MENDELOVA ZEMĚDĚLSK[ A LESNICK[ UNIVERZITA V BRNĚ Agronomick{ fakulta Ústav agrosystémů a bioklimatologie
METODY HODNOCENÍ VARIABILITY PŮDNÍCH PODMÍNEK JAKO PODKLAD PRO DIFERENCOVANÉ PROV[DĚNÍ PĚSTEBNÍCH Z[SAHŮ
Disertační pr{ce
Brno 2009
Školitel
Vypracoval
Prof. Jan Křen, CSc.
Ing. Vojtěch Lukas
Děkuji svému školiteli, prof. Janu Křenovi, CSc., za odborné vedení a cenné rady, které mi při zpracov{ní disertační pr{ce poskytl. D{le bych r{d poděkoval kolegům z Ústavu agrosystémů a bioklimatologie za technickou i odbornou pomoc při získ{v{ní a zpracov{ní podkladů pro tuto pr{ci. Vypracov{ní disertační pr{ce bylo podpořeno grantovým projektem MŠMT NPVII č. 2B06124 „Snižov{ní dopadů a rizik na životní prostředí a získ{v{ní informací pro kvalifikované rozhodov{ní metodami precizního zemědělství“, výzkumným z{měrem č. MSM6215648905 „Biologické a technologické aspekty udržitelnosti řízených ekosystémů a jejich adaptace na změnu klimatu" uděleného Ministerstvem školství, ml{deže a tělovýchovy České republiky a výzkumným projektem GAČR GA205/09/1437 „Kartografick{ vizualizace senzorických sítí pro zemědělství (Agrisensor)“.
2
PROHL[ŠENÍ Prohlašuji, že jsem disertační pr{ci na téma „Metody hodnocení variability půdních podmínek jako podklad pro diferencované prov{dění pěstebních z{sahů“ vypracoval samostatně s použitím pramenů, které cituji a uv{dím v přiloženém soupisu literatury. Disertační pr{ce je školním dílem a může být použita ke komerčním účelům jen se souhlasem vedoucího disertační pr{ce a děkana AF MZLU v Brně.
V Brně dne 30. 11. 2009
podpis autora ...................................................
3
OBSAH OBSAH ................................................................................................................................................ 4 SEZNAM ZKRATEK .............................................................................................................................. 6 SUMMARY .......................................................................................................................................... 8 1.
ÚVOD ......................................................................................................................................10
2.
LITERÁRNÍ PŘEHLED ................................................................................................................14 2.1 VARIABILITA PŮDY .............................................................................................................................. 14 2.1.1 Příčiny a druhy variability...................................................................................................... 14 2.1.2 Metody popisu prostorové závislosti .................................................................................... 16 2.1.3 Prostorové interpolace .......................................................................................................... 21 2.1.3.1 Kriging ............................................................................................................................................22 2.1.3.2 Metoda inverzního vážení vzdálenosti (IDW - Inverse distance weighting) ...................................24 2.1.3.3 Hodnocení interpolačních metod ..................................................................................................24
2.2 METODY MAPOVÁNÍ PROSTOROVÉ VARIABILITY PŮDNÍCH PODMÍNEK ............................................................ 26 2.2.1 Půdní vzorkování ................................................................................................................... 26 2.2.1.1 Agrochemické zkoušení zemědělských půd (AZZP) ........................................................................27 2.2.1.2 Schéma vzorkování ........................................................................................................................28 2.2.1.3 Optimalizace vzorkování ................................................................................................................32
2.2.2 Senzorové mapování prostorové variability půdních podmínek ........................................... 33 2.2.2.1 Měření elektrické vodivosti půdy...................................................................................................34 2.2.2.2 Faktory ovlivňující elektrickou vodivost půdy (ECa) .......................................................................37
2.2.3 Dálkový průzkum půdních vlastností ..................................................................................... 41 2.2.3.1 Parametry digitálních obrazových záznamů ..................................................................................42 2.2.3.2 Spektrální vlastnosti půdy ..............................................................................................................44 2.2.3.3 Využití dálkového průzkumu v precizním zemědělství ..................................................................46
3.
CÍL PRÁCE ................................................................................................................................48
4.
MATERIÁL A METODY .............................................................................................................49 4.1 CHARAKTERISTIKA POKUSNÝCH LOKALIT .................................................................................................. 49 4.2 METODY MAPOVÁNÍ PROSTOROVÉ PŮDNÍ VARIABILITY............................................................................... 51 4.2.1 Půdní vzorkování pro stanovení obsahu živin, humusu a pH půdy ....................................... 51 4.2.2 Půdní vzorkování pro stanovení zrnitosti půdy ..................................................................... 53 4.2.3 Měření elektrické půdní vodivosti ......................................................................................... 54 4.2.4 Letecké snímkování holé půdy .............................................................................................. 56 4.2.5 Zpracování výsledků mapování ............................................................................................. 58
5.
VÝSLEDKY ................................................................................................................................60 5.1 POPIS PROSTOROVÉ VARIABILITY OBSAHU P, K, MG, CA, HUMUSU A HODNOTY PH ......................................... 60 5.1.1 Základní statistické charakteristiky ....................................................................................... 60 5.1.2 Hodnocení prostorové variability obsahu P, K, Mg, Ca, humusu a hodnoty pH .................... 64 5.2 POPIS PROSTOROVÉ VARIABILITY ZRNITOSTI PŮDY ..................................................................................... 73 5.2.1 Základní statistické charakteristiky ....................................................................................... 73 5.2.2 Hodnocení prostorové variability zrnitosti půdy ................................................................... 76 5.3 POPIS PROSTOROVÉ VARIABILITY ELEKTRICKÉ VODIVOSTI PŮDY .................................................................... 80 5.3.1 Základní statistické charakteristiky ....................................................................................... 80 5.3.2 Hodnocení prostorové variability elektrické vodivosti půdy.................................................. 85 5.4 POPIS PROSTOROVÉ VARIABILITY DÁLKOVÝM PRŮZKUMEM ......................................................................... 89 5.4.1 Analýzy digitálních leteckých snímků .................................................................................... 90 5.5 POROVNÁNÍ PŘÍMÝCH A NEPŘÍMÝCH METOD ........................................................................................... 94 5.5.1 Vstupní data a způsob výpočtu ............................................................................................. 94 5.5.2 Korelace agrochemických vlastností půdy a nepřímých metod ............................................ 96 5.5.3 Korelace zrnitosti půdy a nepřímých metod .......................................................................... 98 5.5.4 Souhrn výsledků korelačních analýz .................................................................................... 100
4
5.5.5 Vzájemné porovnání nepřímých metod .............................................................................. 103 5.5.5.1 Stabilita měření ECa půdy.............................................................................................................104
5.6 POROVNÁNÍ VARIANT VZORKOVÁNÍ PŮDY ............................................................................................. 105 6.
DISKUZE ................................................................................................................................115 6.1 POPIS PROSTOROVÉ VARIABILITY PŮDY PŮDNÍM VZORKOVÁNÍM................................................................. 115 6.1.1 Úroveň půdních vlastností................................................................................................... 115 6.1.2 Hodnocení prostorové variability ........................................................................................ 116 6.2 MAPOVÁNÍ NEPŘÍMÝMI METODAMI..................................................................................................... 117 6.2.1 Elektrická půdní vodivost (ECa) ............................................................................................ 117 6.2.2 Letecké snímkování ............................................................................................................. 122 6.2.3 Reliéf terénu ........................................................................................................................ 125 6.2.4 Vhodnost nepřímých metod pro mapování půdních podmínek v precizním zemědělství ... 126 6.3 POROVNÁNÍ NÁVRHŮ PŮDNÍHO VZORKOVÁNÍ ........................................................................................ 127
7.
ZÁVĚRY .................................................................................................................................131
8.
SEZNAM POUŽITÉ LITERATURY: .............................................................................................136
PŘÍLOHY ..........................................................................................................................................152 SEZNAM TABULEK .................................................................................................................................. 152 SEZNAM OBRÁZKŮ ................................................................................................................................. 154 PŘÍLOHA Č. 1 VÝSLEDKY PROSTOROVÝCH INTERPOLACÍ .................................................................................. 156 PŘÍLOHA Č. 2 VÝSLEDKY POROVNÁNÍ PŘÍMÝCH A NEPŘÍMÝCH METOD ............................................................... 168 ANNOTATION ..................................................................................................................................170
5
SEZNAM ZKRATEK AIC
Akaikeho informační kritérium (Akaike Information Criterion)
AKSE
průměn{ odchylka krigingového odhadu (Average Kriging Standard Error)
AZZP
agrochemické zkoušení zemědělských půd
CCD
elektronický světlocitlivý snímací prvek (Charge-Coupled Device)
CIR
barevný infračervený snímek v nepravých barv{ch (Color infrared)
Cox
oxidovatelný uhlík
CV
variační koeficient
CoK
cokriging
CoKNN
cokriging bez výpočtu zbytkového rozptylu (cokriging - no nugget)
CZEPOS
síť GPS referenčních stanic ČUZK
ČUZK
Český úřad zeměměřický a katastr{lní
DEM
digit{lní výškový model (Digital Elevation Model)
DGPS
diferenční glob{lní navigační systém (Differential Global Navigation System)
DSLR
digit{lní jednook{ zrcadlovka (Digital Single Lens Reflex)
ECa
měrn{ elektrick{ vodivost (apparent electrical conductivity)
EMI
elektromagnetick{ indukce (electromagnetic induction)
ER
elektrický odpor činný (Electrical resistivity)
GIS
geografické informační systémy (Geographical Information Systems)
GNSS
glob{lní navigační satelitní systémy (Global Navigation Satellite System)
GPS
glob{lní navigační systém arm{dy USA (Global Positioning System)
IDW
metoda inverzního v{žení vzd{lenosti (Inverse Distance Weighting)
IFOV
úhel z{běru (Instant Field Of View)
KVK
kationov{ výměnn{ kapacita
logOK
běžný kriging s logaritmickou transformací
MAE (ME)
Průměrn{ absolutní odchylka (ME - mean error, nebo také mean absolute error of prediction – MAE)
MSPE
(Mean Standardized Prediction Error)
NDVI
normalizovaný diferencovaný Difference Vegetation Index)
NIR
blízce infračervené z{ření (near infrared)
USDA
Ministerstvo zemědělství USA (United States Department of Agriculture)
6
vegetační
index
(Normalized
OH
organick{ hmota
OK
běžný kriging (Ordinary Kriging)
OKNN
běžný kriging bez výpočtu zbytkového rozptylu (ordinary kriging no nugget)
PCA
analýza hlavních komponent (Principal Component Analysis)
R, G, B
červené, zelené a modré spektrum (red, green, blue)
RMSE
druh{ odmocnina čtverců odchylek (Root Mean Square Error)
RMSP
(Root Mean Square Standardized Prediction Error)
S-JTSK
souřadnicový systém jednotné trigonometrické sítě katastr{lní
SRS
algoritmus spatial response surface
SWIR
kr{tkovlnné infračervené z{ření (shortwave infrared)
TDR
Time-domain reflectometry
TIFF
form{t pro bezztr{tové ukl{d{ní obrazových dat (Tag Image File Format)
TWI
topografický index (Topographic Wetness Index)
ÚKZÚZ
Ústřední kontrolní a zkušební ústav zemědělský
WGS 84
světový geodetický systém 1984 (World Geodetic System 1984)
ZOD
zraniteln{ oblast dusičnany
7
SUMMARY Knowledge of soil conditions plays a key role in site-specific management, also called precision agriculture. A traditional measurement of spatial variability in soil conditions using soil sampling is not too useful for purposes of this system. Though it provides accurate information on current levels of soil characteristics observed, with regard to cost and labour consumption, it does not allow the effective expressing of spatial variability with a sufficient spatial accuracy. The aim of the present work was to test indirect methods for rapid, inexpensive and at the same time, precise description of spatial variability in selected agronomically relevant soil characteristics. The testing was conducted in two experimental fields of the area of 53 and 38 ha with different site conditions. Soil sampling in a regular 50-m sampling grid revealed a different level of spatial variability at both locations. The indirect methods tested in both fields were soil electrical conductivity (ECa), aerial imaging (visible, NIR spectrum and thermography) and a digital elevation model (DEM). Different results were obtained at both locations, stronger correlations with results of soil sampling were found at the site with higher heterogeneity. ECa and aerial imaging demonstrated a similar potential of detecting the change in soil characteristics because they are significantly affected by soil factors such as soil texture, moisture and organic matter. In the case of ECa a positive correlations of r = 0.4** – 0.5** was confirmed for a percentage of clayey particles and in remote sensing a negative correlations of r = 0.5** – 0.6** was found for clay. Significant correlations of ECa and remote sensing with a majority of the agrochemical characteristics examined (r = 0.2** – 0.6**) document that these methods can be used for mapping nutrient supply. However, rather than a direct effect of agrochemical characteristics, it is a secondary effect of soil factors that also affect indirect methods. From a practical point of view, the indirect methods mentioned provided similar results. Therefore, the introduction of these methods into practice depends on specific characteristics of mapping performance. The results of correlation analysis of DEM document, in comparison with measurements of soil ECa and aerial imaging, lower detection of changes in most soil characteristics (r = 0.1* – 0.5**). There were also differences between the two fields. Higher correlations were found for the flat field compared to the sloping one. Thus, a small range of the altitude at the flat location affected the variability in soil characteristics more than in the sloping field. A comparison of sampling designs in a pH level showed higher errors of prediction of soil maps for regular grids with a lower sampling density. Based on the results of ECa and PCA analysis of aerial images and DEM, the optimization of the sampling designs, except one, reached the identical prediction accuracy like the 100-m regular grid, however at 25% reduction of the sample number in subjective optimization, and 38% or 48% reduction at the optimization using 8
ESAP-RSSD software. In addition to the grid optimization, a mode of spatial interpolation was also verified. For regular grids with a low level of spatial dependence, kriging without nugget effect showed to be a suitable method in the field with higher heterogeneity. Similarly, additional use of the results of the indirect methods at interpolation using a cokriging method provided more reliable for the field mentioned, but not for the other field due to a weak correlation with indirect methods. The results suggest that not only the sampling density but as well as the sampling design are of crucial importance for a final accuracy of soil maps generated from soil sampling. The optimization of the sampling grid based on preliminary analysis of spatial variability using indirect methods enables achieving a considerable reduction in a sample number at keeping final accuracy of soil maps even at a low level of the correlation between indirect and direct methods. However, the indirect methods can also be employed after soil sampling in a regular grid, where sensor measurements lead to increasing accuracy of prediction values at non-sampled areas of the field.
9
1. ÚVOD Úrodn{ půda je jedním z nejvýznamnějších přírodních zdrojů na Zemi. Udržitelné zemědělství by mělo zach{zet s půdou takovým způsobem, aby byla zajištěna jak současn{, tak budoucí potřeba potravin pro lidstvo při současném zachov{ní přírodních zdrojů a kvality životního prostředí (Schnug et al., 1998). Podle Lowenberg-DeBoer a Erickson, 2000, in Corwin a Lesch (2005) je koncept udržitelného zemědělství založen na jemné rovnov{ze maximalizace rostlinné produkce a udržení ekonomické stability při současné minimalizaci využív{ní neobnovitelných přírodních zdrojů a škodlivých dopadů na životní prostředí. Jedním z představitelů trvale udržitelného zemědělství je systém lok{lně cíleného obhospodařov{ní (site specific management), často označovaného jako precizní zemědělství (precision agriculture). Dle Lipavského et al. (2004) představuje aplikace principů precizního hospodaření podstatný příspěvek pro dodržov{ní z{sad spr{vné zemědělské praxe. Hlavním cílem precizního hospodaření je přizpůsobení pěstebních operací lok{lním podmínk{m stanoviště. Pierce et al. (1999) definují precizní zemědělství jako aplikaci technologií a principů pro zohlednění prostorové a časové variability asociované se všemi aspekty zemědělské produkce za účelem zlepšení rostlinné produkce a environment{lní kvality. Podle Hufnagel et al., 2004, in Werner et al. (2005) je precizní zemědělství souhrnným pojmem pro nové produkční postupy v rostlinné produkci, které intenzivně a ve velkém rozsahu využívají specifick{ data o stanovišti a porostu plodin. Precizní zemědělství vyžaduje nejen prostorovou informaci pro určení kde a s jakou mírou aplikovat vstupní prostředky (hnojiva, pesticidy, z{vlahy), ale také je nutné zn{t časovou informaci - kdy aplikovat. Stanovení časového rozměru vyžaduje okamžité (real-time) měření půdních a porostních podmínek (Corwin a Lesch, 2005a). Dle Pierce et al. (1999) je úspěšnost precizního zemědělství d{na pr{vě schopností stanovit, řídit a vyhodnotit časoprostorové kontinuum v rostlinné produkci. Potenci{lními výhodami precizního zemědělství jsou dle Earla et al. (2003): 1. ekonomické přínosy optimalizované rostlinné produkce, 2. omezení rizika environment{lního znečištění nadměrnou aplikací agrochemickými prostředky, a 3. zlepšen{ dohledatelnost pomocí z{znamů polních operací (tzv. traceability). Z{kladním předpokladem pro nasazení lok{lně specifického obhospodařov{ní je nevyrovnanost půdy a porostů na pozemku. Dle Mulla a Schepers (1997) m{ bez variability koncept precizního zemědělství jen pramalý význam. Pierce et al. (1999) ud{v{, že obhospodařov{ní agronomických jevů s vysokou prostorovou z{vislostí a nízkou časovou variabilitou je mnohem snazší než těch s vysokou časovou dynamikou. Atherton et al. (1999) ud{v{ jako klíčové aspekty tohoto způsobu hospodaření: 1. kvantifikace variability výnosu v r{mci honu, 2. kvantifikace 10
prostorové variability půdních podmínek ovlivňujících výnos a 3. přizpůsobení vstupů jako jsou hnojiva, pesticidy a osiva dle znalosti půdní a výnosové variability Z{kladní teorií precizního zemědělství je rozdílným obhospodařov{ním prostorové variability uvnitř pozemků dos{hnout zvýšené efektivity využív{ní materi{lních vstupů. Toho může být dosaženo pouze v případě, že dok{žeme tuto variabilitu efektivně stanovit (Panten, 2002; Pierce et al., 1999). Určení půdní heterogenity je jednou z nejstarších výzev pěstitelů a zemědělského výzkumu (Franzen and Peck, 1995 in Cambardella a Karlen, 1999). Tradičním přístupem v konvenčním zemědělství je uniformní obhospodařov{ní pozemků, přičemž nejmenší jednotkou agronomického rozhodov{ní je hon, který je považov{n za homogenní prostředí, a na z{kladě průměrné hodnoty z této plochy je volena intenzita pěstitelských z{sahů. Ber{nek a Klement (2007) považují plošnou nevyrovnanost pozemků za jeden z faktorů snižujících celkový výnos pěstovaných plodin. Z{roveň dod{vají, že na variabilitě půdních agrochemických vlastností se kromě přirozené půdní nevyrovnanosti podílí zejména nevyrovnané hnojení. Lok{lně specifický přístup zohledňuje rozdílné podmínky v r{mci jednotlivých pozemků a přizpůsobuje pěstitelské vstupy konkrétním podmínk{m daného stanoviště. Tab. 1 Faktory ovlivňující výnos plodin (Godwin a Miller, 2003)
Skupina
Faktor
Metoda
Půda a voda
Půdní zrnitost, struktura, dostupnost vody a zamokření
Mapov{ní půdy, popis půdního profilu, EMI, tahov{ síla
Topografie
Topografie a mikroklima
Topografické mapov{ní a 3D DGPS
Živinný stav půdy
Z{sobenost hlavními živinami, pH a mikroelementy
Cílené vzorkov{ní, zjišťov{ní hustoty porostu leteckým snímkov{ním, výnosové mapy
Škodliví činitelé
Zaplevelení, výskyt škůdců a chorob
Terénní průzkum, letecké snímkov{ní a měření odrazivosti
Earl et al (1996) in Godwin a Miller (2003) rozdělují výnos ovlivňující faktory do dvou skupin – ty které lze jen m{lo kontrolovat a ty, kterými mohou pěstitelé ovlivnit výsledný výnos. Do první skupiny řadí půdní zrnitost, klima a topografii,
11
do druhé půdní strukturu, dostupnost půdní vl{hy, zamokření, z{sobenost živinami a stopovými prvky, úroveň hodnoty pH, zaplevelení a výskyt chorob a škůdců. Godwin a Miller (2003) toto rozdělení d{le rozděluje podle jednotlivých skupin faktorů a ke každé skupině uv{dí dostupné metody jejich zjišťov{ní (tab. 1). Technologický vývoj precizního zemědělství Precizní zemědělství je založené technologicky. Je to d{no integraci specifických technologií, jejichž potenci{lem je stanovení a zvl{dnutí variability na takové úrovni, kter{ do té doby nebyla zjišťov{na, a, pokud je prov{děna spr{vně, na kvalitativní úrovni, které do té doby nebylo dosaženo (Pierce et al., 1999). Technologie jsou klíčové pro prov{dění precizního zemědělství. To potvrzují Schmidt a Haase (1980) in Panten (2002), kteří ve své pr{ci uv{dějí, že pro zemědělce není dosud možné na jimi zn{mou heterogenitu půdy v r{mci honu reagovat. Cambardella a Karlen (1999) konstatují, že jakmile se snížila cena hnojiv, byla jednodušší jednotn{ aplikace na celý pozemek než komplikovat celý proces hnojení lok{lní bodovou aplikací. Výsledkem bylo, že půdní vzorkov{ní sledovalo pouze tendence pro pozemek. Až vývoj zařízení pro počítačem kontrolovanou aplikaci hnojiv a glob{lních pozičních systémů znovu otevřel ot{zku vývoje efektivního vzorkov{ní a mapov{ní, které přesně definují prostorovou variabilitu. Jako hlavní technologie precizního zemědělství jsou uv{děny výpočetní technika, GIS, GNSS, senzory a aplikační kontrolní prvky (Pierce et al., 1999). Historický vývoj tohoto způsobu hospodaření je tedy úzce spjatý s vývojem těchto technologií. Samotný výzkum precizního zemědělství začal v USA, Kanadě, Austr{lii a z{padní Evropě v polovině 80. let minulého století (Zhang et al., 2002) a ke konci 20. stol. se předmětem, výzkumu po celém světě (Auernhammer, 2001). I přes pozitivní výsledky výzkumu využív{ podle Zhang et al. (2002) pouze č{st pěstitelů některých z technologií používaných v tomto systému hospodaření. Z{kladní principy precizního hospodaření přitom nejsou nové. Dle Stafforda (2006) prostorovou a časovou variabilitu půdních a porostních faktorů v r{mci honů si pěstitelé uvědomovali již před staletími. Menší pozemky a jejich vymezení přirozenými hranicemi umožňovaly měnit z{sahy manu{lně. Se zvětšov{ním pozemků, intenzivní produkcí a mechanizací v polovině minulého století již nebylo možné zohledňovat prostorovou nevyrovnanost honů bez vývoje technologií. V případě variabilní aplikace hnojiv se dle Vaňka et al. (2000) v současné době vytvořili dobré podmínky, které mají především technický charakter. Jsou jimi:
značný pokrok ve výpočetní technice, informačních a navigačních systémech běžn{ dostupnost navigačních přístrojů pro lokalizací míst na pozemcích přesn{ rozmetadla s jedno- či vícekomorovým systémem vybavena palubním počítačem a GPS přijímačem 12
možnost monitorov{ní výnosů na jednotlivých č{stech pozemků dostatek kvalitních hnojiv umožňujících přesné a rovnoměrné rozmet{ní.
Zmiňovaní autoři d{le spatřují za příznivými podmínkami rozvoje precizního zemědělství u n{s existenci větších honů (v r{mci evropských podmínek) a pestřejší geologické, pedologické, hydrologické a klimatické podmínky v kombinaci s členitostí terénu. Management zóny Specifickým způsobem lok{lně cílené aplikace vstupů je hospodaření v management zón{ch, kdy doch{zí k rozdělení pozemku do několika těchto zón, které jsou v požadovaných vlastnostech více homogenní než celý pozemek (Zhang et al., 2002). Management zóna je pak definovan{ jako č{st pole, kter{ vyjadřuje homogenní kombinaci výnos limitujících faktorů a pro kter{ je tedy možné aplikovat jednotnou intenzitu vstupů (Doerge, 1998). Taylor a Whelan (2007) považují koncept hospodaření v management zón{ch za přechod mezi uniformním hospodařením a plně lok{lně cíleným přístupem (obr. 1). K úplné aplikaci těchto principů dojde zlepšující se schopností detekce heterogenity, snižující se cenou technologií pro variabilní aplikaci a zohledněním environment{lního působení.
