Ocena rozkładu przestrzennego temperatury powierzchni czynnej na uprawie leśnej. Case study

Wykonano ocenę rozkładu przestrzennego temperatury powierzchni czynnej na uprawie leśnej zlokalizowanej w Leśnictwie Dulowa (Nadleśnictwo Chrzanów) w województwie małopolskim. Analizę przeprowadzono w oparciu o informacje zawarte na zdjęciach w podczerwieni LWIR.

 

Informacje wstępne:

Wykonawca:	Grzegorz Durło
Operator UAV/UAS:	Grzegorz Durło
Cel:	Wykonanie kompozycji w odcieniach szarości LWIR i kompozycji barwnej TPC
Data i miejsce wykonania nalotu:	25-07-2019; Puszcza Dulowska, Nadleśnictwo Chrzanów (RDLP Katowice), Leśnictwo Dulowa, Obręb Dulowa, powiat chrzanowski, woj. małopolskie
Powierzchnia opracowania:	ha 7,25 ha
Sprzęt:	UAV DJI Matrice 210 V2, kamera DJI Zenmuse XT2 A13SR
Oprogramowanie:	Pix4Dcapture, Pix4Dmapper, QGIS 2.18, MENEX

1. Wstęp

Zdjęcia w podczerwieni pozyskiwane w trakcie nalotu UAV na niskim pułapie umożliwiają między innymi odczytanie wartości temperatury powierzchni czynnej (TPC) w kontekście okresowych zmian bilansu cieplnego spowodowanego zarówno czynnikami atmosferycznymi jak i sposobem zagospodarowania. Istotnym elementem wpływającym na ten bilans jest szata roślinna oraz jej przestrzenne rozmieszczenie. Postęp technologiczny, jaki dokonał się w ostatnim czasie jeśli chodzi o termografię sprawił, że wysokiej jakości sygnał w połączeniu z filtrami pasmowymi zainstalowanymi na obiektywach kamer gwarantują bardzo dobrej jakości odwzorowanie temperatury roślin nawet tych o złożonej budowie morfologicznej. Wśród najnowszych rozwiązań pojawiają się kamery termowizyjne wyposażone w uchwyt stabilizujący (gimbal) z możliwością płynnej regulacji kąta pochylenia obiektywu co pozwala na wykonywanie zdjęć powierzchni znajdujących się w różnym położeniu względem siebie np. granic środowiskowych, ściany lasu, biogrup różnej wielkości, kęp ekologicznych itd. Cecha ta znajduje zastosowanie w trakcie nalotów fotogrametrycznych wymagających wykonania zdjęć ukośnych. Właściwości te wykorzystano w niniejszym opracowaniu.

 

2. Lokalizacja obiektu

Uprawy leśne na fragmencie powierzchni oddziału 119 (Leśnictwo Dulowa, Nadl. Chrzanów), wzdłuż drogi leśnej biegnącej ze wschodu na zachód pomiędzy miejscowościami Chechło oraz Młoszowa w Puszczy Dulowskiej. Współrzędne narożnika powierzchni: 50.12258367; 19.52916934; wysokość bezwzględna 233,61 m n.p.m (CS92). Gospodarstwa leśne o zróżnicowanej strukturze zagospodarowania: w sąsiedztwie drzewostany V i VI klasy wieku, ponadto żerdziowiny, młodniki oraz uprawy w wieku od 4 do 10 lat na powierzchniach po cięciach rębnych w uprzednich drzewostanach sosnowych. Gatunki drzew na uprawach: Dbs, Bk, Md, So, Św, Brz na glebie przygotowanej mechanicznie. Na powierzchni upraw miejscami drobne gałęzie, niewielkie stosy, pozostałości po okrzesywaniu strzał. Celem opracowania była analiza rozkładu przestrzennego temperatury powierzchni czynnej na uprawie leśnej w aspekcie bilansu wodnego i potencjalnego stresu wywołanego suszą glebową. Dokonano także oceny przydatności kamery radiometrycznej DJI XT2 (640 × 512) z obiektywem 25 mm do analizy warunków mikroklimatycznych (temperaturowych i higrycznych) na uprawie leśnej.

