinel-1 in 2. Evropska komisija spodbuja široko uporabo teh novih tehnologij in zagotavlja tudi podporo državam članicam pri ukrepih za njihovo uvajanje (Ulander in sod., 2020).
19
Slika 17: Primer časovnega profila pridobljenih informacij s sateliti Sentinel, na katerem so razvidne spremembe v vegetacijski odeji za različne pridelke (Ulander in sod., 2020)
Brezžično senzorsko omrežje (WSN) je glavno gonilo razvoja preciznega kmetijstva. Razvoj WSN aplikacije v preciznem kmetijstvu in sistema za pridobivanje, potrjevanje, obdelavo in vizualizacijo podatkov omogoča povečanje učinkovitosti, produktivnosti in donosnosti ob hkratnem zmanjševanju nenamernih vplivov na prosto živeče živali in okolje v mnogih sistemih kmetijstva (Srbinovska in sod., 2015).
7 ZAKLJUČEK
Sodobna tehnologija se iz dneva v dan izboljšuje, nekaj pa ostaja isto, nepredvidljivost vremena.
V sodobnem svetu so potrebe po hrani vedno večje, izkoristek mora biti maksimalen, vložek pa minimalen. Zato postaja precizno kmetijstvo pomembno, vendar ga ne bi bilo brez sodobne tehnologije. Satelitski in radarski podatki so nuja v takšni obliki kmetijstva. Še vedno ne moremo dovolj natančno in pravočasno napovedati vremenskih dogodkov, da bi povsem preprečili škode, vendar pa lahko z ustreznimi meritvami in opazovanji ter preventivo omilimo posledice škod ali zmanjšamo stroške kmetijske pridelave (npr. izbira ustreznega časa setve, košnje, gnojenja, ocena škode). Satelitski in radarski podatki v kmetijstvu imajo široko uporabnost: z njimi lahko spremljamo oblačnost in padavine, napovedujemo ekstremne padavinske dogodke, ocenimo stanje vegetacije (razvojne faze, indeks listne površine, zdravstveno stanje posevkov, zrelost, napovedujemo velikost pridelka). Omogočajo nam nadzor nad večjimi površinami, kontinuirane meritve in zmanjšanje potrebnega terenskega dela ter lažje napovedovanje. Predvideva se, da bo v prihodnosti večina kmetijstva temeljila na uporabi informacijskih tehnologij.
8 VIRI
ARSO. 2021. Agencija Republike Slovenije za okolje.
https://www.arso.gov.si/ (10. 8. 2021)
Bell J., Gebremichael E., Molthan L.A., Schultz A.L., Meyer F., Hain C., Shrestha S., Cole Payne K. 2020. Complementing optical remote sensing with synthetic aperature radar observations
20
of hail damage swaths to agricultural crops in the Central United States. Journal of Applied Meteorology and Climatology, 59: 665-685
Discrepancy between reference evapotranspiration and actual evapotranspiration as an indicator of water deficit. Eumetesat.
https://landsaf.ipma.pt/en/news/news/discrepancy-between-reference-evapotranspiration-and- actual-evapotranspiration-as-an-indicator-of-water-deficit/ (julij 2021)
Earthdata. 2021. What is Synthetic Aperature Radar?
https://earthdata.nasa.gov/learn/backgrounders/what-is-sar (avgust 2021) Elprocus. RADAR – Basics, Types & Applications.
https://www.elprocus.com/radar-basics-types-and-applications/ (julij 2021) ESA. The Sentinel missions.
https://www.esa.int/Applications/Observing_the_Earth/Copernicus/The_Sentinel_missions (avgust, 2021)
EUMETNET. 2021.
https://www.eumetnet.eu/ (avgust 2021)
EUMETSAT. 2021. Monitoring the weather and climate from space.
https://www.eumetsat.int/ (avgust 2021)
Giannakos A., Feidas H. 2021. Detection of rainy clouds based on their spectral and textural features on meteosat multispectral infrared data.
https://www.eumetsat.int/media/7809 (junij 2021)
Hu X., Ren H., Tansey K., Zheng Y., Ghent D., Liu X., Yan L. 2019. Agricultural drought monitoring using European Space Agency Sentinel 3A land surface temperature and normalized difference vegetation index imageries. Agricultural and Forest Meteorology, 279:
107707, doi: 10.1016/j.agrformet.2019.107707: 9 str.