Obr. 1 Vývoj lok{lně cíleného hospodaření (Taylor a Whelan, 2007)
13
2. LITER[RNÍ PŘEHLED 2.1 Variabilita půdy 2.1.1 Příčiny a druhy variability Zemsk{ pevnina je s výjimkou skal a ledu pokryt{ půdou, jejíž vlastnosti se více či méně kontinu{lně mění, některé i v čase (Heuvelink a Webster, 2001). Prostorov{ heterogenita půdních vlastností je výsledkem interakcí půdotvorných a povětrnostních procesů a antropogenních vlivů. Půdotvorné procesy jsou důsledkem komplexních interakcí mezi biologickými, fyzik{lními a chemickými mechanismy působících na půdotvorný materi{l v čase a pod vlivem topografie. Povětrnostní faktory procesy přímo a nepřímo ovlivňují půdotvorné procesy. Antropogenní vlivy jsou typicky vztaženy ke způsobu hospodaření zahrnující podíl vyplavov{ní a kvalitu z{vlahové vody (Corwin a Lesch, 2005b). Zjištění variability je prvním a kritickým krokem v precizním zemědělství, neboť nelze obhospodařovat variabilitu, pokud ji nezn{me (Pierce et al., 1999). Dle Hoosbeeka (1998) většina pozorov{ní v půdních věd{ch vykazuje buď vysokou prostorovou variabilitu a nízkou časovou proměnlivost nebo naopak. Do první skupiny jsou zařazeny charakteristiky, které lze nalézt v tradičních půdních map{ch, jako je půdní textura, barva, mocnost horizontů a další. Druh{ skupina zahrnuje chemické koncentrace v kapalné nebo plynné půdní f{zi. Některé charakteristiky nemohou být zařazeny ani do jedné z kategorií, neboť vykazují oba typy variability (např. půdní organick{ hmota). Měřit půdní parametry můžeme jen v malých vzorcích na omezeném počtu míst a v omezených časových okamžicích. Pro vyj{dření půdních vlastností na ostatních místech nebo v jiných časových okamžicích vyžaduje predikci. Proměnlivost půdy je komplexní do takové míry, že ž{dný popis nemůže být kompletní a proto jak{koliv predikce nevyhnutelně vykazuje neurčitost (Heuvelink a Webster, 2001). Prostorov{ nebo časov{ variabilita je většinou sledov{na odděleně podle převažující složky, přičemž menšinový podíl je často opomíjený a projevuje se jako zbytkový rozptyl. V z{vislosti na převažujícím zdroji variability jsou odpovídající statistickou metodologií geostatistické postupy (prostorov{ variabilita) nebo časové analýzy (časov{ variabilita) - (Hoosbeek, 1998). Mallarino a Wittry (2004) uv{dějí, že půdní variabilita je zapříčiněna změnami v klimatu, topografii, matečné hornině, vegetaci, komplexními geologickými a pedologickými procesy a hospodařením na půdě. Tyto faktory ovlivňují variabilitu v rozdílných měřítcích (Cambardella et al., 1994). V region{lním měřítku převl{d{ vliv klimatických faktorů, způsob využití půdy, vegetační pokryv a charakteristiky povrchu krajiny. Na úrovni pole jsou hlavními faktory 14
ovlivňujícími variabilitu půdní typ, topografie, předplodina a předchozí způsob hospodaření. Ve větším prostorovém měřítku pak mohou mít vliv směr ř{dků porostu, způsob aplikace živin, technologie zpracov{ní půdy a stupeň utužení půdy (Mallarino a Wittry, 2004). Další faktory, jako je voda a člověk, mohou způsobit příznivé i než{doucí změny v půdě a podílet se na zvýšení půdní proměnlivosti (Borůvka, 2001). Brodský et al. (2001b) zmiňují vliv historického scelov{ní pozemků s rozdílným způsobem hospodaření na půdní variabilitu. Kutílek (1996) uv{dí, že ke zvýšení variability půd a jejich vlastností přispěl také ned{vný geologický vývoj – stříd{ní glaci{lů a interglaci{lů a jevů spojných s mrznutím a t{ním. Z{roveň popisuje vyj{dření variability v r{mci jednoho pedotypu na ploše několika hektarů pomocí variačního koeficientu CV a rozděluje tak variabilitu do čtyř skupin (tab. 2). Tab. 2 Variabilita v r{mci jednoho pedotypu vyj{dřena variačním koeficientem CV (Kutílek et al., 1996)
Slab{
pH půdy, mocnost A horizontu, θS, objemov{ hmotnost
(CV < 15 %) Střední
Obsah písčité a jílové frakce, výměnn{ kapacita půdy, podíl (CV = 15 – 35 %) CaCO3, θ bodu vadnutí, θ polní kapacity, hloubka Gr horizontu Vysok{
Obsah humusu, obsah rozpustných solí v aridních oblastech, (CV = 35 – 70 %) moment{lní θ, hloubka a mocnost B horizontu, hloubka vyluhov{ní CaCO3, sorptivita Velmi vysok{ (CV > 70 %)
Nasycen{ hydraulick{ vodivost, A parametr z Philipovy rovnice, nenasycen{ vodivost při stejném h, příp. θ, difuzivita
Pro matematické modelov{ní půdních vlastností se vych{zí z Jennyho rovnice z roku 1941, kter{ formuluje vývoj půdy jako funkci (výsledek) působení půdotvorných faktorů a podmínek (Jenny, 1994): S = f (cl, o, r, p, t) kde S je půda (soil), cl klima (climat), o organismy vč. člověka, r reliéf, p mateční hornina (parent rock) a t čas (time). McBratney et al. (2003) na Jennyho rovnici navazují a formulují model scorpan, který je určen pro prostorovou predikci půdy: S = f (s,c,o,r,p,a,n) Tento model definuje sedm faktorů ovlivňujících půdní vlastnosti – s jin{ půdní charakteristika zn{m{ na daném místě, c klima, o organismy (vegetace, fauna a aktivity člověka), r topografické parametry, p mateční hornina, a st{ří půdy (age), n poloha v prostoru. Oproti Jennyho rovnici zde přibyla půda jako faktor (s), což znamen{, že lze odhadovat půdní vlastnosti na z{kladě jiných půdních
15
charakteristik, a d{le je zde určení polohy. Ne vždy ale musí model obsahovat všech sedm faktorů (Borůvka et al., 2004). Webster (2000) podotýk{, že každý faktor, který je souč{stí vývoje půdy m{ fyzik{lní příčiny a podléh{ fyzik{lním z{konům. Tím p{dem i výsledek – půda – musí být deterministický. To, že se n{m půda jeví jako n{hodn{ pak způsobuje složitost faktorů, jejich kombinace, proměnlivost v čase a neúplnost našich znalostí. Za podstatnější rys než je n{hodnost považuje z hlediska zpracov{ní pedologických údajů st{lost (stacionarita) půdních charakteristik. Půdní variabilitu můžeme rozdělit na prostorovou a časovou, které se spolu vz{jemně prolínají. Borůvka (2001) uv{dí, že jejich oddělené sledov{ní je značně problematické, neboť při opakovaném odběru půdních vzorků s cílem posoudit vývoj v čase se na výsledku nevyhnutelně projeví i proměnlivost prostorov{. Odebrat vzorek opakovaně v naprosto totožném místě je téměř nemožné, navíc vzorek odebraný při minulém odběru na daném místě již není. Prostorovou variabilitu lze d{le členit na horizont{lní a vertik{lní. Vertik{lní variabilita představuje změny v půdních vlastnostech směrem do hloubky a je d{na pedogenezí. V širším kontextu a měřítku lze na ni nahlížet jako na výškovou půdní p{smitost, popisovanou Dokučajevem (Pelíšek, 1965). Horizont{lní nebo plošn{ variabilita půdy se týk{ změn půdních vlastností na ploše v různém měřítku Význam vlivu druhu variability půdy a porostů na proveditelnost precizního zemědělství zdůrazňují Pierce et al. (1999). Ud{vají, že čím vyšší je prostorov{ z{vislost obhospodařované půdní vlastnosti, tím vyšší je potenci{l precizního hospodaření. Stupeň obtížnosti se zvyšuje tím, jak se zvyšuje časov{ složka prostorové variability. Např. v{pnění nebo P a K hnojení mají nízkou časovou variabilitu a proto je jejich prov{dění snadné. Naproti tomu u N může být časov{ složka variability větší než prostorov{ komponenta a proto je N hnojení v precizním zemědělství mnohem složitější.
2.1.2 Metody popisu prostorové z{vislosti Klasick{ statistika nahlíží na jednotlivé hodnoty jako na n{hodné odchylky od celkového průměru a jejím prvotním cílem je popsat parametry celého souboru. Geostatistické metody berou v úvahu prostorovou z{vislost hodnot a snaží se najít z{konitosti v prostorovém rozložení. Na z{kladě zjištění těchto z{konitostí pak určují odhady hodnot nikoliv celého souboru, ale v jednotlivých bodech nebo blocích (Borůvka, 2001). Pro veličiny, jejichž hodnoty z{visejí na poloze bodů, v nichž byly zjištěny, se zav{dí označení prostorově z{visl{ proměnn{ (regionalized variable) - (Oliver a Webster, 1991 in Borůvka, 2001). Vych{zí se z předpokladu, že pozorov{ní získan{ v bližší vzd{lenosti od sebe jsou si více podobn{ než pozorov{ní ve větší vzd{lenosti od sebe (Hoosbeek, 1998). 16
N{zev geostatistika byl poprvé použit francouzským matematikem G. Matheronem v roce 1962 a je dodnes celosvětově užív{n jako označení disciplíny zahrnující specifické metody zpracov{ní dat měřených v prostoru či v ploše (Kraus, 2007). Stručnou historii geostatistických metod popisuje např. Webster a Oliver (2007). Z hlediska pedologie se popisem půdní proměnlivosti zabýv{ samostatný obor, pedometrika, kter{ slouží ke studiu distribuce a geneze půd. Výsledkem může být na jedné straně analýza vztahů a z{vislostí mezi půdními vlastnostmi či zjištění faktorů půdní proměnlivosti na různé prostorové či časové úrovni. Na druhé straně může být výstupem simulace či odhad půdních vlastností v čase a prostoru na z{kladě zjištěných vztahů a z{konitostí (Borůvka et al., 2004). U geostatistických metod je předpokladem tzv. stacionarita. Ta znamen{, že případn{ z{vislost prostorové proměnné, sledované ve dvou místech, vyplýv{ ze vzd{lenosti těchto míst a nikoliv místa, kde k měření došlo (Kraus, 2007). Z{kladem geostatistiky je koncept proměnné Z(x), kter{ je n{hodn{ a prostorově autokorelující (Heuvelink a Webster, 2001). Ve zjednodušené podobě ji lze popsat modelem: 𝑍 𝑥 = 𝜇 + 𝜀(𝑥),
(1)
kde µ je střední hodnota a ε(x) je n{hodné reziduum. Prostorov{ autokorelace je popisov{na semivariancí γ, kter{ odpovíd{ rozptylu mezi dvojicemi hodnot. Dle definice stacionarity je semivariance z{visl{ pouze na separační vzd{lenosti h (vzd{lenost mezi jednotlivými body pozorov{ní), nikoliv na pozici x a x + h. Pokud je semivariance vykreslena jako funkce vzd{lenosti h, pak je tento graf nazýv{n semivariogramem či variogramem γ(h). V řadě publikací jsou variogram a semivariogram synonymem, o spr{vné terminologii pojedn{vají např. Bachmaier a Backes (2008), kteří doporučují používat pojem variogram (a podobně variance namísto semivariance). Výpočet variogramu je proveden dle n{sledující rovnice (Webster a Oliver, 1992): 1
𝛾 ℎ = 2𝑚
𝒉
𝑚 (𝒉) 𝑖=1
𝑍 𝑥𝑖 − 𝑍 𝑥𝑖 + 𝒉
2
,
(2)
kde m(h) je počet dvojic bodů vzd{lených od sebe separační vzd{leností h. Variogram je tedy vypočten jako polovina průměru čtverců odchylek mezi p{ry hodnot (Isaaks a Srivastava, 1989). Změnou hodnot h je získ{n soubor semivariancí – experiment{lní (empirický) variogram. Pro predikci hodnot mezi porovn{vanými p{ry bodů je nutné proložit experiment{lní variogram matematickou funkcí (Heuvelink a Webster, 2001).
17
Obecný průběh variogramu popisuje řada publikací zabývajících se geostatistickými metodami např. (Goovaerts, 1997; Gruijter, 2006; Grunwald, 2006; Isaaks a Srivastava, 1989; Webster a Oliver, 2007).
Obr. 2 Obecný průběh variogramu (Borůvka, 2001)
Z{kladními parametry variogramu (viz obr. 2) jsou:
pr{h variogramu (sill) je maxim{lní hodnota semivariance, kter{ zůst{v{ konstantní i při dalším zvyšov{ní vzd{lenosti h; je přibližně rovna hodnotě statistického rozptylu hodnot,
rozsah variogramu (range) je vzd{lenost, ve které semivariance dos{hne hodnoty prahu; představuje hranici, po kterou existuje prostorov{ z{vislost,
zbytkový rozptyl (nugget variance) představuje hodnotu semivariance při vzd{lenosti bodů rovné 0. Reprezentuje prostorově nez{vislou složku zahrnující chybu měření, tedy kter{ není d{na polohou bodů v prostoru a je alespoň zd{nlivě n{hodn{. Prostorov{ z{vislost předpokl{d{, že body na stejném místě mají zcela stejnou hodnotu. Dvakr{t odebraný půdní vzorek ze stejného místa ale logicky stejnou hodnotu mít nebude. Zbytkový rozptyl lze přisoudit chyb{m analytického stanovení a variabilitě na nižší úrovni, než je nejnižší krok vzorkov{ní (Brodský, 2004). Výše podílu zbytkového rozptylu z celkové hodnoty prahu vypovíd{ o úrovni prostorové z{vislosti. U veličin prostorově nez{vislých nebo při příliš malé hustotě vzorkov{ní může být zjištěn zbytkový rozptyl na úrovni prahu; mluvíme pak o „pure nugget“ variogramu.
Prostorov{ z{vislost se nemusí nutně projevovat stejně ve všech směrech (geografických). Pokud variogram vykazuje různý průběh pro různé směry, jedn{ se o tzv. anisotropii, kterou je d{le možné členit na geometrickou a zon{lní (Isaaks a 18
Srivastava, 1989; Webster a Oliver, 2007). Geometrick{ anisotropie se projevuje rozdílným rozsahem u variogramů vytvořených pro různé směry, zon{lní se liší v hodnotě prahu (obr. 3). (h)
(h) směr 2 směr 1 směr 1 směr 2
a2
a1
a2
h
a1
h
b)
a)
Obr. 3 Anisotropie variogramu - a) geometrick{, b) zon{lní (Koutkov{, 2006)
Matematický model popisuje spojitý průběh získaného experiment{lního variogramu, proložením modelu je variogram nazýv{n jako modelový. Snahou je co nejlépe vystihnout tvar experiment{lního variogramu matematickým modelem, nejčastěji metodou v{žených nejmenších čtverců odchylek. Hodnověrnost a přesnost vypočtených empirických bodů variogramu z{visí na počtu dvojic pozorov{ní, kter{ vstupují do výpočtu. Je-li jejich počet nízký, zvyšuje se chyba odhadu. Obecně se uv{dí, že počet dvojic v každém kroku výpočtu by neměl být nižší než 20 až 30 (Schejbal, 1996). Webster a Oliver (1992) doporučují pro spolehlivý popis variogramu alespoň 100 datových hodnot, pro detekci anizotropie je doporučov{no více než 300 hodnot. Takto vyžadovaný počet pozorov{ní je obvykle příliš vysoký pro většinu komerčních půdních a porostních průzkumů, které jsou zpravidla prov{děny s hustotou maxim{lně 1 vzorek na ha (Godwin a Miller, 2003). Metody geostatistických simulací z malého počtu experiment{lních dat pomocí metody restricted maximum likelihood (REML) popisuje např. (Pardo-Igúzquiza, 1997,1998), (Pardo-Iguzquiza a Chica-Olmo, 2008). Pro získ{ní spolehlivých výsledků je také možné využít pomocn{ data (Gotway a Hartford, 1996; Minasny et al., 2007), jako jsou např. letecké snímky (Kerry a Oliver, 2008), (López-Granados et al., 2005), senzorov{ data v podobě elektrické vodivosti půdy (Carroll a Oliver, 2005; Lesch, 2005; Lesch a Corwin, 2008), digit{lní model terénu (Atkinson a Lloyd, 2007; Chai et al., 2008), výnosov{ data (Frogbrook et al., 2002), či případně jejich kombinace (Kerry a Oliver, 2003). Matematických modelů variogramu existuje cel{ řada, mezi nejpoužívanější patří sférický, exponenci{lní, line{rní ohraničený a Gaussův model (Brodský, 2004). Schejbal (1996) dělí modely variogramů dle chov{ní v okolí poč{tku a v „nekonečnu“ na modely přechodného typu (tzn. s prahem), modely bez přechodu, modely s oscilujícím prahem a čistě n{hodné modely. U prvních třech se může objevit efekt zbytkového rozptylu. Podrobný popis modelů lze nalézt např. 19
v publikaci Webstera a Oliverové (2007). Tito autoři také popisují doporučený postup při tvorbě modelového variogramu – nejprve vypočítat experiment{lní variogram, poté vybrat jeden z modelu na z{kladě nejmenší sumy čtvercových odchylek nebo případně dle tzv. Akaike informačního kritéria (Akaike information criterion - AIC) a na konec zkontrolovat grafický výsledek zobrazením experiment{lního a modelového variogramu v jednom grafu. Pokud jsou si modely podobné, výběr je proveden dle nejmenší průměrné čtvercové odchylky (či AIC). Dle Schejbala (1996) by měl výběr vhodného modelu vych{zet z cíle analýzy. Pokud je cílem odhalení struktur{lních úrovní a podrobný popis všech charakteristik studované lokality, pak je nutné podrobně analyzovat chov{ní v celém průběhu experiment{lního variogramu. Jestliže je cílem prostorov{ interpolace pomocí krigovacích metod, je účelné zvolit jednoduchý a robustní model, který vystihuje chov{ní o okolí od poč{tku semivariance až do úrovně prahu.
Obr. 4 Rozhodovací diagram postupu zpracov{ní asymetrických dat (Kerry a Oliver, 2007a)
Pro výpočet variogramu je vyžadov{no norm{lní rozložení distribuce hodnot datového souboru. Přírodní jevy ale často tuto podmínku nesplňují. Kerry a Oliver (2007a,b) ve své pr{ci rozlišují dva druhy nenorm{lního rozložení, které vznikají z vysokých nebo nízkých hodnot z{kladních procesů. Outliers jsou způsobené odlehlými hodnotami, pro které je typický četnější výskyt vysokých hodnot, a tzv. long tail distribuce, kter{ je způsobena řadou vyšších hodnot s nízkou četností 20
„protahující“ histogram. Z{roveň autoři uv{dějí rozhodovací diagram postupu výpočtu variogramu z dat s nenorm{lním rozložením (obr. 4). V případě outliers je doporučeno odlehlé hodnoty odstranit (pokud představují chybové hodnoty) nebo posuzovat zvl{šť jako samostatný soubor dat, u long tail distribuce je vhodné provést transformaci původních dat. Kritickým parametrem pro transformaci je asymetrické rozložení dat vyj{dřené koeficientem šikmosti nebo případně variačním koeficient. Při hodnotě koeficientu šikmosti >1 doporučují zmiňovaní autoři použít logaritmickou transformaci, pro koeficient šikmosti mezi 0,5 – 1 odmocninovou metodu. Hodnota variačního koeficientu (CV) vyšší než 100 % značí velké odchylky od norm{lní distribuce. Odmocninov{ a logaritmick{ transformace v těchto případech redukuje asymetrii a umožňuje snadnější výpočet variogramu. Další uplatnitelnou transformací je Box-Coxova metoda, kter{ předpokl{d{, že data lze seskupit do určitého množství skupin sledovaného jevu (Kraus, 2007). Vliv transformace dat je nutné ověřit pomocí metody cross-validation (viz kap. 2.1.3.3) (Kerry a Oliver, 2007a). Je nutné si ale uvědomit, že při aplikaci logaritmické transformace, zpětn{ exponenci{lní transformace vede zpravidla k nadhodnocení chybové složky; není tedy vhodn{ pro predikční metody, jako je např. kriging (Goovaerts, 1998; Robinson a Metternicht, 2006).
2.1.3 Prostorové interpolace Prostorové interpolace představují metody odhadu hodnot sledovaného znaku mezi místy pozorov{ní, tzn. na místech, kter{ nejsou vzorkov{ním pokryta. Jejich použití je nutné zejména při diskrétním mapov{ní, např. bodovém půdním vzorkov{ní. Nejjednodušší metodou, kterou však nelze označit za prostorovou interpolaci, je přiřadit celkový průměr plochy ke každému nezn{mému bodu (Borůvka, 2001). Podle Doberse (2002) m{ použití interpolačních technik význam v těchto případech:
na některých místech nejsou dostupn{ empiricky zjištěn{ data vlivem velikosti rastru půdního vzorkov{ní, výpadku senzorů nebo při ztr{tě dat, bodov{ data jsou v prostoru zjištěna nepravidelně a je potřeba vyhotovit mapy s pravidelným rastrem, jednotliv{ měření jsou nepřesn{, zohledněním vedlejších hodnot mohou být tyto nepřesnosti sníženy.
Výsledkem prostorových interpolací z dat půdního vzorkov{ní jsou spojité půdní mapy, jejichž podoba může být značně ovlivněna volbou interpolačního postupu. Podle Robinsona a Metternichta (2006) efektivnost technologií variabilní aplikace spočív{ v přesnosti prostorových interpolací používaných pro definov{ní prostorové variability půdních vlastností. Kromě interpolační metody z{visí
21
přesnost prostorových map půdních vlastností na faktorech jako je hustota vzorkov{ní a konfigurace směsných vzorků (Gotway et al., 1996). Podle nakl{d{ní s hlavními daty lze metody prostorových interpolací rozdělit na přesné a vyrovn{vací (Langhammer, 2004). Přesné metody zachov{vají hodnoty sledovaných bodů, které mají při interpolaci maxim{lní možnou v{hu (1,0). Mezi tyto metody patří zejména triangulace, IDW bez vyrovn{vacího faktoru, kriging bez výpočtu zbytkového rozptylu (nugget efektu) a Nearest Neighbor. Vyrovn{vací metody způsobují jemné vyhlazení přechodů mezi body, nezachov{vají hodnoty sledovaných bodů. Spojitý povrch (grid) je hladší, doch{zí tak k vyrovn{ní lok{lních nerovností a extrémů. Mezi tyto metody patří Minimum curvature, kriging s nugget efektem, IDW s vyrovn{ním a polynomick{ regrese. Nejběžněji používanými interpolačními metodami pro tvorbu spojitých prostorových map je kriging a metoda inverse distance weighting (IDW). U obou metod jsou hodnoty nevzorkovaných míst počít{ny v{ženým průměrem z hodnot okolních měřených bodů (Robinson a Metternicht, 2006). Liší se ale ve způsobu výpočtu vah.
2.1.3.1 Kriging Kriging je geostatistickou metodou, pojmenovanou po jihoafrickém důlním inženýru D. G. Krige. Metoda je založena na výpočtu lok{lně v{žených průměrů pohyblivého okna z měřených hodnot. V{hy pro predikci hodnot jsou určeny dle variogramu, který popisuje změnu prostorové z{vislosti se vzd{leností a směrem, tak aby se minimalizovala chyba odhadu. Dle Larka (2003) představuje kriging mocnou metodu pro predikci půdních vlastností, který vysvětluje prostorovou variabilitu sledované půdní charakteristiky pomocí variogramu a s každou predikcí stanovuje její rozptyl. Prvním krokem je zkoum{ní dat pro identifikaci prostorové struktury, což je reprezentov{no empirickým variogramem. Matematick{ funkce, kterou je experiment{lní variogram proložen, pak určuje v{hu hodnot predikovaných na nevzorkovaných místech. Výpočet a modelov{ní činí tuto metodu výpočetně n{ročnější. Výhodou krigingu je možnost určení odhadu rozptylu predikované hodnoty – tedy stanovení chyby odhadu. Možnost odhadnout výsledný rozptyl krigingových odhadů bez předchozí znalosti skutečných hodnot lze využít pro n{vrh optim{lní hustoty vzorkovací sítě na z{kladě zvolené míry nepřesnosti (Oliver a Webster, 1991 in Borůvka, 2001). Charakteristickým rysem krigingu je vyhlazov{ní lok{lních extrémů nadhodnocením nízkých hodnot a podhodnocením vysokých (Goovaerts, 1998). Je několik typů krigingu, které jsou ale podle Lu a Wonga (2008) založeny na podobném konceptu. Běžný kriging (ordinary kriging) je z{kladní a nejčastěji používanou metodou. Předpokl{d{ konstantní hodnotu Jednoduchý kriging (simple kriging) vyžaduje znalost průměrné hodnoty celé plochy (nebo její č{sti),
22
kter{ pak vstupuje do modelu. Univerz{lní kriging (universal kriging) předpokl{d{ existenci trendu a posunu hodnot mezi body. Býv{ také nazýv{n krigingem s posunem (kriging with drift). Běžný, jednoduchý a univerz{lní kriging patří mezi line{rní odhadce, tzn. že predikce každého místa je získan{ jako v{žený průměr okolních dat (Krivoruchko, 2005). Lognorm{lní kriging (lognormal kriging) je aplikace běžného krigingu na logaritmicky transformovan{ data. Faktori{lní kriging (factorial kriging), také nazýv{n jako krigingov{ analýza (kriging analysis), je variantou krigingu, kter{ se zaměřuje na stanovení a mapov{ní rozdílných zdrojů prostorové variability identifikovaných v experiment{lním variogramu (Goovaerts, 1998). Je určen pro situace, kdy je zřeteln{ přítomnost více než jednoho měřítka variace. Faktori{lní kriging v jedné analýze separačně stanovuje individu{lní komponenty rozptylu (Webster a Oliver, 2007). Blokový kriging (block kriging) umožňuje predikci pro území větší než je velikost zkoumané oblasti. Oblastí je myšleno velikost směsný vzorek – jeho velikost, orientace, tloušťka apod. U této metody není jednotlivým měřeným hodnot{m přisuzov{na tak vysok{ v{ha. Tímto postupem je „vyfiltrov{na“ variabilita, kter{ se vyskytuje na nižší prostorové hladině než pozorovaný blok (Dobers, 2002), v porovn{ní s bodovým krigingem je méně přesný. Blokový kriging je vhodný pro situace, kdy je průzkum prov{děný v malých hnízdech / vzorcích půdy, ale jejichž predikce je potřebn{ pro větší plochu, např. pro tvorbu podkladů aplikace hnojiv v p{smech o šířce z{běru aplik{toru (Heuvelink a Webster, 2001). Vz{jemný kriging (cokriging) využív{ k odhadu hodnoty jedné proměnné v určitém bodě druhou proměnnou, kter{ m{ podobné rozložení. Existuje tedy prostorov{ proměnn{ Z1, kter{ je autokorelov{na a další prostorové proměnné Zn, které mají rovněž své prostorové vyj{dření. Tento stav je nepochybně blíže k realitě, protože většina jevů neexistuje sama o sobě, ale ve vazbě na jiné jevy (Kraus, 2007). Tato metoda je výhodn{, když mapov{ní půdní vlastnosti (prim{rní proměnné) je prov{děno s nižší hustotou měření, zatímco druh{ proměnn{ je měřena s vyšší hustotou, neboť je její měření méně n{kladné (Lark, 2003; Webster a Oliver, 2007). Při cokrigingu je predikce prim{rní proměnné stanovena na z{kladě její prostorové variability a na společné prostorové variabilitě prim{rní a sekund{rní proměnné. Toto je pops{no auto-variogramy (pro každou proměnnou zvl{šť) a cross-variogramy (pro obě proměnné dohromady) (Lark, 2003). Předpokladem použití cokrigingu je nalezení korelace mezi proměnnými. Mnohon{sobný faktori{lní kriging (multivariate factorial kriging) je variantou běžného cokrigingu, je ale určen pro stanovení a mapov{ní vícen{sobných souborů dat o rozdílném prostorovém měřítku (Goovaerts, 1998). Podrobnější popis těchto a dalších metod lze nalézt v publikacích zaměřených na geostatistické interpolační metody (Goovaerts, 1997; Isaaks a Srivastava, 1989; Webster a Oliver, 2007).