 

 

 

3. Przebieg misji

Misję statku bezzałogowego przygotowano w aplikacji Pix4Dcapture zainstalowanej na urządzeniu DJI CrystalSky HB 5.5. Trasa została wyznaczona zgodnie z następującymi parametrami: obszar nalotu 7,3 ha, wysokość lotu 70 m AGL, prędkość pozioma 4,0 m·s-1, stabilizacja RTK/RTN, FO/SO 85%/85%. Zapis zdjęć z sensorów odbywał się bezpośrednio na karcie MicroSD umieszczonej w kamerze DJI XT2. Ustawienia kamery: CO Landscape; GSD 9,15. Warunki meteorologiczne w trakcie misji: słonecznie, temperatura powietrza 23,5ᶹC; wilgotność powietrza 66%; zachmurzenie ogólne nieba 1,0 Okt, prędkość wiatru 2,0 m·s-1, widoczność CAVOK; stan powierzchni czynnej: sucha. W trakcie misji wykonano 390 zdjęć (LWIR) + 380 (RGB)) w formacie TIFF/JPG (16 bit). W celu potwierdzenia poprawności odwzorowania temperatury zarejestrowanej przez mikrobolometr na powierzchni uprawy rozmieszczono panel kalibracyjny (50 × 50 cm) z folii aluminiowej (Refl.) oraz 4 elektryczne czujniki temperatury Hobo MX2201 TDL (NTC) firmy Onset Computer (fot 2).

 

 

4. Opracowanie danych

Opracowanie wykonano na komputerze DELL Vostro P71F w aplikacji Pix4Dmapper. Średnia wartość wskaźnika EIQ dla zdjęć wykonanych kamerą XT2 wyniosła 0,854 (±0,021); liczba zdjęć wyrównanych 390/390 (100%); średnia liczba punktów wiążących 5894; całkowity czas przetwarzania 25 min (High Resolution). Produkt końcowy mozaika w odcieniach szarości LWIR, barwna kompozycja TPC oraz mapa uprawy leśnej RGB (czas przetwarzania 17 min).

 

5. Wyniki analizy

Rozkład temperatury powierzchni czynnej na uprawie determinowały następujące czynniki: barwa gleby, osłonięcie gleby przez roślinność, zwarcie roślin oraz położenie i kształt koron drzew. Lokalnie zaznaczał się wpływ miktoreliefu oraz obecność niewielkich cieków wodnych przecinających odnawianą powierzchnię. Najwyższa temperatura obejmowała fragmenty odsłoniętej gleby oraz kępy trzcinnika w miejscach dotąd niezagospodarowanych. Średnia temperatura wynosiła w obrębie tych obiektów ponad 30 °C (max>50 °C) (tab. 1). Najchłodniejsza okazała się powierzchnia biogrupy świerków zlokalizowana w południowo-zachodniej części oddziału ze średnią 15,1 °C. Absolutna amplituda temperatury powierzchni czynnej wyniosła blisko 40 stopni C, co potwierdza, że sposób zagospodarowania oraz rozmieszczenie płatów roślinnych ma decydujący wpływ na kierunek przepływu energii w obrębie uprawy leśnej. Układ przestrzenny determinuje jednocześnie kierunek i prędkość przepływu powietrza nad uprawą oraz związane z nim warunki higryczne (tab. 2).

 

 

 

Tabela 1. Rozkład temperatury powierzchni czynnej na uprawie leśnej w Leśnictwie Dulowa stan na dzień 25 lipca 2019

Lp.	Lokalizacja	Temp. Max (°C)	Temp. Min. (°C)	Temp. Średnia (°C)	CTD
1.	Sosna 3 lata	45,6	15,4	22,5	-1,5
2.	Sosna 7 lat	49,8	15,6	19,8	-4,2
3.	Świerk biogrupa	27,8	12,8	15,1	-8,9
4.	Modrzew	43,1	14,1	18,8	-5,2
5.	Gleba odkryta	50,3	23,9	31,5	7,5
6.	Trzcinnik	53,6	19,8	24,7	0,7
7.	Drzew. So III kl.	23,6	13,1	15,5	-7,7
8.	Szlaki komunik.	43,1	21,5	29,6	5,6
9.	Stosy gałęzi	49,7	21,9	31,2	7,2