Huuskonen A., Saltikoff E., Holleman I. 2014. The operational weather radar network in Europe.
Bulletin of the American Meteorological Society, 95, 6: 897-908
Iršič Žibert M., Muri B. 2014a. Uporaba satelitskih meritev EUMETSAT. Ljubljana, Ministrstvo za kmetijstvo in okolje, Agencija Republike Slovenije za okolje: 27 str.
Iršič Žibert M., Muri B. 2014b. Satelitsko zaznavanje stanja vegetacije na regionalni ravni – primer poletja 2013. Ujma, 28: 219-222
Iršič Žibert M. 2011. Novi satelitski produkti za uporabo v meteorologiji in hidrologiji. Ujma, 25:
186-189
Kerkmann J., Prieto J., Smiljanic I. 2021. Many parts of Europe were covered in snow in mid- January 2021. Eumetsat.
https://www.eumetsat.int/snow-covered-europe (junij 2021)
Kjučevšek N. 2017. Detekcija in vpliv vročinskih valov v Sloveniji. Magistrsko delo. Ljubljana, UL, FMF: 66 str.
Kseneman M. 2012. Ocenjevanje vlažnosti iz radarskih slik SAR. Doktorska disertacija. Maribor, Fakulteta za Elektrotehniko, Računalništvo in Informatiko: 97 str.
Lebedev V., Ivanshkin V., Rudenko I., Ganshin A., Molchanov A., Ovcharenko S., Grokhovetskiy R., Bushmarinov I., Solomentsev D. 2019. Precipitation nowcasting with satellite imagery. V: 25th ACM SIGKDD International Conference on Knowledge Discovery
& Data Mining. Association for Computing Machinery, New York: 2680-2688
21
Lipovscak B., Saltikoff E. 2014. OPERA – the operational weather radars in Europe
organisation. V: Conference: 2014 International Workshop on Rain Radar and Hydrological Application, Korea, Seoul.
https://www.researchgate.net/publication/283508724_OPERA__the_Operational_weather_ra dars_in_Europe (september 2021)
Liu X., Zhu X., Pan Y., Li S., Liu Y., Ma Y. 2016. Agricultural drought monitoring: Progress, challenges, and prospects. Journal of Geographical Sciences, 26, 6: 750-767
LSA SAF. 2021.
https://landsaf.ipma.pt/en/ (avgust 2021)
Mallafré M. C., Ribas T. R., Botija M. C. L., Sánchez J. L. 2009. Improving hail indetification in the Ebro Valley region using radar observations: Probability equations and warning thresholds.
Atmospheric research, 93: 474-482
Meteoalarm. 2021. Alerting europe for extreme weather.
http://www.meteoalarm.info/ (avgust 2021)
Meyer L.H, Heurich M., Beudert B., Premier J., Pflugmacher D. 2019. Comparison of Landsat-8 and Sentinel-2 data for estimation of leaf area index in temperate forests. Remote Sensing, 11(10):1160, doi:10.3390/rs11101160: 16 str.
Miralles D. G., Holmes T. R. H., De Jeu R. A. M., Gash J. H., Meesters A. G. C. A., Dolma A. J.
2011. Global land-surface evaporation estimated from satellite-based observations. Hydrology and Earth System Sciences, 15: 453-469
NASA. 2020.
https://earthobservatory.nasa.gov/. (september 2020)
NASA. 2021. MODIS-Moderate resolution imaging spectroradiometer.
https://modis.gsfc.nasa.gov/about/ (avgust 2021)
Oštir K. 2006. Daljinsko zaznavanje. Ljubljana, Založba ZRC: 251 str.
Počakal D., Večenaj Ž., Mikuš Jurković P., Grisogono B. 2018. Analysis of orographic influence on hail parameters in NW Croatia. International Journal of Climatology, 38: 5646-5658 Rihter E. 2020. Pregled stanja in smernice razvoja preciznega kmetijstva v Sloveniji. Magistrsko
delo. Maribor, Fakulteta za kmetijstvo in biosistemske vede: 67 str.