23
2.1.3.2 Metoda inverzního v{žení vzd{lenosti (IDW - Inverse distance weighting) U této metody jsou data v{žena dle vzd{lenosti bodu od ostatních sousedících bodů. Způsob výpočtu vah každého bodu je inverzně proporcion{lní k vzd{lenosti od bodu odhadu (Brodský, 2004). Čím blíže jsou měřené body k interpolovaným bodům, tím vyšší je v{ha jejich hodnot. S rostoucí vzd{leností kles{ síla v{hy a interpolovan{ hodnota se přibližuje hodnot{m ostatních bodů. IDW patří mezi přesné interpol{tory a je metodou výpočetně nen{ročnou, kterou lze použít i na rozs{hlé datové soubory, protože na rozdíl od krigingu není nutné vypočítat a modelovat variogram. Také se jedn{ o metodu snadno parametrizovatelnou, neboť jediným parametrem nutným pro výpočet je hodnota p (power). Tento parametr určuje, jak rychle se hodnoty vah snižují k nule se zvyšující se vzd{leností od bodu odhadu. Běžně se hodnoty p pohybují od 1 do 5. Výpočet IDW se prov{dí dle rovnice (Brodský, 2004): 𝑑 𝑥𝑖 , 𝑥0 −𝑝 𝜆𝑖 = 𝑛 −𝑝 𝑖=1 𝑑 𝑥𝑖 , 𝑥0 kde d je vzd{lenost bodu x0 od bodu xi, p je parametr power. IDW nemůže stanovit rozptyl predikovaných hodnot, tzn., že nelze odhadnout chybu predikce. Dalším omezením je, že parametrizace je nastavena uniformně na celou sledovanou oblast bez uv{žení distribuce dat. Z tohoto důvodu navrhují Lu a Wong (2008) modifikaci IDW – adaptive inverse distance weighting (AIDW), kter{ mění parametr výpočtu dle lok{lní hustoty bodů pozorov{ní. AIDW dle autorů poskytuje lepší výsledky než IDW. V porovn{ní s krigingem vykazuje lepší predikce v případech, kdy je lok{lní variabilita příliš vysok{ a kde použití variogramu nedok{že dobře vystihnout prostorové struktury. Častým jevem při použití této metody je výskyt tzv. očí (bull eyes) ve výsledných map{ch, což jsou okrouhlé a lok{lně velmi ohraničené struktury (Gotway et al., 1996).
2.1.3.3 Hodnocení interpolačních metod Pro hodnocení odchylky predikovaných hodnot od původní datové vrstvy doporučují Isaaks a Srivastava (1989) metodu cross-validation. Tato metoda umožňuje porovn{vat dopad rozdílných variogramů a metod na výsledek interpolace. Hlavním principem je vyjmutí jednoho datového bodu ze souboru dat a výpočet predikce na jeho místě zvoleným modelem, příp. metodou. Tímto způsobem je hodnocení provedeno v celém datovém souboru. Interpolované a měřené hodnoty jsou porovn{v{ny z hlediska odchylek (Goovaerts, 1998). Robinson a Metternicht (2006) doporučují pro porovn{v{ní odchylek používat n{sledující statistické ukazatele:
24
Průměrn{ absolutní odchylka (ME - mean error, nebo také mean absolute error of prediction – MAE). Ide{lním případem je, pokud MAE je rovno nule. Kalkulace MAE je slabou diagnostikou pro kriging, protože je méně citliv{ na nepřesnosti variogramu (Webster a Oliver, 2007). Hodnota MAE také z{visí na měřítku dat, což se napravuje podělením krigingového rozptylu v podobě MSPE (Robinson a Metternicht, 2006). 1 𝑀𝐴𝐸 = 𝑁
𝑧 𝑥𝑖 − 𝑧 𝑥𝑖 𝑖=𝑁
RMSE (root mean squared error) jedn{ se o druhou odmocninu parametru MSE (mean squared error). V ide{lním případě by měla být hodnota RMSE co nejnižší, tedy rovna nule. Výhodou tohoto ukazatele je, že je uveden ve stejných jednotk{ch jako hodnocen{ půdní veličina, což usnadňuje porovn{v{ní (Brodský, 2004). Zatímco nízk{ hodnota ukazatele MAE indikuje nižší chybovost modelu, nízk{ hodnota RMSE poukazuje na vyšší přesnost predikce zjišťované pomocí rozdílů bodových vrstev (Schloeder et al., 2001). 𝑅𝑀𝑆𝐸 =
𝑁
1 𝑁
2
𝑖=1
1 𝑁
𝑁
𝜎 2 𝑥𝑖 𝑖=1
RMSP (root mean square standardized prediction error) - hodnota RMSP by měla být rovna 1. Pokud je větší než 1, variabilita predikcí je podhodnocena a naopak. 𝑅𝑀𝑆𝑃 =
𝑧 𝑥𝑖 − 𝑧 𝑥𝑖
AKSE (average kriging standard error) - pokud je hodnota AKSE větší než RMSP, potom je variabilita nadhodnocena a naopak (Johnston, 2004). 𝐴𝐾𝑆𝐸 =
𝑁
1 𝑁
𝑁
𝑖=1
𝑀𝐸 𝜎 2 𝑥𝑖
2
MSPE – (Mean standardized prediction error) – mělo by být co nejmenší. 1 𝑀𝑆𝑃𝐸 = 𝑁
𝑁
𝑖=1
25
𝑀𝐸 𝜎 2 𝑥𝑖
Parametr G (goodness-of-prediction statistic) ud{v{, jak efektivní je predikce v porovn{ní se střední hodnotou ověřovacího souboru. Hodnota parametru G = 1 představuje perfektní predikci, pozitivní hodnoty indikují model s vyšší přesností, zatímco negativní hodnoty nižší přesnost modlu v porovn{ní se střední hodnotou ověřovacího souboru. G = 0 indikuje vhodnost použití střední hodnoty pro predikci (Eldeiry a Garcia, 2009). 𝐺 = 1−
𝑍 𝑠0 − 𝑍 𝑠0
2
/
𝑠0
𝑍 𝑠0 − 𝑍
2
100 %
𝑠0
Hodnocení dle parametrů AKSE, RMSP a MSPE lze aplikovat pouze pro krigingové modely, zatímco ukazatele ME, RMSE a G umožňují porovn{vat různé interpolační metody navz{jem.
2.2 Metody mapov{ní prostorové variability půdních podmínek 2.2.1 Půdní vzorkov{ní Proces vzorkov{ní představuje výběr podmnožiny (vzorku) jedinců z celkové populace, které budou měřeny. Měření prov{děné na tomto vzorku je n{sledně podkladem pro stanovení vlastností nebo parametrů celkové populace. Vzorkov{ní je z{kladní podstatou jakéhokoli terénního výzkumu v půdních věd{ch, neboť měření celé populace je v praxi nemožné (Carter a Gregorich, 2008). Laboratorní analýzy půdních vzorků z půdního vzorkov{ní představují tradiční způsob získ{v{ní informací o půdních vlastnostech. Hustota vzorkov{ní pak určuje míru přesnosti zachycení re{lného stavu. Obvyklým způsobem získ{ní vyšší informační hodnoty z půdního vzorkov{ní je zvýšení počtu odebraných vzorků. Jinou možností je nalezení levnější a jednodušší metody, kter{ může měřit prostorovou variabilitu sledovaných půdních parametrů (Tarr et al., 2005). Dle McBratney et al. (2003) představuje vzorkov{ní významnou č{stí digit{lního mapov{ní půdy. Z{kladní ideou digit{lního mapov{ní půdy je zjištění půdních vlastností vykazujících některé korelace s environment{lními proměnnými. Environment{lní proměnné jsou reprezentov{ny jako doplňující nebo sekund{rní informace, které jsou dostupné při pravidelném gridu na sledovaném území, např. DEM, geologické mapy a snímky d{lkového průzkumu. Tato doplňkov{ data mohou být využita pro optimalizaci vzorkovacích lokalit (Minasny et al., 2007). Adamchuk et al. (2004) považují získ{v{ní reprezentativních půdních vzorků, tzn. získaných s adekv{tní prostorovou hustotou, ve spr{vné hloubce a ve spr{vnou dobu, za jeden z nejvýznamnějších kritických aspektů precizního zemědělství. Komerční vzorkov{ní je zpravidla prov{děno v síti 100 x 100m (1 26
vzorek na ha) pro produkci map v měřítku 1:10000. Jedn{ se o kompromis mezi dosažením dostačujícího rozlišení pro přesnou identifikaci hranic rozdílných půdních typů na pozemku a n{klady na průzkum (Earl et al., 2003).
2.2.1.1 Agrochemické zkoušení zemědělských půd (AZZP) Pro získ{ní všestrannějších znalostí o půdě a pozn{ní faktorů půdní úrodnosti byl v lednu 1961 usnesením vl{dy schv{len komplexní průzkum zemědělských půd. Ten zahrnoval dvě souběžně probíhající č{sti: -
-
půdoznalecký průzkum jednor{zově pl{novaný na 10 let, jehož účelem bylo získat nejdůležitější poznatky o geneticko-agronomických vlastnostech půd soustavně agrochemické zkoušení půd prov{děné v pětiletých cyklech za účelem agrochemické kontroly stavu přístupných živin, půdní reakce a potřeby v{pnění.
Řízením AZZP byl pověřen ÚKZÚZ. Původní pětileté cykly se vlivem vysoké intenzity hnojení zkr{tily po roce 1981 na cykly tříleté. Od roku 1999 se z{konem č. 156/1998 Sb. AZZP prov{dí u všech zemědělských druhů pozemků v šestiletých intervalech, samostatně na pozemcích každého zemědělského subjektu. V r{mci AZZP byly původně analyzovanými parametry půdní reakce, potřeba v{pnění, obsah přístupného P metodou dle Egnera a přístupného K dle Schachtschabela. Později se sledov{ní rozšířilo o stanovení přístupného Mg. V roce 1990 byla po důkladném testov{ní do AZZP ofici{lně zařazena metoda MehlichII, jejíž předností bylo použití univerz{lního extrakčního roztoku pro stanovení P, K, Mg a Ca. V roce 1999 byla metoda MehlichII nahrazena metodou MehlichIII, kter{ prok{zala další výhody pro laboratorní provoz, včetně možnosti stanovení některých mikroelementů. V současnosti se pro hodnocení obsahu přístupných živin použív{ pětistupňov{ klasifikace (obsah nízký, vyhovující, dobrý, vysoký, velmi vysoký), kter{ rozšířila původní třístupňovou (mal{, střední a dobr{ z{sobenost). Kategorie nízký obsah vyjadřuje nedostatečnou z{sobu živiny a potřebu jejího dosycení. Vyhovující a dobrý obsah představuje ž{doucí z{sobu, kterou je třeba hnojením pouze udržovat a v případě ekonomických problémů je možně hnojení kr{tkodobě vynechat (ÚKZÚZ, 2005). Obsah vysoký a velmi vysoký je nadměrný a hnojení je v těchto případech zbytečné až než{doucí (tab. 3). Zimolka a kol. (2005) uv{dějí úpravu normativů pro hnojení P, K a Mg na z{kladě zhodnoceného obsahu přístupných živin podle MehlichaII n{sledovně: pro nízkou z{sobenost zvýšení normativní d{vky o 50 % navíc, vyhovující z{sobenost o 25 % vyšší normativ, dobr{ z{sobenost s normativem na původní úrovni a u vysoké a velmi vysoké z{sobenosti hnojení vypustit.
27
Tab. 3 Hodnocení kategorií z{sobenosti živin stanovených metodou MehlichIII (ÚKZÚZ, 2005)
Odběr vzorků se prov{dí v jarním nebo podzimním období. Průměrný vzorek, skl{dající se z 30. vpichů sondovací tyčí, se odebír{ vždy z plochy jednotně obhospodařované, tzn. se stejnou plodinou, přičemž menší lokality na pozemku s výrazně odlišnými půdními vlastnostmi se z odběru vylučují. Pracovní postupy pro AZZP v ČR pro období 2005 až 2010 (ÚKZÚZ, 2005) rozlišují dva způsoby odběru – konvenční a mobilní pomocí GPS. Při konvenčním odběru se úsek, ze kterého se odebír{ vzorek, proch{zí diagon{lně a jednotlivé vpichy se umísťují v pravidelných vzd{lenostech. Při mobilním odběru půdních vzorků najede motorové vozidlo do středu vzorkované plochy lokalizované pomocí GPS. Pracovníci prov{dějící odběr půdních vzorků obch{zejí motorové vozidlo a umísťují jednotlivé vpichy tak, aby reprezentovaly vymezenou plochu kruhu. Velikost poloměru kruhu je úměrn{ velikosti vzorkované plochy a činí 70 m pro 3 ha, 80 m pro 5 ha, 100 m pro 7 ha a 120 m pro 10 ha. Průměrn{ plocha na jeden půdní vzorek se pro ornou půdu odvíjí od výrobní oblasti – v brambor{řské a horské výrobní oblasti činí 7 ha, v řepařské a kukuřičné 10 ha, při hloubce vpichu odpovídající mocnosti orničního profilu (max. 30 cm).
2.2.1.2 Schéma vzorkov{ní Schéma vzorkov{ní představuje výběr nejefektivnější metody volby odběru vzorků, které budou použity pro stanovení vlastností populace. N{vrh vzorkov{ní (sampling design) definuje, jaké specifické prvky budou vybr{ny z populace; tyto prvky utv{ří vzorek populace (Carter a Gregorich, 2008). Dle van Groenigena et al. (1999) je z praktického hlediska vzorkovací schéma faktorem ovlivňujícím nejvíce efektivnost a n{kladnost půdního vzorkov{ní. Intenzivní průzkum je n{kladný, ale poskytuje jasný obraz prostorové variability sledované proměnné. Vzorkov{ní s nižší hustotou je méně n{kladné, ale může postr{dat významné prostorové jevy. James a Wells (1990) konstatují, že půdní vzorkov{ní by mělo zohledňovat variabilitu ve všech měřítcích. Dinkins a Jones (2008) poukazují na to, že vzhledem k rozdílům mezi pozemky v kombinaci s rozdíly ve způsobu hospodaření neexistuje optim{lní strategie půdního vzorkov{ní pro všechny produkční systémy. Některé půdní vlastnosti vykazují vyšší prostorovou variabilitu než 28
ostatní. Z praktických důvodů se ale použív{ pouze jedno schéma půdního vzorkov{ní pro všechny zkoumané vlastnosti. Pokud ale jeden ze sledovaných faktorů je výnos limitujícím prvkem, půdní vzorkov{ní by mělo být cíleno na zachycení prostorové variability pr{vě tohoto faktoru. Souhrnný přehled n{vrhů vzorkovacích schémat uv{dějí např. Wollenhaupt et al. (1997). Brodský (2004) je ve své pr{ci označuje jako úsudkové, n{hodné, utříděné n{hodné, shlukové, hierarchické nebo vícestupňové, systematické, systematické utříděné nerovnoměrné a vyhled{vací schéma vzorkov{ní. Všechna tato schémata vzorkov{ní jsou prov{děna bez jakýchkoliv znalostí o mapovaném pozemku. Úsudkové schéma vzorkov{ní (Judgemental Sampling) je založeno na úsudku osoby prov{dějící půdní průzkum. Není ale možné ohodnotit spr{vnost tohoto úsudku, neboť ten je vždy subjektivní. N{hodné schéma vzorkov{ní (Simple Random Sampling) vybír{ jedince z populace takovým způsobem, aby všichni z{stupci populace měli stejnou šanci být vybr{ni (Webster a Oliver, 1990). Tento způsob vzorkov{ní může být uskutečněn rozdělením pozemku do malých vzorkovacích míst (bodů) a n{sledným n{hodným výběrem podmnožiny vzorků. N{hodné schéma vzorkov{ní může vést k nerovnoměrnému pokrytí pozemku; v některých oblastech jsou vzorky v bližších vzd{lenostech, zatímco ostatní č{sti pozemku mohou být nevzorkov{ny. Tato vlastnost je nevhodn{ pro mapov{ní prostorové variability. Při utříděném n{hodném schématu vzorkov{ní (Stratified Random Sampling) je půda roztříděna do skupin, nazývané strata, nebo je cel{ plocha rozdělena na stejnoměrné bloky (většinou čtvercové). V r{mci každého bloku nebo strata jsou body pro vzorkov{ní vybír{ny n{hodně. Cílem shlukového vzorkov{ní (Cluster Sampling) je n{hodný výběr shluků individu{lních jednotek a každ{ tato jednotka je měřena. Tento postup je vhodný pro jevy, které mají tendenci se přirozeně vyskytovat ve shlucích (např. ohniska plevelů) a které lze snadno měřit. Tento způsob vzorkov{ní se nehodí pro mapov{ní prostorové variability půdních vlastností, je ale velmi použitelný v ochraně rostlin. Hierarchické nebo vícestupňové schéma (Nested or Multistage Sampling), někdy také označované jako hnízdovité schéma vzorkov{ní, je rozšířením shlukového vzorkov{ní, kde jsou shluky rozděleny do podskupin. Jednotlivé podskupiny jsou n{hodně vybr{ny a d{le členěny. Tento proces pokračuje, dokud není identifikov{na nejmenší jednotka v klasifikaci. Nevýhodou je, že vznikají č{sti lokality, které nejsou do vzorkov{ní zahrnuty, neboť takto prov{děné vzorkov{ní poskytuje nerovnoměrné pokrytí. Výhodou naopak je, že pokud je vybr{n dostatečný počet vzorků, umožňuje studovat populaci na různých úrovních nebo v různých měřítcích. Při průzkumech velkého území lze tímto způsobem oddělit lok{lní a region{lní variabilitu. 29
Principem systematického vzorkov{ní (Systematic Sampling) je průzkum celé plochy pozemku v pravidelném intervalu. Výhodou tohoto způsobu vzorkov{ní je jeho jednoduchost. Webster a Oliver (1990) konstatují, že tento způsob vzorkov{ní je často přesnější než systematické vzorkov{ní a někdy také než utříděné n{hodné schéma. Při výskytu pravidelné periodicity zkoumaného populačního souboru ale může dojít k silné subjektivnosti. Jestliže jsou perioda a směr variability zn{mé, je možné zvolené schéma odběru tomu přizpůsobit. Systematické utříděné nerovnoměrné schéma (Stratified Systematic Unaligned Sampling) odstraňuje problémy vzorkov{ní na pozemcích, které vykazují pravidelnou prostorovou strukturnost. Vzorkovací místa jsou d{na rozdělením pozemku na pravidelné bloky (čtverce). Pro jednotlivé bloky v řadě podél osy souřadnic x, tedy za konstantní hodnoty bloků v ose y, jsou postupně určeny odběrové body n{hodně v ose y´ za konstantní hodnoty souřadnic x´v r{mci jednotlivých bloků. Tento způsob výběru bodů je opakov{n v opačném směru pro jednotlivé sloupce bloků v ose y, za respektov{ní výběru v řadě osy x pro celý pozemek. Výběr je proveden tak, že v jednotlivých řad{ch jsou vzd{lenosti mezi body v ose x konstantní a stejně tak i vzd{lenosti bodů v ose y v jednotlivých sloupcích. Výsledkem je schéma odběrových bodů s přibližně pravidelným rozmístěním na pozemku, které ale nevytv{řejí přímky v řad{ch a sloupcích (Brodský, 2004). Tento způsob vzorkov{ní je vhodný pro dvojdimenzion{lní geografický průzkum. Vyhled{vací vzorkov{ní (Search Sampling) je postup často využívaný pro lokalizaci kontaminovaných ploch při environment{lním průzkumu. Může být ale také využit pro vyhled{ní oblastí s velmi nízkými nebo velmi vysokými hodnotami. Odběrov{ místa vzorků jsou určena maximalizací pravděpodobnosti průsečíku s hledaným cílem specifické velikosti a tvaru. Úspěšnost tohoto postupu z{visí na přesnosti poč{tečních informací, podle kterých je vyhled{v{ní založeno a na velikosti, tvaru a orientaci hledaného skrytého cíle. V řadě odborných prací (např. Dinkins a Jones, 2008; Ferguson a Hergert, 2000; Godwin a Miller, 2003) jsou schémata vzorkov{ní pro mapov{ní plošné variability půdy z praktického hlediska rozdělena na n{hodné vzorkov{ní (random sampling), vzorkov{ní v pravidelné síti - gridu (grid sampling) a zónové vzorkov{ní (zone sampling), které je také často označov{no jako cílené vzorkov{ní (directed nebo targeted sampling). N{hodné vzorkov{ní může být použito pro mapov{ní vyrovnaných pozemků s cílem zjistit průměrnou hodnotu pro celou plochu (Dinkins a Jones, 2008), přičemž James a Wells (1990) definují vyrovnanost (uniformitu) jako neprůkaznost makro- a mezo-variability. Cílem průzkumu nevyrovnaných pozemků je nejen stanovení střední hodnoty, ale také identifikace oblastí s extrémními hodnotami. Pro splnění tohoto cíle je nutné pozemek rozdělit do několika č{stí nen{hodným vzorkov{ním (James 30
a Wells, 1990). Jednoduchým nen{hodným vzorkovacím schématem je pravideln{ odběrov{ síť - grid. Vedle konfigurace odběrových míst je pro produkci spolehlivých odhadů a prostorových predikcí dalším důležitým faktorem hustota vzorkov{ní nebo vzd{lenost gridu (Minasny et al., 2007). Půdní vzorkov{ní založené na odběrech v pravidelné odběrové síti (grid-based sampling) bylo jednou z prvních metod používanou pro popis prostorové variability půdní úrodnosti v r{mci pozemků (Shaner et al., 2008). Rozlišují se dva typy vzorkov{ní v síti – odběry v buňce (grid-cell) a v bodech (grid-point). U prvního typu jsou n{hodně odebír{ny jeden nebo více vzorků uvnitř buňky jako souč{st směsného vzorku. U bodového vzorkov{ní jsou jednotlivé vpichy směsného vzorky prov{děny v okolí georeferencovaného bodu uvnitř gridu nebo na jeho průniku. Úspěšnost vzorkov{ní v pravidelné síti z{visí na prostorové struktuře půdních vlastností na pozemku (Sadler, 1998 in Shaner et al., 2008). Dle Dinkinse a Jonese (2008) je vzorkov{ní v síti vhodné zvl{ště tam, kde není ž{dn{, nebo jen mal{, předběžn{ znalost variability v r{mci pozemku. Také se tímto způsobem zvyšuje nestrannost vzorkov{ní způsoben{ nereprezentativním půdním odběrem více vzorků ve stejné oblasti. Jedním z omezení tohoto způsobu vzorkov{ní jsou n{klady s ním spojené, které jsou vysoké i při nízkém počtu odběrů (Gotway a Hartford, 1996; Khosla a Alley, 1999). Naopak zónové nebo cílené vzorkov{ní vych{zí ze znalosti prostorové variability pozemku. Principem je optimalizace n{vrhu odběrového schémata podle předběžně analyzované prostorové variability pozemku nepřímými metodami. Předpokl{d{ se, že pozemek lze dle snadno měřitelných pomocných atributů, reflektujících rozdíly v půdních vlastnostech, rozdělit na homogenní oblasti, nazývané zónami. Půdním vzorkov{ním je pak stanovena průměrn{ hodnota půdních vlastností uvnitř zóny, což vede ke snížení celkového počtu odběrů – v homogenních oblastech je počet vzorků nižší než v oblastech s vyšší variabilitou (Shaner et al., 2008). Na rozdíl od vzorkov{ní v síti, počet zón a jejich tvar a velikost z{visí na stupni variability pozemku. Zónové vzorkov{ní redukuje počet vzorků v porovn{ní s pravidelným nebo n{hodným vzorkov{ním a umožňuje variabilní aplikaci hnojiv. Postup zónového vzorkov{ní obecně vede k nižšímu počtu vzorků oproti pravidelné síti, ale vyžaduje více času pro jeho napl{nov{ní. Nejlepší strategií je nejprve stanovit úroveň variability na pozemku a v případě že je nízk{, použít vzorkov{ní v pravidelné síti, při vysoké variabilitě použít zónové vzorkov{ní (Dinkins a Jones, 2008). Cílené vzorkov{ní může být použito pro redukci počtu vzorků a n{kladů na půdní vzorkov{ní při přijatelném udržení informací o variabilitě živin v r{mci honů. Godwin a Miller (2003) konstatují, že cílené vzorkov{ní poskytuje rozumnou strategii získ{v{ní podkladů pro variabilní hnojení při pouhé třetině n{kladů spojených s půdním vzorkov{ním v pravidelné síti.
