Notagildi fjarkönnunar með flygildum við rannsóknir á hringrás kolefnis

Abstract

Loftslagsbreytingar eru ein stærsta áskorun 21. aldar. Umsvif og áhrif mannsins á lífríki og lofthjúp jarðar eru svo umfangsmikil að lagt hefur verið til að nýtt jarðsögulegt tímabil - öld mannsins – sé hafið. Afleiðingar af umsvifum mannsins frá iðnbyltingu og ekki síst á undanförnum 50 árum felast m.a. í röskun á hringrás kolefnis. Það hefur því aldrei verið eins mikil þörf fyrir tækni sem getur metið og kortlagt mikið magn af upplýsingum, m.a. umhverfisþáttum, á skilvirkan, nákvæman og hagkvæman máta. Markmið verkefnisins var að kanna notagildi fjarkönnunar með flygildum við rannsóknir á hringrás kolefnis og að prófa gildi fléttutauganets við greiningu myndgagnanna. Þetta var gert með því að áætla frumframleiðni með myndrænum gögnum, tengja frumframleiðni við mælingar á kolefnislosun frá jarðvegi og nota fylgni þessa tveggja þátta ásamt aðhvarfsgreiningu fléttutauganets til að spá fyrir um kolefnislosun úr jarðvegi. Með fjarkönnunargögnunum reyndist unnt að reikna frumframleiðni með umritaðri jöfnu Monteith sem notar jarðvegsrakastuðul, lofthita og ljóstillífunarvirk orku stillta með grænkustuðli. Nákvæmni þjálfunar fléttutauganetsins jókst eftir fjölda keyrslna og náði um 20%. Nákvæmni forspár fléttutauganetsins var 0% og fjöldi keyrslna hafði ekki áhrif. Nákvæmni þjálfunar og þar með rýrari spágildi líkansins breyttist ekki eftir vissan fjölda keyrslna því að fléttutauganetið skorti gögn til þjálfunar. Þrátt fyrir takmarkaða nákvæmni vegna of fárra mælinga á kolefnislosun jarðvegs við þjálfunina, eru niðurstöður verkefnisins mikilvægar sem fyrstu skref í þróun aðferðarinnar við íslenskar aðstæður. Þá gafst ekki tími til að prófa aðferðina nánar innan verkefnisins.

Impacts of human activities on the ecosystems and atmosphere have steadily increased during the last 50 years, including major effect on the carbon cycle. Thus, there has never been a greater need for a technology capable of collecting large amounts of information on the environment in an efficient and accurate way. The aim of the project was to explore the applicability of using remote sensing data from unmanned aerial vehicles (UAVs) for studying the carbon cycle. This was done by estimating the gross primary productivity (GPP) with remote sensing data from UAVs and regressing the GPP and carbon flux measurements from the soil with a convolutional neural network (CNN) model. With the remote sensing data from UAVs it was possible to calculate the GPP with a modified version of Monteith’s equation using a soil moisture index, temperature and NDVI-adjusted PAR. Accuracy of the training of CNN increased with numbers of epochs and reached about 20%. Model loss decreased to a certain point with numbers of epochs. Accuracy of the predictions of the CNN was 0% and did not increase with numbers of epochs. Accuracy of the training and the model loss did not decrease after a certain number of epochs because training data were in short supply. Despite the limited accuracy caused by a lack of training samples of carbon flux measurements, this project is important as first steps in the development of this method in Iceland. There was not time to further test the method during this project.