Romanov P. 2011. Satellite-derived information on snow cover for agriculture applications in Ukraine. V: Use of Satellite and In-Situ Data to Improve Sustainability. Kogan F., M. Powell, Jr A., Fedoroc O (ur.). Dordrecht, Springer: 81-91
Sánchez N., Gonzáalez-Zamo Á., Martínez-Fernández J., Piles M., Pablos M. 2018. Integrated remote sensing approach to global agricultural drought monitoring. Agricultural and Forest Meteorology, 259: 141-153
SatAgro. 2021.
https://app.satagro.eu/#explorer/483/Sentinel2/NDVI/2021-07-25 (julij 2021)
Shanmugapriya P., Rathika S., Ramesh T., Janaki P. 2019. Applications of remote sensing in agriculture - A review. International journal of current microbiology and applied sciences, 8:
2270-2283
Sharifi E., Eitzinger J., Dorigo W. 2019. Performance of the state-of-the-art gridded precipitation products over mountainous terrain: a regional study over Austria. Remote Sensing, 11, doi.org/10.3390/rs11172018: 20 str.
22
Skripniková K., Řezáčová D. 2014. Radar-based hail detection. Atmospheric Research, 144: 175- 185
Song Y., Wang J. 2019. Mapping winter wheat planting area and monitoring its phenology using Sentinel-1 backscatter time series. Remote Sensing, 11:449, doi.org/10.3390/rs11040449: 13 str.
Srbinovska M., Gavrovski C., Dimcev V., Krkoleva A., Borozan V. 2015. Environmental parameter monitoring in precision agriculture using wireless sensor networks. Journal of Cleaner Production, 88: 297-307
Sušnik A. 2014. Zasnove kazalcev spremljanja suše na kmetijskih površinah. Doktorska dizertacija. Ljubljana, Biotehniška fakulteta: 78 str.
Ulander P., Chaudry A., Moore R., Dolezal J., Hardy R., Bortnowschi R., Wynn Owen P., Prigent O. 2020. Posebno poročilo: Uporaba novih tehnologij zajemanja posnetkov za spremljanje skupne kmetijske politike: na splošno stalen napredek, vendar počasnejši pri spremljanju
podnebja in okolja. Evropsko računsko sodišče.
https://www.eca.europa.eu/sl/Pages/DocItem.aspx?did=52913 (avgust 2021)
Wedam A. 1984. Kako deluje? – II..1984. Ljubljana, Tehniška založba Slovenije: 750 str.
Wiesbeck W. 2010. Radar system engineering. 16th ed. Institut für Hochfrequenztechnik und Elektronik. Karlsruhe: 170 str.
Wolff C. 2021. The technical principle of weather radar. Radartutorial.
https://www.radartutorial.eu/15.weather/wr04.en.html (avgust 2021)
Xie Z., Yang H., Lv H., Hu Q. 2020. Seasonal characteristics of disdrometer-observed raindrop size distributions and their applications on radar calibration and rosino mechanism in a semi- arid area of China. Remote Sensing, 12:262, doi: 10.3390/rs12020262: 23 str.
ZAHVALA
Najlepše se zahvaljujem mentorici doc. dr. Zaliki Črepinšek za vso pomoč in svetovanje pri nastajanju diplomske naloge.
Zahvaljujem se tudi doc. dr. Klemnu Elerju za recenzijo naloge.
Zahvalila pa bi se tudi družini za vso podporo in pomoč v času študija. Hvala tudi Tilnu za vso pomoč in podporo.
PRILOGA A
Primerjava dejanske in referenčne (model METREF) evapotranspiracije za leti 2013 in 2020 za Novo Gorico in Bucovino (Romunija). Rdeče elipse označujejo veliko odstopanje (prirejeno po
Discrepancy …, 2021)
PRILOGA B
Delež vegetacijskega pokrova
Pril. B1: Delež vegetacijskega pokrova na Bizeljskem (prva) in v Murski Soboti (druga) (prirejeno po EUMETSAT, 2021)
Pril. B2: Delež vegetacijskega pokrova na območjih reke Büyük Menderes (Turčija), delte reke Nil (Egipt) in reke Evfrat (Irak) leta 2017 (prirejeno po EUMETSAT, 2021)