31
2.2.1.3 Optimalizace vzorkov{ní Metody optimalizace vzorkov{ní půdy vych{zejí z nepřímo (senzoricky) zjišťované prostorové variability. Řada vědeckých prací dokazuje, že prostorové struktury identifikované variogramy pomocných (nepřímých) dat a výsledků terénního průzkumu jsou podobné. To d{v{ předpoklad použití nepřímých dat pro n{vrh vhodného vzorkovacího schématu pro mapov{ní půdních vlastností nebo pro zlepšení predikcí ze vzorkov{ní o nízkém počtu hodnot pomocí metod se z{znamem hodnot s vysokou intenzitou (Kerry a Oliver, 2003,2008; LópezGranados et al., 2005; Sullivan et al., 2005; Tarr et al., 2005). Jednoduchým způsobem optimalizace vzorkov{ní je nastavení vzorkovacího limitu dle rozsahu prostorové z{vislosti zjištěné nepřímým měřením. Kerry a Oliver (2003) doporučují použít vzorkovací interval o vzd{lenosti rovné polovině hranice prostorové variability senzorově zjištěných dat, pro intenzivní vzorkov{ní mezi třetinou a polovinou parametru range variogramu. Minasny et al. (2007) navrhují variance quadtree (VQT) jako alternativní vzorkovací metodu pro n{vrh optim{lního schématu vzorkov{ní, když jsou přítomna pomocn{ data, jejichž kovarianční struktura je nestacion{rní. Tato metoda pracuje na principu quad-tree dekompozice, kdy sledovan{ oblast je rozdělena do kvadrantů (strata) tak, aby každé stratum mělo víceméně vyrovnanou variabilitu. Tento proces se opakuje až do stavu, kdy variabilita uvnitř strata je redukov{na na specifikovanou úroveň. Tato metoda rozmísťuje vzorky s nižší hustotou do relativně homogenních míst a více intenzivně vzorkuje oblasti, kde je variabilita vyšší. Metoda je vhodn{ především pro n{vrh vzorkov{ní při dostupnosti pomocných dat, jako je digit{lní model území, letecké a satelitní snímky a senzorov{ data. Nevyžaduje pro svůj výpočet stanovení prostorové kovariance ani izotropie, jedn{ se o neparametrickou metodu. Jediným požadovaným parametrem je počet iterací. Pokud je prioritně stanoven počet vzorků n, pak požadovaný počet iterací je (n-1)/3. Lesch (2005) navrhuje pro určení rozmístění odběrových bodů v r{mci cíleného vzorkov{ní použít metodu spatial response surface (SRS), jejíž algoritmus byl zakomponov{n do programového balíku ESAP-RSSD. V r{mci tohoto programu jsou vstupní data senzorových metod nejprve transformov{na pomocí analýzy hlavních komponent, při které dojde k odstranění autokorelačního efektu prostorových dat a k detekci nepoužitelných z{znamů (outliers). N{sledně dojde ke generov{ní několika optimalizovaných vzorkovacích schémat, u nichž je vyj{dřena uniformita pokrytí vybraných odběrových míst v r{mci pozemku parametrem OptiCri. N{vrh s nejnižší hodnotou OptiCri kritéria je vybr{n, přičemž uživatel m{ možnost volby mezi 6, 12 a 20 odběrovými body na danou lokalitu. Principem optimalizace je výběr vzorků, které pokrývají celé rozpětí hodnot nepřímé metody (ECa, d{lkový průzkum, výnosov{ data) a fyzicky jsou od sebe co nejvíce vzd{leny (Minasny et al., 2007). Předpokladem úspěšné optimalizace na z{kladě popisu prostorové variability pomocí nepřímých dat je existence vztahu 32
mezi senzorovými daty a sledovanými půdními vlastnostmi. Lesch (2005) konstatuje, že SRS strategie výběru bodů selh{v{ pr{vě v případech, kdy z{znamy senzoru nekorelují se sledovanou půdní charakteristikou nebo půdní charakteristika je silně ovlivněna sekund{rními faktory, které nejsou senzory dostatečně detekov{ny.
2.2.2 Senzorové mapov{ní prostorové variability půdních podmínek Dle Pierce et al. (1999) jsou senzory pro úspěšný vývoj precizního zemědělství klíčové ze tří důvodů – senzory mají fixní n{klady, mohou měřit ve velkém prostorovém i časovém měřítku a umožňují opakované měření. Adamchuk et al. (2004) považují případnou neexistenci rychlého a ekonomicky nen{ročného získ{v{ní půdních charakteristik jako jedno z největších omezení precizního zemědělství. Senzory umožňující zjišťov{ní informací o půdních vlastnostech během jízdy jsou označov{ny jako on-the-go půdní senzory. Neoddiskutovatelné výhody on-the-go systémů v podobě zvýšené hustoty měření, rychlosti mapov{ní a relativně nízké n{kladovosti zmiňuje většina v této kapitole citovaných autorů. Nižší přesnost měření polních senzorů v porovn{ní s laboratorními postupy vyvažuje intenzivní prostorové pokrytí (Christy, 2008). On-the-go systémy zjišťov{ní plošné variability půdních podmínek lze podle principu měření rozčlenit do n{sledujících skupin (Adamchuk et al., 2004):
elektrické a elektromagnetické senzory měřící elektrickou rezistivitu, konduktivitu, kapacitu nebo induktanci ovlivněnou složením půdy optické a radiometrické senzory využívající elektromagnetického z{ření pro detekci energie absorbované/reflektované půdními č{sticemi mechanické senzory měřící odporovou sílu při pronik{ní půdou akustické senzory kvantifikující zvuk produkovaný n{řadím v interakci s půdou pneumatické senzory zjišťující schopnost injektovat vzduch do půdy elektrochemické senzory využívající iontově selektivních membr{n pro stanovení aktivity vybraných iontů (H+, K+, NO3-, Na+, atd.)
V současnosti lze za nejvíce rozšířené v praxi považovat elektrické a elektromagnetické metody. Rozšíření ostatních technologií pro zlepšení získ{v{ní informací o půdě lze předpokl{dat v blízké budoucnosti (Adamchuk et al., 2004). Integrace rozdílných konceptů měření do samostatné mapovací jednotky je předmětem mnoha současných zkoum{ní. Lze věřit, že kombinací rozdílných zdrojů dat může být dosaženo lepší předpovědi vybraných agronomických ukazatelů a podporovat lok{lně specifické pěstební z{sahy (Adamchuk et al., 2004). Příkladem takové kombinace dat on-the-go senzorů je spojení měření penetračního odporu a elektrické vodivosti půdy (ECa) (Zeng et al., 2008), měření 33
ECa a pH (Adamchuk et al., 2007), kombinované iontově selektivní elektrody (Sethuramasamyraja et al., 2007), případně kombinované senzory měření utužení půdy (Hemmat a Adamchuk, 2008; Morgan et al., 1993). Z komerčně dostupných řešení nabízí firma Veris® Technologies několik přístrojů měření elektrické vodivosti na principu elektrické rezistivity v kombinaci s iontově selektivním měřením pH, NIR spektrometrií a měřením penetrického odporu půdy (VerisTechnologies, 2009). Pr{vě v kombinaci rozdílných druhů dat vidí Adamchuk et al. (2004) nebo také Corwin a Plant (2005) možnost spolehlivější predikce vybraných agronomických atributů a zlepšení podpory variabilně prov{děných pěstebních z{sahů. Tab. 4 Úroveň detekce vybraných půdních vlastností pomocí on-the-go senzorů (Adamchuk et al., 2008) Půdní vlastnost Půdní zrnitost (podíl jílu, prachu a písku) Obsah půdní org. hmoty nebo Cox Půdní voda (vlhkost) Zasolení půdy Utužení půdy (obj. hmotn.) Hloubková variabilita - rozlišení vrstev
Elektrické a Optické a Mechanické elektromag. radiometrické dobrá
vyhovující
slabá
dobrá
dobrá
dobrá
Obsah ostatních živin (P) KVK
slabá
slabá
slabá
vyhovující
Elektrochemické
slabá
vyhovující
pH půdy Obsah nitrátů v půdě
Akustické
dobrá
slabá
vyhovující
slabá
slabá
dobrá
slabá
vyhovující
slabá
vyhovující
vyhovující
2.2.2.1 Měření elektrické vodivosti půdy Měření elektrické vodivosti půdy (ECa – apparent electrical conductivity) je v zemědělství využív{no od 70. let 20. stol. Prvotní aplikací bylo zjišťov{ní salinity půdy v USA, v průběhu n{sledujících let byl vyvinut do stavu, kdy je dnes nejčastěji používanou technologií pro charakteristiku variability pozemku za účelem prov{dění lok{lně specifických aplikací (Corwin a Lesch, 2005a). S výjimkou precizního zemědělství představuje pr{vě identifikace zasolených oblastí na pozemcích nejběžnější aplikaci této metody v zemědělství. Kr{tký popis
34
historie tohoto zkoum{ní pod{v{ např. Corwin a Lesch (2003) nebo Allred et al. (2008). Problematice využití elektrické vodivosti při detekci zvýšené salinity půdy se podrobněji zabývají např. Rhoades et al. (1999). Elektrick{ vodivost půdy, měřen{ elektrickou rezistivitou (ER) a elektromagnetickou indukcí (EMI), je vysoce použiteln{ a snadno aplikovateln{ pro získ{ní prostorových vlastností půdy ovlivňujících produktivitu plodin (Corwin a Lesch, 2003). Využití geofyziky v zemědělství ale není v současnosti možné nasadit rutině z důvodu komplexního působení mnoha faktorů (Lück et al., 2000). Kitchen et al. (1996) uv{dějí ve své studii, že prov{z{ní měření EMI s GPS polohou může být extrémně přínosné pro rychlé získ{ní detailních prostorových informací o půdě v krajině na z{kladě odlišností v konduktivitě objemové jednotky půdy (bulk soil conductivity). Využitelnosti této metody pro zjištění a predikci půdních rozdílů v krajině a vyhodnocení jejich projevu na rostlinnou produkci je podle autorů věnov{na omezen{ pozornost a vyžaduje detailnější výzkum. Protože precizní zemědělství je založeno na vyspělých technologiích, jako je měření ECa půdy, jeho budoucnost spočív{ v kompletním pochopení těchto technologií. Aplikace ECa map v precizním zemědělství bude uskutečněna nejspíše v podobě indik{toru produkčních podmínek, který bude kombinovat více vstupů dat (letecké spektr{lní snímkov{ní, měření ECa, vzorkov{ní rostlin a půdy se strategií založenou na prostorové variabilitě). Tyto informace budou spravov{ny, organizov{ny a zobrazov{ny pomocí GIS, obrazově a prostorově statisticky analyzov{ny pro vytvoření map půdní zasolenosti, zrnitosti půdy a dostupné půdní vl{hy (Corwin a Lesch, 2003). Podle Godwina a Millera (2003) představuje měření elektrické vodivosti půdy n{kladově efektivní metodu doplňující tradiční půdní průzkum, kter{ poskytuje rychlé a v případě měření EMI neinvazivní informace o variabilitě půdní zrnitosti a dostupné půdní vl{hy. Vutharana et al. (2008) použili metodu měření ECa pro aktualizaci půdních map v měřítku 1:20000 a 1:5000. Predikce půdních jednotek byla vyhodnocena a shled{na dostatečně spolehlivou. Po klasifikaci predikovaných hodnot byla přesnost těchto map při porovn{ní s mapami v měřítku 1:5000 na úrovni R2 = 0,89. To představuje vysoký potenci{l EMI senzorů v porovn{ní s konvenčními postupy pro aktualizaci mapových podkladů. Mimra et al. (2008) dospěli k podobnému z{věru při porovn{v{ní ECa měření s BPEJ mapami. Anderson-Cook et al. (2002) dos{hli 85% úspěšnosti rozlišení mezi čtyřmi půdními druhy ve Virginii (USA) z výsledků samotného ECa měření EMI metodou a 90% úspěšnosti kombinací ECa a výnosových dat. Adamchuk et al. (2004) poukazují na obvykle přesnější stanovení hranic mezi půdními typy EMI a ER senzory než klasickými metodami.
35
Corwin a Lesch (2005b) rozdělují on-the-go zařízení pro měření elektrické vodivosti půdy na tři typy:
invazivní elektrodové senzory měřící elektrickou rezistivitu (ER) neinvazivní senzory elektromagnetické indukce (EMI) senzory TDR (time domain reflectometry).
V současnosti v precizním zemědělství jsou nejčastěji používané invazivní senzory měrného elektrického odporu (např. měřicí přístroj Veris-3100) a neinvazivní senzory elektromagnetické indukce (např. Geonics EM-38). Odlišnosti v principu měření a v jejich aplikaci uv{dí např. Lück et al. (2002), (viz tab. 5). Souhrnný přehled celosvětově dostupných geofyzik{lních přístrojů nabízí např. Allen et al. (2007). Tab. 5 Porovn{ní senzorů měřících elektrickou vodivost půdy na principu elektromagnetické indukce (EMI) a elektrického odporu (ER) (Lück et al., 2002)
senzory EMI (EM38) bezkontaktní způsob měření malý, lehký a příruční měřicí přístroj pevně dan{ měřící geometrie a tím také pevně přednastaven{ hloubka měření jedna, max. 2 (EM38DD) současně měřitelné hloubky nutn{ kalibrace přístroje – zjišťov{ny jsou relativní změny, ne absolutní hodnoty zohlednění teploty půdy při měření citlivost na kov v povrchové vrstvě půdy elektricky dobře vodivé struktury se zobrazují zřetelněji než m{lo vodivé umožňuje měření do výšky porostu 20 cm bez jeho poškození
senzory ER (Veris 3100) vyžaduje kontakt elektrod s půdou velký a obtížně přepravitelný přístroj nastaviteln{ hloubka měření pomocí geometrie elektrod v současnosti může být měřeno více hloubek měřeny jsou absolutní hodnoty – metoda se hodí pro zjišťov{ní časově proměnlivých veličin bez zjišťov{ní teploty kovové struktury v povrchové vrstvě nezpůsobují rušení vysoce ohmické vrstvy se zobrazují zřetelněji než dobře vodivé struktury způsob měření předpokl{d{ narušení povrchové vrstvy půdy
Řada přístrojů je schopna prov{dět současné měření ve více hloubk{ch, což usnadňuje interpretaci výsledků elektrické vodivosti půdy a umožňuje vytvořit pohled na vertik{lní profil půdy. Lueck et al. (2009) vyvinuli přístroj nazývaný Geophilus electricus pracující na principu měření elektrické rezistivity. Přístroj je soupravou několika kruhových elektrod odvalující se po povrchu půdy, které měří elektrickou rezistivitu simult{nně v pěti kan{lech - měřících hloubk{ch. Jedn{ se tedy o neinvazivní kontaktní měření. Kromě současného měření v pěti půdních hloubk{ch je výhodou tohoto přístroje také možnost změny frekvence měření dle půdního typu. 36
Využití TDR, které na rozdíl od ER a EMI metod umožňuje stanovit ECa a současně vlhkost půdy, je z hlediska komerčního vývoje on-the-go zařízení problematické. Podrobný popis využití této metody pro prostorové mapov{ní ECa půdy a půdní vlhkosti pod{v{ Wraith et al. (2005), výsledky vývoje a ověřov{ní mobilního TDR zařízení popisuje např. Thomsen et al. (2007). Pro obecný popis geofyzik{lních vlastností půdy a jejího podloží, příp. pro identifikaci salinity půdní a podzemní vody, lze také využít letecké elektromagnetické měření (Siemon, 2009; Steuer et al., 2009). V porovn{ní s pozemním průzkumem je n{kladnější, umožňuje ale postihnout velké území v kr{tkém čase (Cresswell et al., 2007).
2.2.2.2 Faktory ovlivňující elektrickou vodivost půdy (ECa) Měření měrné elektrické vodivosti půdy je ovlivňov{no působením mnoha faktorů - půdních vlastností. Friedman (2005) je ve své pr{ci rozděluje do tří kategorií: 1. faktory charakterizující objemové vlastnosti půdy na z{kladě podílu třech půdních f{zí (pórovitost, obsah vody v půdě a struktura půdy), 2. faktory kvantifikující pevné č{stice, které jsou z časového hlediska neměnné (tvar č{stic a jejich orientace, distribuce rozdílných velikostí č{stic, kationtov{ výměnn{ kapacita a sm{čivost půdy), 3. vlastnosti půdního roztoku, které se mění dle způsobu hospodaření a environment{lních podmínek (iontov{ síla, kompozice kationtů a teplota půdy). Mezi nejvýznamnější faktory působících na ECa podle Corwina a Lesche (2005a) patří obsah rozpustných solí v půdním roztoku, relativní vlhkost, obsah vody v půdě a objemov{ hmotnost. Relativní vlhkost a objemov{ hmotnost jsou přímo ovlivňov{ny obsahem jílovitých č{stic a organické hmoty (OH) a patří společně s kationtovou výměnou kapacitou (KVK) mezi dodatečné faktory. Vliv těchto faktorů lze nalézt ve většině zde citovaných studií, liší se pouze jejich významnost s ohledem na konkrétní stanovištní podmínky. V oblasti zasolených půd bude dominovat salinita, což zjednodušuje interpretaci ECa hodnot, u jiných než aridních půd mohou převažovat textura půdy, obsah vody nebo obsah organické hmoty. V zemědělských oblastech kde zasolení půdy není signifikantním faktorem, měření ECa je prim{rní funkcí půdní vlhkosti a zrnitosti půdy (Godwin a Miller, 2003). Nalezení dominantní půdní charakteristiky na každém pozemku je pro spr{vnou interpretaci map ECa nezbytné (Brevik et al., 2006; Corwin a Lesch, 2003); kromě toho je pro využití ECa dat při lok{lně specifickém obhospodařov{ní nutn{ znalost nejvýznamnějších faktorů ovlivňujících prostorovou variabilitu výnosu plodiny, nebo kvality produkce (Corwin a Lesch, 2005b). Podrobný přehled odborných prací zkoumající vliv jednotlivých složek půdního prostředí na EC pod{v{ Corwin a Lesch (2005b), Allred et al. (2008) nebo Lück et al. (2002; 2000). Skutečnost, že ECa je ovlivňov{no komplexním působením mnoha faktorů, znesnadňuje nasazení a rozšiřov{ní EC senzorů v praxi. Podle Adamchuka et al. (2004) producenti (uživatelé) preferují senzory, které poskytují výsledky přímo 37
vstupující do existujících algoritmů. Přímé využití naměřených absolutních hodnot komerčně dostupnými EC senzory není zatím z důvodu nejednoznačné interpretace možné. Schmidhalter et al. (2002) popisují možnost přímého nasazení ECa map v lok{lně specifickém obhospodařov{ní v aridních oblastech, kde m{ využití ECa dat představují nejvyšší potenci{l. Komplexní interakce v humidních oblastech vyžaduje další zkoum{ní. Některé studie ale poukazují na možnost využití ECa map při variabilním zpracov{ní půdy nebo při variabilním zakl{d{ní porostů. Godwin a Miller (2003) např. popisují výsledky studie využívající informací o variabilitě půdní zrnitosti na z{kladě ECa map pro modifikaci výsevku semen cibule kuchyňské z hlediska zajištění velikostní vyrovnanosti produkce. V r{mci této studie došlo na 28 ha ze 40 ha ke zvýšení ekonomického výnosu o 43 % zvýšením plošného výnosu a kvality (velikosti) sklízených produktů. Zmiňované komplexní působení mnoha faktorů může mít ale také pozitivní efekt, neboť EC senzory tak poskytují hodnotné informace o půdních rozdílech, které umožňují rozdělit pozemek do menších, relativně homogenních, oblastí management zón. Pokud jsou ECa mapy spr{vně interpretov{ny, tak z pohledu precizního zemědělství poskytují 1) inventarizaci problému zasolení půdy na pozemku, 2) prostorové informace o zrnitosti půdy a obsahu vody, 3) informace pro výběr plodiny, 4) údaje pro identifikaci území s potenci{lní potřebou z{vlahy nebo odvodnění, 5) informace pro monitoring časo-prostorových změn v půdních vlastnostech, které mají vliv na rostlinnou produkci (Corwin a Lesch, 2003). Kromě obtížné interpretace jednotlivých faktorů ovlivňujících ECa hodnoty není také vždy možné přesně stanovit hloubkový dosah měřícího sign{lu (Hüter et al., 2007). Ačkoliv hloubku dosahu určuje vzd{lenost vysílací a přijímací cívky, kdy větší vzd{lenost cívek znamen{ větší hloubkový dosah sign{lu, prostupnost sign{lu se mění v z{vislosti na vlastnosti jednotlivých vrstev (horizontů) půdního profilu (Ludowicy et al., 2002). Tohoto jevu je ale možné využít. Davis et al. (1997) popisují použití měření ECa, resp. EMI metod, pro mapov{ní mocnosti svrchní vrstvy půdního profilu na půd{ch s jílovitým zhutněným subhorizontem. Na z{kladě výsledků tohoto mapov{ní stanovili korekce d{vek N hnojiv. V tomto případě při relativně vyrovnané úrovni obsahu jílnatých č{stic ve svrchní vrstvě hodnota ECa vypovídala o vertik{lním profilu obou půdních vrstev. Za nezbytný krok pro využití EMI tímto způsobem považují Kitchen et al. (1996) prok{z{ní vazby s faktorem zapříčiňující rozdíly hodnot při měření. Pro měření hloubky rozhraní dvou půdních vrstev musí existovat průkazný rozdíl v jejich vodivosti. Vliv půdní vlhkosti na ECa půdy Sheets a Hendrickx elektromagnetické indukce vody v půdním profilu o měření na půdní teplotu.