Gdzie: CTD – indeks temperaturowy

 

 

Tabela 2. Rozkład niedosytu wilgotności powietrza nad powierzchnią czynną oraz indeks stresu wodnego CWSI na uprawie leśnej w Leśnictwie Dulowa stan na dzień 25 lipca 2019

Lp.	Lokalizacja	NWP (hPa)	AVP (hPa)	CWSI
1.	Sosna 3 lata	6,92	20,76	0,24
2.	Sosna 7 lat	5,82	17,46	0,12
3.	Świerk biogrupa	4,15	12,95	0,15
4.	Modrzew	5,40	16,01	0,16
5.	Gleba odkryta	11,22	33,67	–
6.	Trzcinnik	7,70	23,10	0,14
7.	Drzew. So. III kl.	4,28	12,83	0,22
8.	Szlaki komunik.	10,66	31,97	–
9.	Stosy gałęzi	11,63	34,88	–

Gdzie: NWP – niedosyt wilgotności powietrza (hPa), AVP – aktualne ciśnienie pary wodnej (hPa); CWSI – Indeks stresu wodnego (skala 0,0-1,0)

 

6. Podsumowanie

Zaprezentowana w materiale technologia pozyskania zdjęć wysokiej rozdzielczości z kamer termowizyjnych DJI XT2 w połączeniu z algorytmami przetwarzania obrazu jakimi dysponuje oprogramowanie Pix4Dmapper stanowi skuteczne narzędzie wspierające monitoring upraw leśnych, szczególnie w początkowym okresie ich rozwoju. Leśnicy coraz częściej stosują metody analizowania zdjęć IR w celu monitorowania zjawisk istotnych dla stanu zdrowotnego odnowień w kontekście ich przyszłej roli w środowisku leśnym. Do najbardziej popularnych zastosowań należą monitorowanie wschodów, widocznych (RGB) i niewidocznych (IR) symptomów osłabienia sadzonek, stopnia defoliacji wywołanej czynnikami stresu biotycznego, monitorowanie uszkodzeń liści spowodowanych gradem lub innymi czynnikami abiotycznymi; w końcu diagnostyką stresu wodnego będącego w ostatnim czasie jedną z głównych przyczyn osłabienia drzew zarówno na uprawach jak i w dojrzałych ekosystemach leśnych wzrastających na glebach o małej zdolności retencyjnej. Z uwagi na fakt, że warunki mikroklimatyczne na uprawie leśnej bywają bardzo wymagające dla młodego pokolenia drzew, co potwierdza niniejsze opracowanie, zaleca się postępowanie hodowlane zmierzające do zagospodarowania całej odnawianej powierzchni w tym samym terminie, unikanie zwłoki czasowej w nasadzeniach i jeśli to możliwe wykorzystywanie naturalnych osłon zarówno ściany lasu jak i przestojów.

 

Źródła:

1. Ceccato P., 2001. Detecting vegetation leaf water content using reflectance in the optical domain. Remote Sensing of Environment 77, 22-33.
2. Civil Aviation Authority (CAA) 2017. Small Unmanned Aircraft (SUA) operators holding a valid CAA permission. http://publicapps.caa.co.uk/docs/33/20170714RptUAVcurrent.pdf
3. Gago J, Douthe C., Coopman C.E., Gallego P.P., Ribas-Carbo M., Flexas J., Escalona J., Medrano H. 2015. UAVs challenge to assess water stress for austainable agriculture. Agricultural Water Management 153,(1), 9-19.
4. Dandois J.P., Olano M., Ellis E.C. 2015. Optimal Altitude, Overlap, and Weather Conditions for Computer Vision UAV Estimates of Forest Structure. Remot. Sens. 7: 13895-13920. Doi:10.3390/rs71013895
5. Hunt E., Rock B. 1989. Detection of changes in leaf water content using Near- and middle-Infrared reflectances. Remote Sensing of Environment 30, 43-54.
6. Xiao W., Li X., Li P., Feng Y., Wang W., Zhang J: 2009. Near infrared spectroscopy and machine vision information fusion soil moisture detection. Transactions of the CSAE.25,14—17.