(1995) ve své studii demonstrují využitelnost pro dlouhodobé měření celkového množství půdní hloubce 1,5 m při splnění podmínky standardizace Regresní analýza výsledků měření půdní vlhkosti
38
neutronovou sondou a měření EMI přístrojem (Geonics EM-31) uk{zala existenci jednoduché line{rní z{vislosti mezi celkovým obsahem vody a ECa. Autoři poukazují, stejně jako v případě ostatních metod pro měření půdní vlhkosti jako je neutronov{ sonda a TDR (Time-Domain Reflectometry), na nutnost prov{dění lok{lně specifické kalibraci, kterou, v r{mci jejich výzkumu, bylo nezbytné prov{dět každých 16 - 40 ha. Při kalibraci pomocí neutronové sondy autoři uv{dějí schopnost EMI metody detekovat změny půdní vlhkosti s přesností 2 % (hmot.), což je srovnatelné s ostatními metodami polního měření. V z{věru zmiňované studie je pozitivně hodnocena rychlost měření a snadné použití EMI přístrojů, což předznamen{v{ vysoký potenci{l této metody pro rychlou detekci změn půdní vl{hy na rozs{hlých semiaridních a aridních územích. Schmidhalter et al. (2002) v r{mci výsledků německého výzkumného projektu preagro naopak prokazují nedostatečnou citlivost EMI metod na změny absolutního obsahu vody v půdě. Na zkoum{ní vztahu vlhkosti půdy a ECa se zaměřili také Brevik et al. (2006). Na vybraných půdních typech ve středoz{padní č{sti USA prov{děli průzkum s cílem zjistit vliv půdní vl{hy na schopnost ECa metody detekovat rozdíly mezi jednotlivými půdními jednotkami. Výsledky uk{zaly signifikantní vliv obsahu vody v půdě na ECa, kdy koeficient determinace dosahoval hodnot r2 > 0,7. Současně byla zjištěna vyšší citlivost ECa na rozdíly mezi půdními typy u měření prov{děných při zvýšené půdní vlhkosti. Pokud je obsah vody v půdě příliš nízký (< 10 % hmot.), doch{zí k významnému zhoršení příjmu sign{lu (Corwin a Lesch, 2005b). Spolehlivý sign{l ECa je možné získat, když je vlhkost půdy ve stavu blízké polní kapacitě. Toto doporučení je zejména platné pro ER zařízení, kter{ potřebují blízký kontakt mezi elektrodami a půdou, což může být dosaženo pouze u vlhké půdy. S ohledem na středoevropské klimatické podmínky je nejvhodnější pro ECa měření jarní období. To ale neznamen{, že měření při nižší vlhkosti půdy není použitelné. Např. Hüter et al. (2007) doporučují pro monitoring kolís{ní půdní vl{hy v půdě prov{dět měření nejen při vyšší vlhkosti (plné polní kapacitě), ale také v létě při půdní vlhkosti blízké bodu vadnutí. Měření prov{děna v letním období jsou významn{ pro stanovení deficitu půdní vlhkosti s vazbou na vodní stres rostlin, výsledky pak mohou sloužit jako podklad pro diferencované prov{dění z{vlah (Godwin a Miller, 2003). Význam vlhkosti půdy je patrný také z porovn{ní topografického indexu TWI (Topographic Wetness Index) s ECa půdy (Bobert et al., 2001). TWI vyjadřuje vliv topografie terénu na hydrologické vlastnosti, potažmo na potenci{lní rozložení vlhkosti v terénu (Sørensen et al., 2006). Autoři použili výsledky měření ECa pro stanovení vl{hových podmínek na pozemcích. Korelace mezi TWI a ECa byla na úrovni r2 = 0,52, přičemž nejlepších výsledků bylo dosaženo v hloubce 20 – 90 cm. Stanovení TWI indexu, kvantifikujícím potenci{lní prostorovou variabilitu půdní vl{hy, usnadňuje interpretaci ostatních faktorů ECa, zejména pak půdní zrnitosti.
39
Vztah mezi ECa půdy a výnosem Data výnosu plodiny mohou být ve spojení s ECa měřením z hlediska lok{lně specifického obhospodařov{ní využita pro identifikaci půdních vlastností ovlivňujících výnos či vymezení management zón na pozemku. Podmínkou je existence korelace mezi ECa a výnosem (Corwin a Lesch, 2005b). Nekonzistentnost výsledků porovn{ní EC měření s výnosovými daty u různých studií přisuzují Corwin a Lesch (2003) komplexnímu vlivu mnoha půdních vlastností na ECa, resp. rozdílnému stupni působení jednotlivých faktorů napříč půdními jednotkami (management zónami). Dle Corwina a Planta (2005) nenalezení korelace mezi ECa a výnosem může být způsobeno ovlivněním výnosu půdními vlastnostmi, které ECa měření nezahrnuje, nebo faktory nepůdního charakteru. Schmidhalter et al. (2002) ud{vají, že korelaci mezi ECa a výnosovými mapami lze oček{vat v podmínk{ch, kdy je výnos limitujícím faktorem některý z faktorů ovlivňujících ECa, zejména půdní vl{ha. Vliv zrnitosti a fyzik{lních vlastností půdy na ECa Vliv obsahu jílu, jako jednoho z nejvýznamnějších faktorů ECa, popisuje řada ze zmiňovaných autorů. Půdní textura je hlavním faktorem ovlivňujícím dostupnost vody pro rostliny, proto je znalost distribuce půdní zrnitosti v precizním zemědělství klíčov{ (Godwin a Miller, 2003). Domsch a Giebel (2004) na z{kladě výzkumu v Brandenbursku popisují možnost odvození procentu{lního podílu jílovitých č{stic v půdě dle regresní analýzy. Na z{kladě koeficientu determinace r2 = 0,55 pak byla provedena klasifikace ECa hodnot pro vybrané půdní druhy. Nižší hodnoty ECa jsou typické pro lehké půdy, vyšší hodnoty pro těžší. Autoři dod{vají, že vztah mezi ECa a jílem byl nalezen pouze u měření provedených při polní kapacitě, což potvrzuje také např. Godwin a Miller (2003). Daalgard et al. (2001) porovn{vali horizont{lní a vertik{lní dipól měření ECa pomocí EM38 pro stanovení obsahu jílovitých č{stic přibližně při polní kapacitě půdy. Mezi ECa a obsahem jílu byla nejvyšší nalezena korelace r = 0,79, nebyl ale zjištěn signifikantní rozdíl mezi vertik{lním a horizont{lním dipólem měření. Hoefer et al. (2009) sledovali utužení půdy v podobě penetračního odporu ve vztahu k výsledkům měření různými geofyzik{lními metodami jako je elektrick{ vodivost půdy (EMI, ER) a měření georadarem (ground penetrating radar). Výsledky poukazují na vliv utužení půdy na nepřímé metody – vyšší hodnoty penetrometrického odporu odpovídaly vyšší objemové hmotnosti a z{roveň vyšším hodnot{m ECa. Měření půdním radarem pak poskytuje pohled na změny objemové hmotnosti ve vertik{lních řezech půdním profilem. Podobně také Godwin a Miller (2003) poukazují na schopnost EMI metody rozlišit mezi úrovněmi utužení půdy na pozemku. Měření zřetelně detekovalo oblasti s utuženou půdou zemědělskou mechanizací u výjezdů z pozemku. Po provedení protiopatření, v podobě kypření podorničí, nebyly již tyto oblasti detekov{ny.
40
Dalším z faktorů ovlivňujících hodnoty ECa je teplota půdy (McNeill, 1980). Corwin a Lesch (2005a) ud{vají zvýšení elektrolytické konduktivity v průměru o 1,9 % při zvýšení teploty o 1 °C. Pro účely pozorov{ní je proto obvykle ECa vyjadřov{no při referenční teplotě 25 °C (někdy označov{no jako ECa25). Brevik et al. (2004) zkoumali vliv průběhu denních teplot na hodnoty ECa měřené pomocí EM-38 v hodinovém intervalu. Rozdíl teplot v průběhu dne se nejvíce projevoval ve svrchní vrstvě půdy (do 10 cm), přičemž amplituda rozdílů se snižovala se zvyšující se hloubkou měření v půdě. Lze tedy oček{vat vyšší vliv popisovaných změn teplot při horizont{lním dipólu měření (Mueller et al., 2003). Brevik et al. (2003) zkoumali vliv vrstvy posklizňových zbytků kukuřice, sóji a pšenice tvrdé ponechaných na povrchu půdy na měřené ECa hodnoty. Takto naměřené hodnoty jsou nižší než měření na holé (nepokryté) půdě, rozdíl je ale nepatrný. U jednotlivých měření byl rozdíl 5,5 mS.m-1, průměr celého měření byl nižší pouze o 0,2 mS.m-1. Corwin a Plant (2005) vidí největší potenci{l aplikace prostorového ECa měření v precizním zemědělství v poskytov{ní informací pro cílené vzorkov{ní půdy za účelem identifikace a charakterizace prostorové variability edafických vlastností ovlivňující výnos plodin. Cílené vzorkov{ní půdy na z{kladě ECa poskytuje n{stroj pro charakterizaci prostorové variability půdních vlastností, které s ECa korelují, se signifikantní redukcí počtu vzorkovacích bodů v porovn{ní se vzorkov{ním v pravidelné síti (Lesch, 2005). Popisované on-the-go půdní senzory umožňují vysoký počet z{znamů na jednotku plochy, které se blíží celoplošnému mapov{ní. Měřící z{běr senzorů pokrýv{ zpravidla jen malou č{st půdního povrchu a logicky zde doch{zí k mapov{ní pouze č{sti plochy a tedy k výskytu neměřených oblastí. Hustota z{znamů na jednotku plochy je určena vzd{leností paralelních jízd po pozemku, frekvencí z{znamů senzoru a rychlostí pojezdu. Zajímavé srovn{ní vzd{lenosti přejezdů ECa senzory z hlediska kvality ECa map provedli Farahani a Flynn (2007). Jejich výsledky ukazují, že zvýšení vzd{lenosti pojezdů na 30 – 50 m oproti výrobci ECa mobilních senzorů doporučovanými 12 – 18 m představovalo 65% úsporu času při mapov{ní, zatímco snížení prostorové přesnosti vymezení půdních jednotek bylo pouze 10 %. Při snížení hustoty mapov{ní ale nemusejí být identifikov{ny některé menší prostorové struktury. Proto v z{věru své studie autoři doporučují využít leteckých snímků (lze předpokl{dat, že při dostatečném prostorovém rozlišení by přich{zely v úvahu i satelitní snímky) pro zjištění prostorových struktur variability pozemku a na z{kladě této informace stanovit hustotu měření mobilními půdními senzory.
2.2.3 D{lkový průzkum půdních vlastností D{lkový průzkum představuje soubor metod získ{v{ní informací o objektech prostřednictvím zařízení, které se sledovaným objektem nejsou v kontaktu
41
(Lillesand a Kiefer, 1994). Interpretace leteckých snímků pro vymezení půdních jednotek je použív{na již od 30. let 20. stol. (Lillesand a Kiefer, 1994). V zemědělství jsou metody d{lkového sním{ní využív{ny více jak 40 let, v porovn{ní s ostatními agronomickými oblastmi se ale jedn{ o relativně nové postupy (Hatfield et al., 2008). Dle Ben-Dor et al.(2009) je d{lkový průzkum významnou souč{stí půdního průzkumu a např. letecké snímkov{ní je jedním ze z{kladních n{strojů, které jsou použív{ny při mapov{ní půdy. Vysoký potenci{l d{lkového průzkumu v precizním zemědělství spočív{ dle Pierce et al. (1999) v možnosti monitorov{ní prostorové variability v průběhu času s vysokým rozlišením. Neposkytuje ale informace o příčině sledované variability. Pro zemědělské aplikace je kromě viditelného a blízce infračerveného spektra (NIR) využív{no také kr{tkovlnného infračerveného (SWIR) a tepelného z{ření a oblasti mikrovln. Systémy d{lkového průzkumu lze dělit dle několika kritérií – dle zdroje elektromagnetického z{ření (pasivní, aktivní), typu nosiče (pozemní, letecké, satelitní snímkov{ní), typu senzoru (fotografické senzory, rozkladov{ zařízení, hyperspektr{lní systémy), snímané č{sti elektromagnetického z{ření (panchromatické systémy, viditelné spektrum, infračerven{ oblast, termografie, mikrovlnné sním{ní) nebo dle nasměrov{ní snímací aparatury (nadir, off-nadir). Detailnější rozdělení metod a popis technologií lze nalézt v z{kladní literatuře d{lkového průzkumu Země (Campbell, 2002; Jensen, 2005; Liang, 2004; Lillesand a Kiefer, 1994), popisem předzpracov{ní výsledků procesu d{lkového sním{ní – obrazových dat – se zabýv{ např. Schott (2007) nebo Schowengerdt (2007).
2.2.3.1 Parametry digit{lních obrazových z{znamů Parametry snímků jsou d{ny hodnocením jejich rozlišení - prostorového, směrového, spektr{lního, radiometrického a časového, které charakterizuje i systémy jejich pořizov{ní. Prostorové rozlišení (spatial resolution) vyjadřuje nejmenší velikost objektu, který lze na snímku rozpoznat. V případě digit{lního způsobu z{znamu se jedn{ o re{lnou velikost pixelu snímku vztaženou k zemskému povrchu (objektu na snímku). Prostorové rozlišení je určeno počtem a velikostí buněk z{znamového prvku (světločivného digit{lního senzoru), úhlem z{běru optické soustavy (IFOV – instant field of view) a výškou sním{ní nad sledovaným objektem (Meer et al., 2006). Mezi výškou sním{ní a prostorovým rozlišením existuje line{rní z{vislost, zdvojn{sobení výšky sním{ní vede k dvojn{sobné re{lné velikosti pixelu. Zvýšení prostorového rozlišení lze u leteckého snímkov{ní provést jednoduchým snížením výšky přeletu. V případě družicového snímkov{ní je poloha satelitu d{na oběžnou dr{hou a je tedy relativně neměnn{ (s výjimkou eliptických orbitů u některých satelitních systémů). D{lkový průzkum m{ charakter celoplošného mapov{ní, které pokrýv{ celou plochu pozemku bez výskytu neměřených míst. Počet naměřených údajů na 42
jednotce plochy neboli detailnost zachycení zemského povrchu, je d{na prostorovým rozlišením snímků. Hodnota pixelu tak vyjadřuje průměrnou odrazivost plochy na zemském povrchu promítnuté na senzor. Výskyt objektů s rozdílnou odrazivostí na ploše menší než prostorové rozlišení se projeví zprůměrov{ním jejich hodnot. Při pl{nov{ní leteckého snímkov{ní se doporučuje zvolit takové prostorové rozlišení, resp. výšku přeletu, které bude mít hodnotu poloviční velikosti nejmenšího sledovaného objektu (Hengl, 2006). Směrové rozlišení (directional resolution) vych{zí z konceptu směrové z{vislosti odraženého z{ření. Malenovský et al. (2007) jej u úhlových spektr{lních obrazových dat popisují jako celkový počet možných pohledů a jejich úhlov{ pozice v hemisférovém prostoru. Z{visí na úhlu z{běru (IFOV), velikosti snímacího prvku, n{klonu, pohybové rychlosti a výšce senzoru. Změnu směru sním{ní v současnosti umožňuje jen několik satelitních systémů. Spektr{lní rozlišení (spectral resolution) ud{v{ počet a z{běr intervalů vlnových délek, nazývaných p{smy nebo kan{ly, ve kterých se zaznamen{v{ elektromagnetické spektrum (Jensen, 2005). Šířka p{sma může být velk{, jako např. u panchromatických (300 nm a více) nebo multispektr{lních (zpravidla 100 nm) senzorů. Úzk{ p{sma jsou typick{ pro ultraspektr{lní a zejména hyperspektr{lní senzory, kde je dosahov{no šířky desítek až jednotek nm. Z oblasti viditelného z{ření lze v případě panchromatického senzoru získat snímek pouze s jedním kan{lem (tedy černobílý), u multispektr{lního několik p{sem (zpravidla 3 – 7) a v případě hyperspektr{lního senzoru desítky až stovky p{sem. Vyšší počet p{sem umožňuje přesnější vykreslení spektr{lní křivky sledovaného objektu. Mezi spektr{lním a prostorovým rozlišením zpravidla býv{ nepřímo úměrn{ z{vislost. Nižší prostorové rozlišení způsobené tzv. svazov{ním řad pixelů prostorové osy umožňuje dos{hnout úzkých p{sem a tím zvyšuje spektr{lní rozlišení (Malenovský et al., 2007). Multispektr{lní systémy mají zpravidla vyšší prostorové rozlišení a nižší spektr{lní, zatímco u hyperspektr{lních senzorů je tomu naopak. Radiometrické rozlišení (radiometric resolution) je určeno citlivostí detektoru na sílu sign{lu, který je zaznamen{v{n (Dobrovolný, 1998). Radiometrické rozlišení je ud{v{no v bitech, které ud{vají počet zaznamenaných hodnot. Snímek s 8 bitovým rozlišením poskytuje pro každý pixel 255 hodnot, 10 bitový 1023 hodnot a 12 bitový 4095 hodnot. Vyšší hodnoty umožňují zachytit a zvýraznit jevy, které by jinak nebyly identifikované, jako jsou např. objekty skryté ve stínech. Časové rozlišení (temporal resolution) ud{v{ frekvenci pořizov{ní snímků stejného místa, tzn. za jak dlouhou dobu je senzor schopen zaznamenat stejnou lokalitu. V případě satelitního systému je časové rozlišení d{no délkou oběhu družice po oběžné dr{ze, u leteckého snímkov{ní je z velké míry variabilní. Malenovský et al. (2007) definují časové rozlišení zcela odlišně a to jako nejkratší 43
dobu potřebnou pro zachycení z{ření snímacím prvkem do snímku, zatímco výše zmiňovaný popis ch{pou jako definici tzv. časového intervalu snímkov{ní. Časový interval pak dělí na teoretický, který je d{n již výše popisovanými parametry oběžné dr{hy, a praktický, který zahrnuje pouze snímky bez oblačnosti. Počet a frekvence pozorov{ní se jeví jako rozhodující faktor pro úspěšnou integraci dat d{lkového průzkumu do agroekosytémových modelů (Dorigo et al., 2007). Metody d{lkového průzkumu jsou obecně vhodnější pro prostorovou charakteristiku dynamických vlastností asociovaných přímo s vegetačním vývojem, zatímco ECa měření jsou vhodn{ pro mapov{ní statických půdních vlastností, jako je půdní zrnitost, hladina podzemní vody a ust{len{ salinita (Corwin a Plant, 2005). Snímkov{ní umožňuje monitorov{ní stavu porostu na velkém území, zatímco ECa monitoruje půdní vlastnosti, které musí být vztaženy k výnosu plodiny (Corwin a Lesch, 2005a). Zatímco ECa metody umožňují měřit geofyzik{lní vlastnosti ve vertik{lním půdním profilu, d{lkový průzkum získ{v{ informace pouze o povrchu půdy, v případě term{lního snímkov{ní svrchní vrstvy půdy. Hloubka interakce světla v půdě je d{na variabilitou transmitace z{ření, velikostí půdních č{stic a objemovou hmotností. V běžných podmínk{ch je hloubka d{na 4-5 n{sobkem poloměru velikosti půdních č{stic (Liang, 2004). Shodnost vlastností povrchové vrstvy půdy s hlubšími vrstvami je předpokladem spolehlivosti vypovídací schopnosti dat d{lkového průzkumu při porovn{v{ní s výsledky analýz půdních vzorků. Ačkoliv DPZ a ECa představují dvě odlišné metody, pracující na zcela rozdílných fyzik{lních principech, mohou poskytovat obdobné výsledky. Wetterlind et al. (2008) porovn{vali využití satelitních MIR snímků a měření ECa pro optimalizaci vzorkov{ní obsahu organické hmoty. Výsledky obou metod byly bez výrazného rozdílu. Cena za mapovaný hektar půdy pomocí satelitního snímkov{ní může být nižší než u měření ECa, autoři ale doporučují metodu ECa z hlediska snadnějšího dosažení výsledků na úrovni farmy. Ke zjišťov{ní prostorové variability d{lkovým průzkumem lze použít pasivní metody využívající spektr{lních či term{lních charakteristik půdního povrchu nebo metody používající aktivní senzory (radar).
2.2.3.2 Spektr{lní vlastnosti půdy Spektr{lní projevy půdy ovlivňuje řada půdních vlastností, přičemž mezi nejvýznamnější jsou zařazov{ny obsah organické hmoty, vlhkost půdy, zrnitost a struktura půdy, zastoupení oxidů železa (Lilienthal, 2003), případně hrubost povrchu (Lillesand et al., 2008) a druh jílových miner{lů. Podrobný popis působení těchto faktorů pod{vají např. Baumgardner et al. (1985), Lilienthal (2003), Meer a Jong (2006) nebo Ben-Dor et al. (2009).
44
Zvyšující se půdní vlhkost obecně snižuje odrazivost, zejména ve viditelném spektru (400 – 700 nm). Vlhčí půda se tedy v porovn{ní se suchou jeví tmavější. Pro spektr{lní křivku půdy je charakteristick{ absorpce z{ření ve 1400 a 1900 nm způsoben{ absorpcí z{ření vodou (obr. 5).
Obr. 5 Vliv půdní vlhkosti na odrazivost půdy (Lilienthal, 2003)
Zvýšený obsah organické hmoty způsobuje snížení odrazivosti v celém světelném spektru. Tento efekt je patrný zejména při obsahu organické hmoty nad 2 %, přičemž vysoký obsah může maskovat vliv ostatních půdních vlastností na odrazivost (Baumgardner et al., 1985).
Obr. 6 Spektr{lní křivka půdy dle podílu rozložení organické hmoty: a) fibrické půdy s nižším podílem, b) hemické půdy a c) saprické půdy s vyšším podílem rozložené organické hmoty (Baumgardner et al., 1985)
V případě zrnitosti půdy obecně platí, že s narůstající velikostí půdních č{stic narůst{ odrazivost ve viditelné č{sti spektra. Jílovité půdy se jeví tmavší než půdy
45
písčité. Zrnitost půdy, resp. velikost půdních č{stic, ovlivňuje některé další půdní vlastnosti, jako je vlhkost půdy a její struktura, které se n{sledně projevují na celkové odrazivosti půdy. Exaktní stanovení vlivu zrnitosti půdy je tak obtížné (Meer a Jong, 2006). Chen et al. (2004) ve své studii pod{vají výsledky stanovení podílu jílovitých č{stic v půdě z leteckých snímků ve viditelném spektru a z multispektr{lních satelitních dat. Pro odstranění interference půdní organické hmoty byla použita metoda analýzy hlavních komponent.
Obr. 7 Vliv zrnitosti na odrazivost půdy (Baumgardner et al., 1985)
Dalším významným půdním faktorem ovlivňujícím spektr{lní odrazivost půdy je zastoupení oxidů železa v půdě. Ty obecně způsobují absorpci z{ření v oblasti UV a modré č{sti spektra, případně způsobují specifické zabarvení půdy ve viditelném spektru. Přítomnost hematitu zbarvuje půdu do červena, goethit do žluta (Lilienthal, 2003).
2.2.3.3 Využití d{lkového průzkumu v precizním zemědělství Pro praktické nasazení d{lkového sním{ní v systému precizního zemědělství se nabízí využití leteckého a družicového snímkov{ní. Odlišnosti obou systémů jsou d{ny rozdílným charakterem pořizov{ní obrazových dat, kter{ jsou n{sledně charakterizov{na prostorovým rozlišením snímků, časovou variabilitou snímkov{ní a výškou snímkov{ní. Na rozdíl od satelitních systémů je možné letecky snímkovat v předem definovaném termínu s variabilním intervalem snímkov{ní, měnit výšku letu, kter{ ovlivňuje prostorové rozlišení snímků a snímkovat během oblačnosti snížením letové výšky. Výhodou satelitního snímkov{ní je větší z{běr, který se promítne v nižší ceně za jednotku sledované plochy. Tato výhoda ale z{visí na dostupnosti satelitních snímků ve vhodném termínu, kdy půda není pokryt{ sněhem, hustou vegetací, a kdy je sníman{ scéna prost{ oblačnosti (Wetterlind et al., 2008). S rozvojem civilních satelitních systémů s vysokým prostorovým, spektr{lním a časovým rozlišením lze ale předpokl{dat, že pr{vě tyto systémy budou v budoucnosti převl{dat při získ{v{ní prostorových
46
informací pro zkoum{ní environment{lních jevů (Melesse et al., 2007). Dorigo a kol. (2007) vidí velký potenci{l v kombinaci dat z pozorov{ní s rozdílnými úhlovými, spektr{lními, prostorovými nebo časovými vlastnostmi. Zahrnutím dat ze senzorů rozdílné povahy, jako je LIDAR, term{lní nebo mikrovlnné sním{ní, je možné překrytí časových mezer na místech, kde byly observační podmínky omezeny častým výskytem oblačnosti. Brodský a Borůvka (2006) ověřovali využití objektově orientované analýzy pro vyznačení prostorových jevů ze satelitních snímků (Landsat 7) holé půdy. Při porovn{ní s půdními mapami v měřítku 1:200000 bylo 72 % mapované plochy spr{vně zařazeno. Dle autorů mohou být snímky holé půdy použity jako pomocn{ data pro přípravu terénního průzkumu nebo jako vstupní vrstva pro predikční modely. Chen et al. (2004) ve své studii ukazují vhodnost metod d{lkového průzkumu, konkrétně leteckých snímků ve viditelném spektru a satelitních dat v infračerveném spektru), a měření ECa pro stanovení podílu jílovitých č{stic v půdě. Všechny tři použité metody dle autorů poskytují spolehlivé výsledky a jsou mnohem méně n{kladné než klasické vzorkov{ní půdy. Lagarecherie et al. (2008) zkoumali vliv rozdílných úrovní předzpracov{ní leteckých hyperspektr{lních dat na přesnost stanovení obsahu jílu v půdě porovn{vaným s výsledky laboratorního spektrofotometrického měřením půdních vzorků při 2206 nm. Největší přesnosti bylo dosaženo po radiometrické a vlnové kalibraci a atmosférických korekcích. Haché et al. (2007) ověřovali možnost využití pozemně naměřených spektrometrických dat pro rozlišení konvenčního a redukovaného zpracov{ní půdy. Tyto dva rozdílné způsoby bylo možné rozlišit v oblasti viditelného a NIR spektra pomocí shlukové analýzy a analýzy hlavních komponent (PCA). Obršlík (2004,2008) dokumentuje využití leteckých snímků pro identifikaci půdních typů a způsobu využití zemědělské půdy na z{kladě barevných odstínů a pro hodnocení stavu a dynamiky eroze půdy. Projevy destrukce ornic, vykazující na leteckých fotografiích typicky ohraničení struktury, označuje jako antropogenní destrukční zip. Panten (2002) ve své pr{ci zkoumala využití leteckých snímků pro identifikaci prostorové variability půdy a porostů a jejich n{sledné využití jako pomocného informačního zdroje v precizním zemědělství. Neřízenou klasifikací leteckých snímků byly odhaleny ve více jak 50 % případů průkazné rozdíly v půdních vlastnostech (obsah P, K, Mg, jílu, organické hmoty a hodnota pH), přičemž četnost stanovení byla u snímků holé půdy a vegetace stejn{. Kromě samotných snímků holé půdy lze tedy pro odvození rozdílů půdních podmínek využít také výsledky hodnocení prostorové variability vegetace, nejčastěji pomocí vegetačních indexů (Barnes et al., 2003; Leon et al., 2003; Palacios-Orueta et al., 1999).
47
3. CÍL PR[CE Cílem pr{ce bylo vytvoření a ověření postupu pro zefektivnění stanovení variability půdních podmínek stanoviště pomocí přímých a nepřímých metod s využitím satelitní navigace GPS. Cíl pr{ce vych{zel ze dvou z{kladních hypotéz: Hypotéza č. 1 Nepřímé metody dok{ží zachytit prostorovou variabilitu agronomicky významných půdních podmínek a jejich výsledky je možné použít pro hodnocení prostorové variability. Jako nepřímé metody byly ověřov{ny měření elektrické vodivosti, letecké snímkov{ní v různých spektrech elektromagnetického z{ření a digit{lní výškový model terénu měřený pomocí GPS. Hypotéza č. 2 Výsledky mapov{ní nepřímými metodami mohou být použity pro optimalizaci rozmístění půdních vzorků, s cílem zlepšit efektivnost mapov{ní prostorové variability půdních podmínek.
48
4. MATERI[L A METODY Pro ověřov{ní metod hodnocení prostorové variability půdních podmínek byl v roce 2003 vybr{n pozemek Školního zemědělského podniku Žabčice „Pachty“ o výměře 52,5 ha, nach{zející se v k.ú. obce Přísnostice nedaleko Pohořelic. Výběr byl proveden podle n{sledujících požadavků:
vyšší výměra pozemku, kter{ teoreticky vykazuje vyšší potenci{l v precizním zemědělství, z dřívějšího využív{ní zn{m{ zvýšen{ heterogenita půdy, vhodn{ orientace a tvar pozemku pro prov{dění leteckého snímkov{ní, tzn. přibližně čtvercový nebo obdélníkový tvar s co nejmenší svažitostí pro eliminaci rozdílů světelných podmínek v r{mci pole, příhodné zemědělské využití půdy, tzn. struktura plodin, kter{ umožní prov{dět zkoum{ní půdního povrchu (pozemní i d{lkové) s vysokou vypovídací hodnotou výsledků a poskytne podklady pro mapov{ní výnosu, co nejmenší výskyt nepříznivě působících jevů (objektů) na pozemku (remízky, solitérní dřeviny, inženýrské sítě), které by mohly negativně ovlivnit výsledky měření, přístupnost pozemku pro odběr půdních vzorků a pozemní průzkum, pozemek vhodný pro případné další zkoum{ní v oblasti precizního zemědělství (n{vaznost budoucího výzkumu) a možnost prov{dění pěstebních opatření ve smyslu lok{lně specifického obhospodařov{ní půdy.
Pokusný pozemek se nach{zí v rovinatém terénu nivy řeky Svratky v Dyjskosvrateckém úvalu. Hranice pozemku byly zaměřeny 12 kan{lovým GPS přijímačem Pretec CompactGPS nainstalovaným do kapesního počítače COMPAQ iPAQ 3970 (d{le GPS iPAQ) v software Farm Works Mate. V roce 2007 bylo provedeno znovu zaměření hranic pozemku pomocí DGPS Trimble Pathfinder ProXH a výsledn{ data byla postprocesně zpřesněna pomocí dat z GPS referenční sítě CZEPOS na výslednou přesnost do 30 cm (75 % zaznamenaných pozic). V roce 2006 byl vybr{n další pozemek „H{j“ o výměře 37,8 ha, společnosti Farma Bureš František v k.ú. obce Šv{benice nedaleko Ivanovic na Hané. Tento pozemek byl vybr{n z důvodu rozdílných vlastností oproti pozemku „Pachty“; jedn{ se o pozemek svažitý a s nižší zn{mou úrovní heterogenity půdních podmínek. Hranice pozemku byla zaměřena v roce 2007 pomocí DGPS Trimble; postprocesním zpracov{ním byla získ{na přesnost 80 % zaznamenaných pozic do 30 cm.
4.1 Charakteristika pokusných lokalit Charakteristika pokusných lokalit je uvedena v tab. 6. Kromě klimatických, a pedologických rozdílů se pozemky liší také ve způsobu obhospodařov{ní. Na 49
pozemku Pachty je prov{děno tradiční zpracov{ní půdy, tedy s orbou a n{sledným předseťovým zpracov{ním, a celoplošně uniformní aplikací hnojiv. S ohledem na produkční zaměření Školního zemědělského podniku, jehož souč{stí je živočišn{ produkce, je sl{ma obilnin z pozemku sklízena. Pozemek H{j je obděl{v{n minimalizačními technologiemi (mělké kypření a n{sledné setí) se zapravením sl{my a některé aplikace hnojiv jsou prov{děny variabilně. Tab. 6 Stručn{ charakteristika pokusných lokalit
Pachty H{j Zařazení pozemků Výměra 52,5 ha 37,8 ha Zemědělsk{ výrobní oblast KVO ŘVO Ekologick{ omezení ZOD Nejsou Nadmořsk{ výška (m) 176 – 182 280 – 342 Klimatické podmínky Klimatický region VT (velmi teplý, suchý) T2 (teplý, mírně suchý) Roční úhrn sr{žek (mm) 483 542 Průměrn{ roční teplota (°C) 9,2 9,25 Pedologické a geologické podmínky Geologické zařazení Převažující půdní typ černozem (substr{t spraš hnědozem na spraši, na terasových štěrcích) černice na nivních bezkarbon{tových sedimentech Převažující půdní druh hlinitopísčit{ hlinit{ BPEJ Způsob hospodaření Zpracov{ní půdy tradiční (orba) minimalizační (mělké kypření) Způsob aplikace hnojiv uniformní variabilní Osevní sled 2002 vojtěška (od roku 1999) cukrovka 2003 pšenice ozim{, ječmen jarní slunečnice 2004 pšenice ozim{ ječmen jarní 2005 kukuřice na sil{ž m{k setý 2006 pšenice ozim{ ječmen jarní + cukrovka (meziplodina svazenka) 2007 m{k setý ječmen jarní 2008 ječmen jarní m{k setý 2009 slunečnice ječmen jarní 50
Obr. 8 Rozpětí nadmořské výšky na pozemku Pachty (vlevo) a H{j (vpravo) v m n. m.
4.2 Metody mapov{ní prostorové půdní variability Mapov{ní prostorové variability půdních vlastností na pozemcích bylo provedeno přímými konvenčními metodami – odběrem půdních vzorků pro stanovení obsahu přístupných živin, pH a půdní zrnitosti a nepřímými metodami – měřením elektrické vodivosti půdy a leteckým snímkov{ním holé půdy.
4.2.1 Půdní vzorkov{ní pro stanovení obsahu živin, humusu a pH půdy Pro stanovení obsahu přístupných živin bylo v květnu roku 2004 provedeno podrobné mapov{ní pozemku Pachty. Pro z{kladní průzkum byla navržena metoda bodového vzorkov{ní s pravidelnou čtvercovou sítí o vzd{lenosti bodů 50 m (viz obr. 10), což na dané ploše představuje celkem 214 vzorků, tedy hustotu vzorkov{ní zhruba 4 vzorky na ha. Lokalizace odběrových bodů na pozemku byla provedena pomocí GPS iPAQ. Půdní vzorky byly odebír{ny z orničního profilu do hloubky 30 cm. Na každém bodu byl odebr{n směsný vzorek, sest{vající z 15 individu{lních vpichů agrochemickou sondovací tyčí o vnitřním průměru 9 mm ve čtverci o straně 15 m podle schématu uvedeného na obr. 9. Jednotlivé půdní vzorky byly sušeny na vzduchu a poté analyzov{ny v akreditované laboratoři na stanovení hodnoty pH/KCl, obsahu přístupných živin P, K, Mg, Ca dle v ČR platné metodiky MehlichIII (Zbíral, 2002) a stanovení obsahu Cox titrací po oxidaci chromsírovou směsí (Zbíral et al., 2004).
51
Obr. 9 Schéma rozmístění odběrových bodů směsného vzorku v roce 2004 (červené křížky jsou jednotlivé odběry, šipky naznačují směr postupu při odběru)
Na pozemku H{j byl proveden podobný průzkum v dubnu 2007 v pravidelné čtvercové odběrové síti (vzd{lenost bodů 50 m – viz obr. 10). Celkem bylo z orniční vrstvy v hloubce do 30 cm odebr{no 152 směsných vzorků, sest{vajících ze 4 vpichů sondovací tyčí (průměr 2 cm) v kruhu o průměru 5 m. Zaměření odběrových bodů bylo provedeno pomocí DGPS Trimble Pathfinder ProXH. Půdní vzorky byly vysušeny na vzduchu a analyzov{ny na obsah přístupných živin P, K, Mg, Ca (MehlichIII), hodnotu pH/CaCl2 a obsah Cox.
Obr. 10 Schéma rozmístění odběrových bodů v 50m síti na pozemku Pachty a H{j
52
4.2.2 Půdní vzorkov{ní pro stanovení zrnitosti půdy Odběry vzorků pro stanovení zrnitosti byly na pozemku Pachty provedeny v dubnu 2006 z hloubky 30 cm. Vzorkov{ní bylo provedeno v nepravidelné síti odběrových bodů, které byly rozmístěny podle výsledků měření půdní vodivosti na pozemku v roce 2004. Celkový počet 40 vzorků byl rozmístěn tak, aby v oblastech pozemku s vyššími rozdíly ECa (vyšší heterogenitou) bylo více vzorků než v relativně homogenních oblastech. Schéma rozmístění odběrových bodů je patrné z obr. 9. Směsný vzorek tvořily čtyři vpichy sondovací tyčí o průměru 2 cm v kruhu o poloměru 3 m okolo odběrového bodu. Vzorky byly analyzov{ny v akreditované laboratoři na stanovení podílu jílovitých č{stic (< 0,01 mm), prachu (0,01 – 0,05 mm) a písku (0,05 – 2 mm) hustoměrnou metodou dle Casagrandeho (Jand{k, 2003).
Obr. 11 Mapa rozmístění bodů vzorkov{ní půdy na stanovení půdní zrnitosti včetně mapy s podkladem ECa vrstvy z roku 2004
Vzorkov{ní půdy na stanovení zrnitosti na pozemku H{j bylo provedeno současně s odběry na stanovení přístupných živin na pozemku (duben 2007). Směsné vzorky byly odebír{ny do hloubky 30 cm ve vybraných bodech 50m odběrové sítě; celkem bylo odebr{no 70 vzorků (viz obr. 12).
53
Obr. 12 Schéma odběru půdních vzorků ke stanovení půdní zrnitosti na pozemku H{j v roce 2007
4.2.3 Měření elektrické půdní vodivosti Měření elektrické vodivosti půdy bylo na pozemku Pachty provedeno na jaře 2004 (současně se vzorkov{ním půdy na stanovení přístupných živin a Cox) a na podzim 2005. Měření provedla firma MJM Litovel a.s. přístrojem EM38 (Geonics Ltd, Kanada) v horizont{lním módu měření. Přístroj byl tažen v kolejových ř{dcích ve vzd{lenosti 18 m od sebe na dřevěných saních na laně 4 m za tažným terénním vozidlem. Poloha přístroje byla měřena pomocí DPGS přijímače Trimble Ag132 upevněném na tažném vozidle s nastaveným odsazením dle vzd{lenosti přístroje. Poloha linií přejezdů po pozemku byla pro obě měření (2004, 2005) totožn{. Rychlost pojezdu byla 10 – 15 km.h-1. Z{znam naměřených údajů byl spolu s pozicí ukl{d{n v intervalu 5 s (v roce 2005 byl interval zhruba poloviční) – viz obr. 14. Pozemek H{j byl měřen obdobným způsobem na jaře 2007.
Obr. 13 Měřicí přístroj EM38, tažné vozidlo s dřevěnými saněmi pro EM38 a ruční měření s přístrojem CMD
54
Obr. 14 Mapa bodů měření EM38 na pozemku Pachty v roce 2004 a 2005
V roce 2009 bylo ECa půdy na pozemku H{j měřeno přístrojem CMD (GF Instruments s.r.o., ČR). Měření bylo provedeno ručně (tzn. 4 – 5 km.hod-1) v transektech po vrstevnicích vzd{lených od sebe 25 m, které korespondovaly s body 50m odběrové sítě. Přístroj byl nastaven na horizont{lní dipól měření. Poloha měření byla zaznamen{v{na DGPS přijímačem Garmin GPSMap 60 CSx připojeným k řídící jednotce CMD. Měření bylo provedeno v režimu response slow, který je určen pro nižší rychlost měření, s intervalem z{znamu 3 sekundy a nižším dosahem měření low, který je ekvivalentem horizont{lního dipólu měření u EM38, tedy s hloubkovým dosahem 0,75 m.
Obr. 15 Mapa bodů měření ECa půdy na pozemku H{j - EM38 (2007) a CMD (2009)
55
Přístroje EM38 a CMD pracují na principu elektromagnetické indukce (viz obr. 16). Z konstrukčního i funkčního hlediska se jedn{ o podobné přístroje. Samotné zařízení sest{v{ ze dvou cívek, které jsou od sebe v přesně definované vzd{lenosti (1 m u EM38; 0,98 m u CMD). První cívka indukuje prim{rní elektromagnetické pole, které je vysíl{no směrem do půdy. V půdním prostředí doch{zí na z{kladě fyzik{lně-chemických vlastností půdy k vytvoření sekund{rního elektromagnetického pole. Druh{ cívka, umístěn{ na opačném konci měřicího přístroje, měří odezvu obou polí a z jejich vz{jemného porovn{ní je stanovena výsledn{ elektrick{ vodivost půdy (Lück et al., 2000), kter{ je proto označov{na jako měrn{ elektrick{ vodivost ECa (aparrent electrical conductivity).
Obr. 16 Schéma zn{zorňující princip měření EM 38 (Lesch et al., 2005, upraveno)
Oba přístroje jsou konstruov{ny pro měření v horizont{lním nebo vertik{lním módu (dipólu) měření v z{vislosti na poloze (natočení) přístroje při měření. To ovlivňuje hloubku pronik{ní elektromagnetického pole půdou. V homogenním půdním profilu pronik{ sign{l vertik{lního módu do hloubky 1,5 – 2 m, při horizont{lním měření jsou hodnoty zaznamen{v{ny z nižších hloubek 0,75 – 1 m (Sudduth et al., 2007). Naměřené hodnoty jsou ud{v{ny v mS.m-1 a spolu s GPS pozicí ukl{d{ny do notebooku (EM38) nebo řídící jednotky (CMD).
4.2.4 Letecké snímkov{ní holé půdy Letecké snímkov{ní holé půdy (nepokryté vegetací) bylo na obou pozemcích provedeno v březnu 2008. Pro snímkov{ní byla použita n{sledující technika (podrobnější údaje viz tab. 7): Nikon D80 – jednook{ digit{lní zrcadlovka (DSLR – Digital Single Lens Reflex) s rozlišením 10 Mpx a objektivem Nikkor 50/1,8 zachycující viditelné spektrum. Snímkov{ní bylo provedeno sekvenčně pomocí kabelové spouště
56
s časovačem. Snímky byly ukl{d{ny ve form{tu jpeg s nižší úrovní komprese dat na paměťovou kartu.
Obr. 17 Graf spektr{lní citlivosti fotoapar{tu Nikon D80 (Verhoeven, 2008)
DuncanTech MS3100 – tří-čipov{ (CCD) multispektr{lní kamera snímající v zeleném (G), červeném (R) a blízce infračerveném (NIR) spektru se šířkou p{sem 100 nm (G, R) a 150 nm (NIR) (viz obr. 18). Na kameře byl namontov{n širokoúhlý objektiv Sigma 14/2,8 EX. Kamera je ovl{d{na přes počítač softwarem DCcontrol, pomocí kterého jsou nastavov{ny parametry snímkov{ní a sekvenční z{znam snímků. Snímky o rozlišení 1392 x 1040 pixelů byly přes rozhraní CameraLink® ukl{d{ny v bezztr{tovém form{tu tiff na pevný disk.
Obr. 18 Konfigurace multispektr{lní kamery DuncanTech MS-3100 – vnitřní uspoř{d{ní kamery a graf spektr{lní citlivosti jednotlivých CCD čipů kamery
Fluke Ti-55FT – termokamera snímající tepelné z{ření v oblasti 8 – 13 μm. Snímky byly ukl{d{ny ve speci{lním obrazovém form{tu, umožňující n{sledný export snímků do tif nebo jpeg souborů o rozlišení 320 x 240 pixelů. Kamera byla vybavena výměnným objektivem s ohniskovou vzd{leností 20 mm a germaniovou povrchovou úpravou čočky. Sekvenční sním{ní bylo provedeno vnitřním nastavením kamery, z{pis snímků probíhal na paměťovou kartu. Letecké snímkov{ní bylo prov{děno letounem Cessna TU206F společnosti ARGUS GEO SYSTÉM s.r.o. se speci{lní úpravou pro letecké snímkov{ní. Snímkovací technika byla namontov{na na gyrostabilizačním r{mu, který 57
umožňuje automatickou korekci naklonění letounu ve dvou os{ch. Odchylky v třetí ose, způsobené bočním větrem (tzv. snos), jsou korigov{na ručně oper{torem.
Obr. 19 Letoun Cessna TU206F a pohled na palubu se snímací technikou na gyrostabizilačním r{mu
Snímkov{ní pokusných lokalit bylo provedeno v jedné n{letové řadě ve výšce přibližně 2000 m nad terénem, což při úhlech z{běru snímací techniky 23 – 27° představovalo z{běr snímkov{ní asi 900 m. Podrobnější údaje o z{běru kamer a rozlišení snímků pro danou letovou výšku jsou uvedeny v tab. 7. Tab. 7 Technické parametry snímkovací techniky a údaje o z{běru a prostorovém rozlišení snímků pro letovou výšku 2000 m. senzor x (pix) senzor y (pix) úhel záběru x úhel záběru y výška letu (m) záběr x (m) záběr y (m) plocha (ha) rozlišení (m/pix)
MS3100 + 14mm 1392 1040 26,0° 19,6° 925 691 63,88 0,66
Fluke Ti 55 + 20mm 320 240 23,0° 17,0° 2000 814 598 48,65 2,54
Nikon D80 + 50mm 3872 2592 26,6° 18,0° 944 632 59,67 0,24
4.2.5 Zpracov{ní výsledků mapov{ní Výsledkům všech měření byla přiřazena prostorov{ informace o pozici jejich získ{ní v souřadnicovém systému S-JTSK, buď při vlastním měření pomocí DGPS přijímače po transformaci z WGS souřadnicového systému (např. ECa měření), nebo zpětným postprocesním stanovením (např. letecké snímky). Zpracov{ní prostorových dat probíhalo v GIS systému ESRI ArcInfo® 9.3 a jeho nadstavb{ch Geostatistical Analyst, Spatial analyst a 3D Analyst. Datové z{znamy měření GPS byly zpracov{v{ny v software Trimble GPS Pathfinder® Office 4.00 a Garmin MapSource®. Letecké snímky byly zpracov{v{ny v software Erdas Imagine® 9.3
58
s rozšířením LPS a v software ITT ENVI 4.6. Pro statistické analýzy dat byly použity programy Microsoft® Office Excel® 2007 a Statistica 8.0. Vyjmenované software produkty byly provozov{ny na pracovní stanici s operačním systémem Microsoft Windows VistaTM (32b) a n{sledujícími parametry: CPU Intel Core2Duo E6600 2,4 GHz; RAM 4 GB DDR2; HDD 4x 320 GB RAID5, VGA ATI HD 3850.
59
5. VÝSLEDKY 5.1 Popis prostorové variability obsahu P, K, Mg, Ca, humusu a hodnoty pH 5.1.1 Z{kladní statistické charakteristiky Z{kladní statistické charakteristiky výsledků laboratorních analýz pro stanovení obsahu P, K, Mg, Ca, humusu a hodnoty pH pro jsou uvedeny v tab. 8 (pozemek Pachty) a tab. 10 (pozemek H{j). Obsah organické hmoty byl pro snadnější interpretaci převeden na obsah humusu vyn{sobením koeficientem přepočtu Cox ∙ 1,724 (Baier a Baierov{, 1985). Tab. 8 Statistické charakteristiky agrochemických vlastností z 50m odběrové sítě pozemku Pachty (n = 214)
Proměnn{ (jednotky)
pH
P K mg.kg-1 mg.kg-1
Mg mg.kg-1
Ca mg.kg-1
humus %
Aritmetický průměr Medi{n Směrodatn{ odchylka Rozptyl Koeficient špičatosti
6,47 58,18 146,14 177,93 3856,20 6,85 46,00 138,00 137,50 2570,00 0,95 36,41 37,13 121,96 4602,09 0,90 1325,56 1378,71 14874,03 21179225 -1,05 0,69 9,12 11,13 22,65
3,24 3,23 0,52 0,27 0,17
Koeficient šikmosti Minimum Maximum
-0,58 4,40 7,93
0,88 13,00 196,00
2,00 90,00 395,00
2,69 53,00 948,00
4,42 641,00 33670,00
0,16 1,63 4,77
Variační koef. (%)
14,64
62,58
25,41
68,54
119,34
15,95
Dle kritérií pro hodnocení výsledků chemických rozborů zemědělských půd metodou MehlichIII (viz tab. 9) a pHKCl (příloha č. 5 k vyhl{šce č. 275/1998) se půdní reakce na pozemku Pachty pohybovala od kategorie extrémně kysel{ až po silně alkalickou. Pokrýv{ tedy všechny třídy hodnocení, přičemž střední hodnota se pohybovala v kategorii slabě kysel{ (aritm. průměr) až neutr{lní (medi{n). Obsah přístupných živin P a K lze hodnotit jako vyhovující, v případě Mg jako dobrý. Podobně jako u pH rozsah hodnot obsahu P, K, Mg zahrnuje všechny kategorie hodnocení z{sobenosti - od nízké až po velmi vysokou. Pro hodnocení obsahu K a Mg je nutné zohlednit druh půdy. Na z{kladě výsledků stanovení podílu jílovitých č{stic (viz kap. 5.2.1) lze druh půdy na pozemku hodnotit jako středně těžký, hlinitý. Druh půdy ovlivňuje také hodnocení obsahu humusu v půdě. Ten se dle hodnotících kritérií (Kutílek, 1966, str. 37) pohyboval 60
v kategorii slabě humózní až středně humózní půdy, přičemž do druhé kategorie spadala střední hodnota obsahu humusu. Tab. 9 Kritéria hodnocení výsledků obsahů živin stanovených metodou MehlichIII (ÚKZÚZ, 2005)
Extrémní rozpětí hodnot u pH a obsahu Ca (případně také Mg) je způsobeno vysokými hodnotami ve východní č{sti pozemku. Příčinou tohoto jevu byla zřejmě nav{žka odpadu z nedalekého cukrovaru (s největší pravděpodobností cukrovarnick{ š{ma) po povrchové těžbě štěrkopísku v době, kdy byl pozemek rozdělen na menší parcely a obhospodařov{n soukromými vlastníky (tedy v době před kolektivizací). Detailnější historické z{znamy se ale nedochovaly. Dobře patrný je tento jev zejména na map{ch prostorové variability pH a Ca na pozemku (obr. 28) nebo také světlým odstínem na leteckých snímcích (viz obr. 20).
Obr. 20 Vyznačení zavezené oblasti na pozemku Pachty
Půdní reakce na pozemku H{j byla dle střední hodnoty pH neutr{lní, rozsah pH pokrýval všechny třídy hodnocení. Střední hodnota obsahu přístupných živin P a K se pohybovala v kategorii dobrý, jejich minim{lní a maxim{lní hodnoty spadají do kategorie nízkého a velmi vysokého obsahu. Podobně i obsah Mg, jehož průměrn{ hodnota byla hodnocena jako vysoký obsah. Z výsledků analýz na stanovení zrnitosti vyplýv{ průměrn{ hodnota obsahu jílovitých č{stic 61
odpovídající hlinité půdě, tedy půdě středně těžké. Ze střední hodnoty podílu humusu lze pro daný půdní druh označit půdu na pozemku jako slabě humózní. Tab. 10 Statistické charakteristiky agrochemických vlastností z 50m odběrové sítě pozemku H{j
pH Aritmetický průměr Medi{n Směrodatn{ odchylka Rozptyl Koeficient špičatosti Koeficient šikmosti Minimum Maximum Variační koef. (%) Počet (n)
6.80 6.90 0.55 0.30 0.68 -0.91 4.86 7.82 8.12 149
P K -1 mg.kg mg.kg-1 92.93 207.06 89.01 192.25 33.85 58.24 1145.50 3392.26 8.25 2.35 1.81 1.40 28.72 126.90 297.94 432.80 36.42 28.13 148 148
Mg mg.kg-1 251.77 226.20 93.88 8814.35 1.17 1.16 123.40 578.31 37.29 148
Ca humus -1 mg.kg % 3573.02 1.82 3138.00 1.78 1679.77 0.31 2821642 0.10 20 1.38 3.48 0.13 1324.50 0.75 15844.82 2.77 47.01 16.94 148 148
Popis variability souboru dat je určen parametrem rozptylu a směrodatnou odchylkou, případně jejich deriv{tem, variačním koeficientem (CV%), který umožňuje porovn{ní různých souborů dat měření. Na pozemku Pachty nejvyšší hodnoty CV vyk{zal obsah Ca a Mg, nejnižší hodnota pH a obsah humusu, na pozemku H{j pak nejvyšší hodnoty CV dosahoval obsah Ca a Mg, nejnižší hodnota pH a podíl humusu. Ber{nek a Klement (2007) uv{dějí kritéria pro hodnocení plošné nevyrovnanosti agrochemických půdních vlastností dle hodnoty CV ve vztahu k velikosti pozemku (tab. 11). Z hlediska variability hodnot pH a obsahu P lze oba pozemky hodnotit jako nevyrovnané, u obsahu K jako vyrovnané. Variabilita obsahu Mg a Ca byla na pozemku Pachty silně nevyrovnan{, na pozemku H{j se hodnota CV u těchto půdních charakteristik pohybovala v kategorii nevyrovnaný. Tab. 11 Kritéria pro hodnocení variačního koeficientu vybraných agrochemických vlastností půdy (Ber{nek a Klement, 2007)
výměra
Hodnota variačního koeficientu (%)
pozemku
vyrovnaný
nevyrovnan{
silně nevyrovnan{
(ha)
pH
P, K, Mg, Ca
pH
P, K, Mg, Ca
pH
P, K, Mg, Ca
do 20,0
do 5
do 20
6-12
21 - 50
nad 12
nad 50
20,1-30,0
do 6
do 25
7-15
26 - 60
nad 15
nad 60
nad 30,0
do 7
do 30
8-20
31 - 65
nad 20
nad 65
62
Z parametrů koeficientu šikmosti a špičatosti lze usuzovat na rozložení hodnot souboru dat. Význam m{ zejména koeficient šikmosti, jehož hodnota je zohledňov{na při výběru prostorových interpolačních metod. Kladn{ hodnota koeficientu představuje levostrannou distribuci, z{porn{ pravostrannou a hodnoty kolem 0 jsou typické pro norm{lní rozložení. Oba pozemky vykazují podobné trendy v rozložení měřených hodnot – obsah přístupných živin m{ vyšší levostrannou distribuci, podíl humusu je blízký norm{lnímu rozložení a distribuce hodnot pH je mírně pravostrann{. Nejvyšší asymetrie bylo shodně dosaženo u obsahu Ca. Ve všech případech rozložení vykazuje long tail distribuci, tedy protažení histogramu řadou vyšších hodnot s nízkou četností, jak je patrné z histogramů na obr. 21 (pozemek Pachty) a obr. 22 (pozemek H{j).
Obr. 21 Histogramy hodnot hodnoty pH a obsahů P, K, Mg, Ca a humusu pro pozemek Pachty
63
Obr. 22 Histogramy hodnot hodnoty pH a obsahů P, K, Mg, Ca a humusu pro pozemek H{j
5.1.2 Hodnocení prostorové variability obsahu P, K, Mg, Ca, humusu a hodnoty pH Výběr vhodné interpolační metody a jejího nastavení byl proveden na z{kladě výsledků cross-validation. Popis této metody je uveden v kap. 2.1.3.3. Pro každou půdní charakteristiku byla provedena prostorov{ interpolace metodou ordinary kriging (OK), ordinary kriging s logaritmickou transformací dat (logOK) a inverse distance weighting (IDW) s nastavenou hodnotou p = 2. Kriging s logaritmickou transformací dat byl do pozorov{ní zařazen z důvodu častého výskytu asymetrického rozložení dat s long tail distribucí. U metod s výpočtem variogramu, tedy OK a logOK, byl d{le sledov{n vliv rozdílného modelového variogramu – sférického (sph) a exponenci{lního (exp) a vliv anizotropie výpočtu
64
variogramu se stanovením směrového úhlu s nejnižším rozsahem (range) variogramu. Jedním z důležitých parametrů výpočtu variogramu je lag size, který definuje velikost intervalu, ze kterého je vypočtena průměrn{ hodnota rozdílu vzd{leností p{ru bodů vyn{šených do variogramu. Výpočet variogramu byl vždy prov{děn s lag size odpovídající vzd{lenosti bodů odběrové sítě, tedy 50 m, a s parametrem number of lags 12. Volba lag size m{ na empirický variogram významný vliv. Pokud je hodnota lag size příliš vysok{, může být maskov{na autokorelace s kr{tkým rozsahem. V opačném případě je použív{no příliš m{lo p{rových hodnot, které dostatečně nereprezentují průměr sledované oblasti. Pokud je průzkum prov{děn v pravidelném gridu, je určujícím indik{torem lag size vzd{lenost bodů od sebe (Johnston, 2004), v případě sledovaného souboru dat tedy 50 m. Tab. 12 Parametry interpolačních metod s nejnižší dosaženou hodnotou RMSE z crossvalidation hodnocení pro pozemek Pachty s uvedením z{kladních parametrů variogramu (OK – ordinary kriging, logOK ordinary kriging s logaritmickou transformací dat; iso – všesměrový variogram, ani –anizotropní variogram; sph – sférický model variogramu, exp – exponenci{lní model variogramu; range max – maxim{lní rozsah variogramu, range min – minim{lní rozsah anizotropního variogramu při zvoleném směrovém úhlu, sill – pr{h neboli celkový rozptyl, nugget – zbytkový rozptyl, nugget:sill – podíl zbytkového rozptylu na celkovém rozptylu).
Pachty metoda interpolace Směrovost model variogramu ME RMSE AKSE AKSE-RMSE MSPE RMSP Range (max) Range (min) Směr. úhel Sill Nugget Nugget:sill
pH OK ani sph -0.001 0.5558 0.6875 -0.1258 -0.0013 0.8133 262.4 121.7 25.2 0.936 0.178 0.190
P OK ani exp -0.427 18.688 19.029 18.059 -0.011 0.970 592.7 196.8 30.7 196.82 0.000 0.000
K logOK iso exp -0.763 29.049 27.058 26.090 -0.021 0.968 227.4 227.4 0.05 0.01 0.256
Mg logOK iso exp -2.874 98.421 84.824 83.739 -0.0300 1.0843 360.2 360.2
Ca humus OK OK iso ani sph exp -18.65 -0.003 3960.4 0.285 4088.3 0.310 4087.3 -0.608 -0.0042 -0.005 0.9697 0.918 183.9 413.7 183.9 130.2 39.9 0.32 22743560 130.23 0.08 10427289 0.000 0.245 0.458 0.000
Z výsledků cross-validation byly vypočteny n{sledující hodnotící ukazatele odchylky predikovaných hodnot: průměrn{ chyba (ME - mean error), průměr druhé odmocniny sumy odchylek (RMSE - root mean squared error), parametr AKSE (average kriging standard error), MPSE (Mean standardized prediction error),
65
RMSP (Root mean square standardized prediction error) a rozdíl AKSE a RMSP. Kompletní výsledky tohoto porovn{ní jsou uvedeny v tab. 34 (Pachty) a tab. 35 (H{j) přílohy č. 2. Výběr vhodné interpolační techniky byl proveden na z{kladě hodnoty ukazatele RMSE, kter{ umožňuje porovn{ní metod s výpočtem variogramu (OK, logOK) i bez něj (IDW), přičemž kritériem bylo dosažení co nejnižší hodnoty RMSE.
Obr. 23 Graf odchylky RMSE jednotlivých variant prostorových interpolací zkoumaných půdních charakteristik hodnoty na pozemku Pachty (nejnižší RMSE zvýrazněno)
Výčet zvolených metod interpolací a jejich parametrů s nejnižší dosaženou hodnotou RMSE pro sledované půdní charakteristiky pozemku Pachty je uveden v tab. 12. Pro hodnotu pH na pozemku byl jako nejvhodnější interpolační metoda zvolen běžný kriging (OK) se sférickým modelem variogramu a zohledněním směrové z{vislosti – anizotropie (obr. 23). Volba interpolační metody bez logaritmické transformace dat odpovíd{ hodnotě koef. šikmosti původního 66
datového souboru -0,58 (viz tab. 8), neboť ta je nižší než limitní hodnota 1/-1 (Kerry a Oliver, 2007a). U obsahu P bylo nejnižší odchylky RMSE dosaženo interpolační metodou OK se zohledněním anizotropie a exponenci{lním modelem variogramu. Podobně jako u hodnoty pH koef. šikmosti nepřekročil limitní hodnotu -1/1 a tudíž nejnižší odchylky bylo dosaženo bez logaritmické transformace. V případě obsahu K a Mg bylo nejlepších výsledků dosaženo metodou běžného krigingu s logaritmickou transformací dat a exponenci{lním modelovým isotropním variogramem. Volba transformace dat odpovíd{ asymetrickému rozložení obou datových souborů s koeficientem 2,00 (obsah K) a 2,69 (obsah Mg). Pro obsah Ca byla jako nejvhodnější metoda vybr{na OK se sférickým isotropním variogramem. Vzhledem ke zřetelné asymetrii dat (koeficient šikmosti = 4,42; CV = 119,34 %) je překvapivé dosažení vyšší odchylky RMSE v případě logaritmické transformace dat. Z tab. 34 také vyplýv{, že druhou metodou s nejnižší RMSE byla metoda IDW, kter{ u ostatních půdních charakteristik neposkytovala spolehlivé odhady. Příčinou méně spolehlivé predikce po transformaci dat je zřejmě značn{ asymetrie dat, tedy vysok{ hodnota koef. šikmosti, kterou, jak je patrné z obr. 24, nebylo možně ani po logaritmické transformaci převést na norm{lní rozložení. Transformation: Log
Transformation: None Frequency 10 8,9
Count : 214 Min : 641 Max : 33670 Mean : 3856,2 Std. Dev. : 4602,1
-1
Skewness : 4,3865 Kurtosis : 25,096 1-st Quartile : 1782 Median : 2570 3-rd Quartile : 4521
Frequency 10 3,4
7,12
2,72
5,34
2,04
3,56
1,36
1,78
0,68
0 0,06
0,39
0,72
1,05
1,39
1,72 Data 10
2,05
2,38
2,71
3,04
3,37
0 0,65
-4
Data Source: Pachty 50m Attribute: Ca
Count : 214 Min : 6,463 Max : 10,424 Mean : 7,9417 Std. Dev. : 0,71396
-1
0,69
0,73
0,77
0,8
0,84 Data 10
0,88
0,92
Skewness Kurtosis 1-st Quartile Median 3-rd Quartile
0,96
1
: 0,78993 : 4,3101 : 7,4855 : 7,8517 : 8,4165
1,04
-1
Data Source: Pachty 50m Attribute: Ca
Obr. 24 Histogram obsahu Ca z 50m sítě na pozemku Pachty před a po logaritmické transformaci (koef. šikmosti po logaritmické transformaci byl 0,7999).
Výsledky cross-validation jednotlivých variant prostorové interpolace agrochemických vlastností na pozemku H{j jsou uvedeny v tab. 35 přílohy 1. V tab. 13 jsou shrnuty varianty, které vyk{zaly nejnižší odchylku RMSE. U všech zkoumaných půdních charakteristik nebyl prok{z{n vliv směrové z{vislosti variogramu. Pro obsah P a Mg vyk{zala nejnižší hodnotu ukazatele RMSE metoda IDW, pro ostatní veličiny byla zvolena metoda běžného krigingu. Pro hodnotu pH a obsah K s experiment{lním modelovým variogramem, sférickým variogramem pro obsah humusu. Navzdory hodnotě koeficientu šikmosti, kter{ překračuje limitní hranici pro transformaci dat (>1) u obsahu P
67
(1,81), K (1,40), Mg (1,16) a Ca (3,48), pouze pro obsah Ca poskytla logaritmick{ transformace nejspolehlivější predikci. Tab. 13 Parametry interpolačních metod s nejnižší dosaženou hodnotou RMSE z crossvalidation hodnocení pro pozemek H{j s uvedením z{kladních parametrů variogramu (OK – ordinary kriging, logOK ordinary kriging s logaritmickou transformací dat, IDW – inverse distance weighting; iso – všesměrový variogram; sph – sférický model variogramu, exp – exponenci{lní model variogramu; range max – maxim{lní rozsah variogramu, range min – minim{lní rozsah anizotropního variogramu při zvoleném směrovém úhlu, sill – pr{h neboli celkový rozptyl, nugget – zbytkový rozptyl, nugget:sill – podíl zbytkového rozptylu na celkovém rozptylu).
H{j metoda interpolace směrovost model variogramu ME RMSE AKSE AKSE-RMSE MSPE RMSP Range (max) Range (min) Směr. úhel Sill Nugget Nugget:sill
pH OK iso exp 0.850 0.412 1.101 0.114 0.016 0.988 592.7 592.7 0.356 0.105 0.294
P IDW
-0.975 32.356
K OK iso exp -0.697 45.177 44.395 43.387 -0.011 1.007 592.7 592.7 4082.0 1150.0 0.282
Mg IDW
-1.375 83.823
Ca
humus
logOK iso Sph -74.59 1520.9 1174.7 1173.5 -0.0447 1.2064 565.0 565.0
OK iso sph -0.002 0.288 0.260 -0.842 -0.003 1.102 592.7 592.7
0.147 0.078 0.530
0.11 0.055 0.498
Z parametrů variogramu uvedených v tab. 12 a tab. 13 lze hodnotit prostorovou z{vislost sledovaných půdních charakteristik. Rozsah variogramu (range) vyjadřuje vzd{lenost, po kterou existuje prostorov{ z{vislost (Webster a Oliver, 2007). Vzorky vzd{lené od sebe méně než rozsah variogramu jsou prostorově autokorelov{ny, zatímco za touto vzd{leností nikoliv. Hodnota rozsahu variogramu z{visí na prostorové interakci půdních procesů ovlivňujících každou sledovanou půdní vlastnost při daném měřítku vzorkov{ní (Trangmar et al., 1985). V případě anizotropního variogramu je vypočten maxim{lní (range max) a minim{lní rozsah (range min) pro daný směr anizotropie. Software pro geostatistické modelov{ní ESRI ArcGIS Geostatistical Analyst při geometrické anizotropii variogramu prov{dí rotaci vektoru variogramu. Stanovení úhlu směrové z{vislosti pak odpovíd{ nejnižšímu vypočtenému rozsahu variogramu (range min) (Johnston, 2004). Na pozemku Pachty se v případě hodnoty pH rozsah
68
variogramu pohyboval od 110 m (logOK_ani_exp) po 266,4 m (logOK_ani_sph) v z{vislosti na použité interpolační metodě, modelu variogramu a směrové z{vislosti (tab. 34). U metody s nejnižší RMSE odchylkou a zohledněním anizotropie se směrovým úhlem 25,2° byl dosažen maxim{lní rozsah (range max) 262,4 m, nejnižší (range min) 121,7 m.
Obr. 25 Graf odchylky RMSE jednotlivých variant prostorových interpolací zkoumaných půdních charakteristik hodnoty na pozemku H{j (nejnižší RMSE zvýrazněno)
U obsahu P taktéž nejspolehlivější odhad prok{zal vliv anizotropie, maxim{lní rozsah variogramu byl 592,7 m, minim{lní 196,8 m při směrovém úhlu 30,7°, přičemž mezi jednotlivými metodami se hranice prostorové z{vislosti pohybovala od 158,4 (logOK_ani_sph) po 592,7 m (anizotropní varianta OK a logOK). Exponenci{lní izotropní variogram obsahu K vyk{zal rozsah 227,4 m, u obsahu Mg 360,2 m. Rozpětí range pro obsah K činilo 140,0 m (logOK_ani_exp) až 592,7 m (OK varianta a logOK_iso_sph), v případě obsahu Mg 352,8 m 69
(logOK_iso_sph) až 592,7 (všechny varianty kromě logOK_iso a logOK_ani_exp). Pro nejspolehlivější popis prostorové z{vislosti obsahu Ca byl zvolen sférický izotropní variogram s rozsahem 183,9 m. Ostatní varianty interpolačních postupů vyk{zaly rozsah od 146,5 m (OK_iso_exp) po 592,7 (logOK_ani_sph). U obsahu humusu byl prok{z{n vliv anizotropie, maxim{lní hranice prostorov{ z{vislost byla pro nejspolehlivější metodu odhadu vypočtena na úrovni 413,7 m, minim{lní na 130,2 m. Rozpětí rozsahu se u ostatních interpolačních metod pohybovalo od 128,7 m (logOK_ani_exp) po 592,7 m (logOK_ani_sph). g
g 10
-3
0,99
2,05
0,79
1,64
0,59
1,23
0,39
0,82
0,2
0,41
0
0,75
1,5
2,25
3
3,75
Distance, h 10
4,5
5,25
6
0
0,75
g 10
6,48
3,51
5,18
2,81
3,89
2,1
2,59
1,4
1,3
0,7 0,75
1,5
2,25
3
3,75
Distance, h 10
4,5
5,25
6
0
0,75
3,77
3,85
3,02
3,08
2,26
2,31
1,51
1,54
0,75
0,77 1,5
2,25
3
3,75
Distance, h 10
4,5
4,5
5,25
6
-2
2,25
3
3,75
5,25
4,5
5,25
6
-2
Obsah Mg (logOK, exp, iso) g 10
0,75
3,75
Distance, h 10
-7
0
1,5
-2
Obsah K (logOK, exp, iso) g 10
3
obsah P (OK, exp, ani)
2
0
2,25
Distance, h 10
pH (OK, sph, ani) g 10
1,5
-2
6
0
-2
0,75
1,5
2,25
3
3,75
Distance, h 10
Obsah Ca (OK, sph, iso)
4,5
5,25
6
-2
Obsah humusu (OK, exp, ani)
Obr. 26 Experiment{lní a modelové variogramy sledovaných půdních charakteristik 50m odběrové sítě na pozemku Pachty
Na pozemku H{j se spodní hranice rozsahu variogramu napříč sledovanými variantami prostorových interpolací pohybovala u hodnoty pH od 388,5 m (OK_ani_exp), obsahu P 193,3 m (logOK_iso_exp), obsahu K 263,4 m 70
(logOK_ani_exp), obsahu Mg 193,4 m (logOK_iso_exp), obsahu Ca 393,1 m (logOK_iso_sph) a u obsahu humusu od 335,5 m (OK_ani_exp). Horní hranice existence prostorové z{vislosti byla u sledovaných půdních vlastností na stejné úrovni 592,7 m (viz tab. 35). g 10
g 10
-4
4,27
1,72
3,41
1,38
2,56
1,03
1,71
0,69
0,85
0,34
0
0,75
1,5
2,25
3
3,75
Distance, h 10
4,5
5,25
6
0
g 10
0,97
3,5
0,73
2,8
0,49
2,1
0,24
1,4
0
0,7 0,75
1,5
2,25
3
3,75
Distance, h 10
2,25
3
3,75
4,5
5,25
6
-2
Obsah K (OK, exp, iso)
-7
-0,24 0
1,5
Distance, h 10
pH (OK, exp, iso) g 10
0,75
-2
4,5
5,25
6
0
-2
0,75
1,5
2,25
3
3,75
Distance, h 10
Obsah Ca (logOK, sph, iso)
4,5
5,25
6
-2
Obsah humusu (OK, iso, sph)
Obr. 27 Experiment{lní a modelové variogramy sledovaných půdních charakteristik 50m odběrové sítě na pozemku H{j (s výjimkou obsahu P a Mg, pro které byla jako nejspolehlivější metoda prostorové interpolace zvolena IDW, jejíž výpočet není založen na modelov{ní variogramu)
Kromě hranice existence prostorové z{vislosti je z parametrů variogramu možné hodnotit její míru, a to procentu{lním podílem zbytkového rozptylu nugget na celkové hodnotě prahu sill. Tento poměr je označov{n jako nugget:sill (Kerry a Oliver, 2008), nugget/sill (Van Groenigen, 2000) nebo c0/(c0+c) (Brodský, 2004). Cambardella et al. (1994) a Cambardella a Karlen (1999) označují prostorovou z{vislost za silnou, pokud je tento procentu{lní podíl vyšší jak 25%, střední při 25 – 75 % a slabou, pokud zbytkový rozptyl činí více jak 75 % celkového rozptylu variogramu. Dle této klasifikace vyk{zaly silnou prostorovou z{vislost na pozemku Pachty hodnota pH a P u všech zkoumaných metod interpolace a střední z{vislost u obsahu K (s výjimkou silné z{vislosti u varianty logOK_ani_exp). U ostatních sledovaných půdních charakteristik nebyla klasifikace tak jednoznačn{ – obsah Ca a humusu bylo možné zařadit do silné a střední kategorie, u obsahu Mg byly zastoupeny všechny tři kategorie s převahou střední prostorové z{vislosti.
71
Obr. 28 Mapové zobrazení prostorové variability hodnoty pH a obsahu P, K, Mg, Ca a humusu na pozemku Pachty
Na pozemku H{j je možné prostorovou z{vislost dle nugget:sill poměru (tab. 13) hodnotit u pH jako střední až silnou, v případě nejspolehlivější predikce metodou OK_iso_exp jako střední. Vzhledem k tomu, že pro obsah P byla jako metoda s nejnižší hodnotou RMSE zvolena IDW bez výpočtu variogramu, nelze prostorovou z{vislost u této metody stanovit. U ostatních variant prostorových interpolací obsahu P převažovala střední úroveň z{vislosti. V případě obsahu K a Ca lze většinu variant zařadit do kategorie střední prostorové z{vislosti a to včetně varianty s nejlepším výsledkem RMSE. U zbývajících půdních charakteristik, obsahu Mg a humusu, vyk{zaly parametry variogramu zařazení do dvou kategorií prostorové z{vislosti – silné a střední u obsahu humusu, střední až slabé u obsahu Mg.
72
Obr. 29 Mapové zobrazení prostorové variability hodnoty pH a obsahu P, K, Mg, Ca a humusu na pozemku H{j
5.2 Popis prostorové variability zrnitosti půdy 5.2.1 Z{kladní statistické charakteristiky Výsledky stanovení podílu jednotlivých zrnitostních kategorií (jíl, prach, písek) jsou uvedeny v tab. 14 (Pachty) a tab. 15 (H{j). Klasifikace půdního druhu se prov{dí dle procentu{lního zastoupení jednotlivých frakcí. Systémů pro klasifikaci je více, jejich výběr je odvislý dle použití výsledků (Kutílek, 1966) – při obecném průzkumu půd je vhodné používat Nov{kovu stupnici, pro pedologické zpracov{ní podkladů pro odvodňovací meliorace Kopeckého systém, pro stavební účely se použív{ systém normy ČSN 72 1002. Pro hodnocení zemědělské půdy se 73
využív{ zmiňované Nov{kovy klasifikace, kter{ dle podílu jílnatých č{stic (< 0,01 mm) rozlišuje sedm půdních druhů. Tab. 14 Z{kladní statistické charakteristiky podílu zrnitostních frakcí z půdního vzorkov{ní na pozemku Pachty (n = 40)
Zrnitostní frakce
jíl (%)
prach (%)
písek (%)
< 0,01 mm
0,01–0,05 mm
> 0,05 mm
Aritmetický průměr
33,55
15,50
50,95
Medi{n
33,00
15,00
51,00
Směrodatn{ odchylka
4,56
3,14
5,68
Rozptyl
20,82
9,85
32,25
Koeficient špičatosti
0,08
0,55
0,52
Koeficient šikmosti
-0,04
0,73
0,18
Minimum
23,00
10,00
39,00
Maximum
44,00
23,00
67,00
Variační koef. (%)
13,60
20,24
11,15
(velikost)
Tab. 15 Z{kladní statistické charakteristiky podílu zrnitostních frakcí z půdního vzorkov{ní na pozemku H{j (n = 70)
Zrnitostní frakce
jíl (%)
prach (%)
písek (%)
< 0,01 mm
0,01–0,05 mm
> 0,05 mm
Aritmetický průměr
39,62
48,04
12,35
Medi{n
38,79
48,51
13,17
Směrodatn{ odchylka Rozptyl
5,54 30,64
4,26 18,17
4,15 17,23
Koeficient špičatosti
-0,44
3,46
-0,66
Koeficient šikmosti
0,26
-0,58
-0,29
Minimum
29,10
31,64
2,16
Maximum
55,38
61,41
21,46
Variační koef. (%)
13,97
8,87
33,61
(velikost)
Střední hodnota obsahu jílnatých č{stic (jílu) na obou sledovaných pozemcích se pohybuje v kategorii hlinit{ půda, přičemž u pozemku Pachty těsně překračuje spodní limit této kategorie. Minim{lní hodnoty jsou opět u obou pozemků ve stejné kategorii – hlinitopísčit{ půda, maxima u pozemku Pachty nepřekračují kategorii hlinité půdy, u pozemku H{j jsou v kategorii jílovitohlinit{ půda. Variabilita souboru dat dan{ CV je na obou pozemcích v případě jílnatých č{stic přibližně stejn{, liší se pouze u podílu prachu (vyšší na pozemku Pachty) a písku 74
(vyšší na pozemku H{j). Z koeficientu šikmosti a histogramů (obr. 30) je patrn{ přibližně norm{lní distribuce hodnot jednotlivých frakcí na obou pozemcích.
Obr. 30 Histogramy podílu jednotlivých zrnitostních kategorií na pozemku Pachty (vlevo) a H{j (vpravo)
Jednoznačné odlišení zrnitostního složení půdy obou sledovaných pozemků nabízí trojúhelníkový diagram USDA na obr. 31 zpracovaný podle Němečka a kol. (2001). Jeho osy jsou tvořeny frakcemi písek (0,05 – 0,2 mm), prach (0,002 – 0,05 mm) a jíl (pod 0,002 mm). Vzhledem k rozdílným hraničním velikostem u kategorií prach a jíl, v porovn{ní s Nov{kovou klasifikací, byl podíl těchto kategorií stanoven ze zrnitostní křivky půdních vzorků. Obsah jílu byl na obou pozemcích podobný, významně se však liší podíl kategorie prach a písek. Na pozemku Pachty převl{d{ podíl písku, zatímco na pozemku H{j je dominantní kategorie prach. Dle poměru zrnitostních frakcí trojúhelníkového diagramu spad{ půda na pozemku Pachty přev{žně do klasifikační kategorie písčit{ jílovit{ hlína,
75
případně písčit{ hlína; na pozemku H{j do kategorie prachovit{ hlína a prachovit{ jílovit{ hlína.
Obr. 31 Trojúhelníkový diagram zrnitosti půdy na pozemku Pachty (vlevo) a H{j (vpravo)
5.2.2 Hodnocení prostorové variability zrnitosti půdy Výběr vhodné interpolační metody byl podobně jako u agrochemických vlastností proveden na z{kladě výsledků hodnocení spolehlivosti predikce metodou cross-validation. Sledovanými variantami interpolačních postupů byla metoda běžného krigingu s výpočtem (OK) a bez výpočtu (OKNN) zbytkového rozptylu a metoda IDW s parametrem p = 2. U variant OK a OKNN byl d{le sledov{n vliv použití rozdílného modelového variogramu – sférického (sph) a exponenci{lního (exp). S ohledem na nízký počet odběrů (40 vzorků na pozemku Pachty, 70 vzorků na pozemku H{j) nebyl sledov{n vliv anizotropie prostorové z{vislosti. Výpočet experiment{lního variogramu byl proveden s nastavením lag size 50 m.
Obr. 32 Graf odchylky RMSE interpolačních postupů jednotlivých zrnitostních kategorií z pozemku Pachty
76
Obr. 33 Graf odchylky RMSE interpolačních postupů jednotlivých zrnitostních kategorií z pozemku H{j
Výsledky cross-validation hodnocení a parametry variogramu jsou uvedeny v tab. 36 (Pachty) a tab. 37 (H{j) v příloze č. 1. Porovn{ní interpolačních postupů bylo provedeno na z{kladě ukazatele RMSE, jehož grafické zn{zornění je patrné z obr. 32 (Pachty) a obr. 33 (H{j). Z obou grafů je patrn{ poměrně vyrovnan{ úroveň spolehlivosti odhadu zkoumaných variant interpolačních postupů v r{mci jednotlivých zrnitostních kategorií. g 10
-1
g 10
-1
3,41
7,04
2,73
5,63
2,05
4,23
1,36
2,82
0,68
1,41
0
0,23
0,45 0,68
0,9
1,13
Distance, h 10
1,35 1,58
1,8
0
-3
0,45 0,68
0,9
1,13
Distance, h 10
a g 10
0,23
1,35 1,58
1,8
-3
b
-1
8,17 6,53 4,9 3,27 1,63 0
0,23
0,45 0,68
0,9
1,13
Distance, h 10
1,35 1,58
1,8
-3
c Obr. 34 Variogramy obsahu jílu (a), prachu (b) a písku (c) na pozemku Pachty
Variogramy podílu zrnitostních kategorií z pozemku Pachty, uvedené na obr. 34, mají charakter tzv. pure nugget variogramu, tzn. že zbytkový rozptyl je v celém rozpětí porovn{vaných vzd{leností roven celkovému rozptylu. Tento jev 77
poukazuje na nenalezení prostorové z{vislosti, čemuž odpovíd{ i hodnota ukazatele nugget:sill (1,00) (viz tab. 36). Protože pure nugget variogram nelze použít pro výpočet krigingu, byly půdní mapy vytvořeny metodou běžného krigingu bez výpočtu zbytkového rozptylu (OKNN). Tato metoda se chov{ jako přesný interpol{tor, tzn. že zachov{v{ hodnoty vstupních bodů (na rozdíl od běžného krigingu s výpočtem zbytkového rozptylu, který se chov{ jako metoda vyhlazovací). g 10
-2
g 10
-1
0,83
3,26
0,67
2,61
0,5
1,96
0,33
1,3
0,17
0,65
0
0,75
1,5
2,25
3
3,75
Distance, h 10
4,5
5,25
6
0
-2
1,5
2,25
3
3,75
Distance, h 10
a g 10
0,75
4,5
5,25
6
-2
b
-1
2,22 1,78 1,33 0,89 0,44 0
0,75
1,5
2,25
3
3,75
Distance, h 10
4,5
5,25
6
-2
c Obr. 35 Variogramy obsahu jílu (a), prachu (b) a písku (c) na pozemku H{j
I přes vyrovnanost jednotlivých variant vlivem pure nugget efektu bylo nejnižší hodnoty ukazatele RMSE pro podíl jílu a písku dosaženo metodou běžného krigingu (OK) se sférickým modelem variogramu, pro podíl prachu metodou OK s exponenci{lním modelem. Z výsledků zrnitostní analýzy pozemku H{j bylo možné získat variogram se zbytkovým rozptylem nižším než celkový rozptyl (obr. 35). Pro obsah jílovitých č{stic činila hodnota ukazatele nugget:sill 0,963 pro sférický model variogramu a 0,815 pro exponenci{lní model, u kategorie prach 0,885 (sférický variogram) a 0,894 (exponenci{lní variogram) a pro podíl kategorie písek 0,983 (sférický) a 0,996 (exponenci{lní variogram). Ve všech případech lze prostorovou z{vislost klasifikovat jako slabou. Hranice prostorové z{vislosti (tab. 36, příloha č. 1) byla u varianty se sférickým modelem variogramu pro podíl jílovitých č{stic na úrovni 348,3 m, zatímco pro exponenci{lní model byla mnohem nižší, 91,1 m. V případě zastoupení kategorie prach byl rozsah variogramu 380,3 m (sférický model) a
78
440,9 m (exponenci{lní model), u podílu písčitých č{stic 592,7 m shodně pro oba modely variogramu.
a
b
c
Obr. 36 Mapové zobrazení prostorové variability obsahu jílu (a), prachu (b) a písku (c) na pozemku Pachty vytvořené metodou OKNN_sph
a
b
c
Obr. 37 Mapové zobrazení prostorové variability obsahu jílu (a), prachu (b) a písku (c) na pozemku H{j vytvořené metodou OKNN_sph
Vzhledem ke zjištění pure nugget variogramů na pozemku Pachty a nízké prostorové z{vislosti na pozemku H{j byla pro mapové zobrazení prostorové variability jednotlivých zrnitostních kategorií použita metoda běžného krigingu
79
bez výpočtu zbytkového rozptylu (OKNN). Výsledné mapy jsou zn{zorněné na obr. 36 (pozemek Pachty) a obr. 37 (pozemek H{j).
5.3 Popis prostorové variability elektrické vodivosti půdy 5.3.1 Z{kladní statistické charakteristiky Z{kladní statistické charakteristiky výsledků měření ECa půdy přístrojem EM38 v roce 2004 jsou uvedeny v tab. 16 (ECa04_orig). Z původního souboru 1885 hodnot bylo nutné odstranit z{znamy měření na souvratích, neboť při ot{čení měřící soupravy se snižuje vzd{lenost mezi měřicím přístrojem a tažným vozidlem a měření by tak mohlo být ovlivněno. D{le byly odstraněny ojedinělé body s vysokými hodnotami, které lze považovat za dodatečný šum vyvolaný např. výskytem kovových předmětů v měřícím dosahu půdního profilu.
Obr. 38 Mapa bodů měření ECa04 na pozemku Pachty po odstranění bodů na souvratích (vlevo) a grafy dvou odstraněných bodů s lok{lními extrémními hodnotami (vpravo)
Odstraněno bylo celkem 114 bodů, jak je ale patrné ze statistického zhodnocení takto upravených dat v tab. 16 (ECa04), střední hodnota se změnila pouze nepatrně, v případě medi{nu zůstala stejn{. Úprava dat se projevila na snížení rozsahu datového souboru, kdy z původního maxima 46,80 mS.m-1 byla maxim{lní hodnota po úpravě 31,40 mS.m-1. Z{roveň došlo k mírné změně rozložení hodnot – snížil se koeficient špičatosti a šikmosti, což vedlo ke snížení levostrannosti asymetrie (viz histogramy na obr. 39). Mapa bodů měření na pozemku spolu s uk{zkou grafu dvou odstraněných bodů s extrémními 80
hodnotami jsou uvedeny na obr. 38. Výpadek měřených bodů ve střední a z{padní č{sti pozemku, byl způsoben technickými problémy při měření na pozemku – přetržením kabel{že mezi EM38 a řídící jednotkou. Tab. 16 Z{kladní statistické charakteristiky ECa měření z roku 2004 a 2005 (ECa04_orig – původní dataset, ECa04 – upravený dataset)
ECa04_orig
ECa04
ECa05_orig
ECa05
mS.m
mS.m
mS.m
mS.m-1
-1
-1
-1
Aritmetický průměr
9,10
9,07
9,15
9,09
Medi{n
7,20
7,20
7,20
7,10
Směrodatn{ odchylka
5,65
5,55
6,26
6,20
31,89
30,78
39,21
38,50
Koeficient špičatosti
2,06
0,96
1,46
1,25
Koeficient šikmosti
1,34
1,19
1,12
1,08
Minimum
1,40
1,40
0,20
0,20
Maximum
46,80
31,40
49,90
49,90
Variační koef. (%)
62,07
61,20
68,42
68,28
Počet (n)
1885
1771
2801
2701
Rozptyl
Z měření provedeného na podzim 2005 bylo získ{no 2801 hodnot. Podobně jako u měření na jaře 2004 byly odstraněny body měření na souvratích a nulové hodnoty. Výsledný datový soubor obsahoval 2701 hodnot (viz obr. 41) o rozsahu 0,2 – 49,9 mS.m-1 a střední hodnotě 9,09 mS.m-1 (tab. 16). Z hodnot koeficientu šikmosti vyplýv{ levostrann{ asymetrie, což potvrzují také histogramy na obr. 39 a obr. 40. Střední hodnota ECa05 je na podobné úrovni jako ECa04, rozsah souboru dat byl ale vyšší.
Obr. 39 Histogramy ECa Pachty z roku 2004 původního souboru dat (ECa04_orig) a datového souboru po úpravě (ECa04)
81
Obr. 40 Histogramy ECa Pachty z roku 2005 původního souboru dat (ECa05_orig) a datového souboru po úpravě (ECa05)
Na pozemku H{j bylo měření elektrické vodivosti půdy provedeno přístrojem EM38 v roce 2007 (ECa07) a přístrojem CMD v roce 2009 (ECa09). Z měření přístrojem EM38 byl získ{n datový soubor o celkovém počtu 1332 hodnot. V tomto souboru byly, podobně jako u měření EM38 na pozemku Pachty, odstraněny z{znamy měření nach{zejících se na souvratích pozemku (obr. 42). Odstranění bodů s ojedinělými extrémními hodnotami v tomto případě nebylo nutné. Celkem bylo odstraněno 119 bodů, přičemž z{kladní statistické charakteristiky se touto úpravou změnily jen nepatrně (tab. 17).
Obr. 41 Mapa bodů měření ECa05 souvratích
na pozemku Pachty po odstranění bodů na
Měření ECa přístrojem CMD v roce 2009 bylo prov{děno chůzí po pozemku, nebylo proto zapotřebí odstraňovat z{znamy na souvratích. Interval z{znamu 3 sekundy a nižší rychlost pohybu po pozemku vedly k získ{ní mnohem vyššího počtu z{znamů než v případě měření s EM38. Střední hodnota ECa09 je podstatně 82
vyšší než ECa07, stejně jako rozsah souboru. Obojí měření byla provedena brzy na jaře, v roce 2009 však byly na jaře lepší vl{hové podmínky způsobené pozdním t{ním sněhové pokrývky. To může být příčinou vyšších naměřených hodnot, čemuž odpovíd{ vyšší minim{lní (1,20 mS.m-1 u ECa07; 21,76 mS.m-1 u ECa09) a maxim{lní hodnota souboru (27,90 mS.m-1 u ECa07; 111,74 mS.m-1 u ECa09). Další příčinnou může být rozdíln{ citlivost měřících přístrojů, kterou však nebylo možné re{lně ověřit z důvodu pořízen přístroje CMD koncem roku 2008 a neopravitelné poruchy EM38 v roce 2007. Tab. 17 Z{kladní statistické charakteristiky ECa měření na pozemku H{j z roku 2007 a 2009 (ECa07_orig – původní dataset, ECa07 – upravený dataset)
ECa07_orig
ECa07
ECa09
mS.m
mS.m
mS.m-1
-1
-1
Aritmetický průměr Medi{n Směrodatn{ odchylka Rozptyl Koeficient špičatosti Koeficient šikmosti Minimum Maximum Variační koef. (%)
19,32 22,80 7,01 49,17 -0,54 -1,02 0,70 27,90 36,29
19,39 22,90 6,91 47,80 -0,55 -1,03 1,20 27,90 35,66
46,63 44,39 11,12 123,68 2,56 1,23 21,76 111,74 23,85
Počet (n)
1332
1213
4151
Také rozložení hodnot obou datových souborů je rozdílné. Hodnota koeficientu šikmosti ECa09 vypovíd{ o levostranné asymetrii, což potvrzuje také histogram na obr. 43. Z histogramu ECa07 je zřetelně patrné bimod{lní rozložení hodnot. To ukazuje na rozdělení souboru dat na dvě č{sti, přičemž prahov{ hodnota, rozdělující datový soubor na dvě č{sti, se pohybuje zhruba kolem 15 mS.m-1.
83
Obr. 42 Mapa bodů měření ECa07 na pozemku H{j po odstranění bodů na souvratích (vlevo) a mapa bodů měření ECa09
Obr. 43 Histogramy výsledků měření ECa na pozemku H{j
84
5.3.2 Hodnocení prostorové variability elektrické vodivosti půdy Podobně jako u půdního vzorkov{ní, byla pro výběr interpolačních technik a jejich nastavení použita metoda cross-validation, konkrétně ukazatel RMSE. Kromě sledov{ní vlivu interpolační metody (OK, IDW), logaritmické transformace (logOK), použitého modelového variogramu (sph, exp) a směrovosti (iso, ani) byl také sledov{n vliv rozdílného nastavení lag size při interpolaci. Jak již bylo pops{no v kap. 5.1.2, hodnota parametru lag size ovlivňuje měřítko pozorov{ní, resp. jeho detailnost. Zpravidla odpovíd{ vzd{lenosti pozorov{ní v pravidelné síti. Vzd{lenost bodů měření ECa není pravideln{, pohybuje se v rozsahu 15 - 30 m mezi liniemi měření, 2 m (CMD) až 15 m (EM38) mezi body v jednotlivých liniích. Hodnota lag size byla proto nastavena na 20 m. Pro zachycení prostorové variability s delším rozsahem byla do sledov{ní přid{na varianta s lag size 100 m. Tab. 18 Parametry variant prostorových interpolací s nejnižší dosaženou hodnotou RMSE na z{kladě cross-validation hodnocení pro měření ECa (OK – ordinary kriging, logOK - ordinary kriging s logaritmickou transformací dat; iso – všesměrový variogram, ani –anizotropní variogram; exp – exponenci{lní model variogramu; lg20 – lag size 20 m; range max – maxim{lní rozsah variogramu, range min – minim{lní rozsah anizotropního variogramu při zvoleném směrovém úhlu, sill – pr{h neboli celkový rozptyl, nugget – zbytkový rozptyl, nugget:sill – podíl zbytkového rozptylu na celkovém rozptylu).
měření ECa metoda interpolace model variogramu lag size směrovost ME RMSE AKSE AKSE-RMSE MSPE RMSP Range (max) Range (min) Směr. úhel Sill Nugget Nugget:sill
ECa04 logOK exp lg20 ani 0.103 2.148 4.063 3.399 0.007 0.665 237.1 134.7 18.8 134.70 0.000 0.000
ECa05 logOK exp lg20 ani 0.103 4.615 2.148 4.063 3.399 0.007 237.1 132.5 24.3 132.51 0.000 0.000
ECa07 OK exp lg20 ani 0.002 0.858 1.316 0.667 0.001 0.648 237.1 192.5 276.3 192.54 0.000 0.000
ECa09 OK exp lg20 iso 0.036 2.315 3.555 2.848 0.006 0.708 128.1 128.1 119.18 2.661 0.022
Výsledky cross-validation v podobě ukazatelů odchylek predikce hodnot a parametrů variogramů jsou uvedeny v tab. 38 až tab. 41 přílohy č. 1. Tab. 18 uv{dí
85
vybrané varianty interpolací, které dos{hly nejlepších výsledků predikce, hodnocených na z{kladě ukazatele RMSE. Tou byla v případě měření na pozemku ECa04 a ECa05 shodně varianta běžného krigingu s logaritmickou transformací dat, exponenci{lním modelem variogramu se zohledněním směrové z{vislosti a lag size o vzd{lenosti 20 m (viz obr. 44 a obr. 45). Použití logaritmické transformace dat odpovíd{ rozložení dat datového souboru s koeficientem šikmosti 1,19 (ECa04) a 1,08 (ECa05), avšak výsledn{ hodnota RMSE se příliš neliší od podobné varianty interpolace bez transformace dat.
Obr. 44 Graf odchylky RMSE jednotlivých variant interpolačních postupů měření ECa04 na pozemku Pachty (nejnižší RMSE zvýrazněno)
Obr. 45 Graf odchylky RMSE jednotlivých variant interpolačních postupů měření ECa05 na pozemku Pachty (nejnižší RMSE zvýrazněno)
U měření ECa na pozemku H{j (ECa07, ECa09) byla nejspolehlivější predikční metodou varianta OK s exponenci{lním variogramem a lag size 20 m. Koeficient šikmosti datového souboru překračoval limitní hranici -1/1, v tomto případě ale bylo nejnižší odchylky dosaženo bez transformace dat. Pro ECa07 byla zvolena varianta se zohledněním anizotropie variogramu, u ECa09 se všesměrovým
86
variogramem (obr. 46). Z grafu RMSE odchylek ECa07 jsou ale patrné nevýrazné rozdíly mezi sledovanými variantami nastavení interpolačních postupů.
Obr. 46 Graf odchylky RMSE jednotlivých variant interpolačních postupů měření ECa07 na pozemku H{j (nejnižší RMSE zvýrazněno)
Obr. 47 Graf odchylky RMSE jednotlivých variant interpolačních postupů měření ECa09 na pozemku H{j (nejnižší RMSE zvýrazněno)
Z parametrů variogramu, uvedených v tab. 18, lze usuzovat o rozsahu a míře prostorové z{vislosti. Měření ECa04 a ECa05 vykazují podobné znaky prostorové variability. Rozsah prostorové z{vislosti při anizotropii o úhlu 18,8° a 24,3° byl na úrovni 134,7 m (ECa04) a 132,51 m (ECa05). Míru prostorové z{vislosti, hodnocené na z{kladě poměru zbytkového a celkového rozptylu nugget:sill, nebylo možné stanovit, protože při exponenci{lním variogramu byl vypočten nulový zbytkový rozptyl. Z ostatních variant interpolačních postupů ale vyplýv{, že poměr nugget:sill u většiny variant s lag size 20 m nepřekračoval hodnotu 0,25, což odpovíd{ vysoké prostorové z{vislosti. Měření na pozemku H{j v roce 2007 vyk{zalo rozsah prostorové z{vislosti 192,5 m při směrovém úhlu 276,3°. Podobně jako ECa04 a ECa05 není možné kvůli vypočtené nulové hodnotě zbytkového rozptylu stanovit míru prostorové 87
z{vislosti, v tomto případě u všech sledovaných variant interpolačních postupů. Jin{ situace byla v případě výsledků měření ECa09. Prostorov{ z{vislost se při všesměrovém variogramu pohybovala na úrovni 128,1 m, přičemž hodnota ukazatele nugget:sill 0,022 odpovíd{ silné prostorové z{vislosti.
Obr. 48 Mapové zobrazení prostorové variability měření elektrické vodivosti půdy ECa04 a ECa05 na pozemku Pachty
Podobnostem mezi znaky prostorové variability na pozemku Pachty odpovídají i výsledné půdní mapy ECa04 a ECa05 (obr. 48), které zřetelně vykazují totožné prostorové struktury rozložení hodnot elektrické vodivosti. Naproti tomu výsledné mapy ECa07 a ECa09 na pozemku H{j jsou zcela odlišné. Bimod{lní distribuce hodnot ECa07, patrn{ z histogramu na obr. 43, se projevuje rozdělením pozemku na dvě č{sti – jižní s vyššími hodnotami ECa a severní s nižšími. Naproti tomu mapa ECa09 ukazuje lok{lní zvýšené hodnoty na několika místech ve východní č{sti pozemku.
88
Obr. 49 Mapové zobrazení prostorové variability měření elektrické vodivosti půdy ECa07 a ECa09 na pozemku H{j
5.4 Popis prostorové variability d{lkovým průzkumem Digit{lní letecké snímky byly georeferencov{ny a ortorektifikov{ny pro převedení do mapového zobrazení v souřadném systému S-JTSK. Snímky z digit{lní zrcadlovky a multispektr{lní kamery byly ud{v{ny v digit{lních hodnot{ch pixelu DN (digital number), který při 8 bitovém z{znamu nabýv{ hodnot 0 – 255 DN pro každé spektr{lní p{smo. Hodnoty na snímcích termokamery přímo vyjadřují teplotu sledovaného povrchu ve stupních Celsia. Výsledné ortofotosnímky jsou zn{zorněny na obr. 50. Při snímkov{ní v roce 2008 nebylo z důvodu poruchy gyrostabilizačního r{mu kompenzov{no naklonění letounu. To na pozemku Pachty vedlo k vyosení snímací aparatury a k nepokrytí č{sti sledované oblasti, což se nejvíce projevilo u snímků z term{lní kamery a digit{lní zrcadlovky.
89
Obr. 50 Ortofota pozemku Pachty (nahoře) a H{j (dole): ve viditelném spektru z digit{lní zrcadlovky Nikon D80 (vlevo); term{lní snímky z termokamery Fluke Ti55FT (uprostřed) a multispektr{lní snímky (vpravo) v nepravých barv{ch (konfigurace p{sem NIR-R-G) z kamery DuncanTech MS3100.
5.4.1 Analýzy digit{lních leteckých snímků Vícep{smové snímky z digit{lní zrcadlovky a multispektr{lní kamery byly analyzov{ny po jednotlivých kan{lech – v konfiguraci R, G, B (nikon D80) nebo NIR, R, G (MS3100). Současně byly tyto snímky zpracov{ny metodou analýzy hlavních komponent (PCA – principle component analysis). PCA je metoda, kter{ transformuje origin{lní obrazov{ data d{lkového průzkumu do podstatně menšího a snadněji interpretovatelného souboru nekorelovaných proměnných, které reprezentují většinu informací obsažených v původních datech (Jensen, 2005). Dle Melouna a Militkého (2004) se jedn{ o jednu z nejstarších a nejvíce používaných metod vícerozměrné analýzy, jejímž cílem je především zjednodušení popisu skupiny vz{jemně line{rně z{vislých čili korelovaných znaků. PCA tedy omezuje počet p{sem pro další zpracov{ní bez
90
podstatné ztr{ty informace – redukuje dimenzionalitu dat (Dobrovolný, 1998). Výsledkem jsou nové nekorelované proměnné, nazývané hlavní komponenty, přičemž každ{ komponenta představuje line{rní kombinaci původních znaků.
Obr. 51 Stanovení první (vlevo) a n{sledně druhé (vpravo) osy komponent PCA analýzy (Erdas, 2008)
Z{kladní charakteristikou každé hlavní komponenty je její míra variability čili rozptyl, kter{ je také označovan{ jako eigenvalue. Z této hodnoty je možné stanovit, jaký podíl variance z celkového rozptylu původních obrazových dat vysvětlují jednotlivé komponenty a také kter{ původní p{sma se v dané komponentě nejvíce projevily (Jensen, 2005). Hlavní komponenty jsou seřazeny dle důležitosti, tzn. dle klesajícího rozptylu. První komponenta obsahuje maximum možného rozptylu všech line{rních kombinací origin{lních p{sem obrazu, druh{ obsahuje maxim{lně možný rozptyl v ose kolmé na první komponentu, apod. (Schowengerdt, 2007). Poslední hlavní komponenta obsahuje vysoký podíl šumu, protože m{ velmi nízký rozptyl, který je zpravidla způsoben výskytem šumu v origin{lních datech (ITT Visual Information Solutions, 2008). Z toho vyplýv{, že většina informací o variabilitě původních dat je obsažena v první a druhé komponentě, nejméně informací nese poslední komponenta. Nejvyšší možný počet komponent je roven počtu p{sem původního obrazu. Kromě redukce p{sem obrazových dat je možné PCA metodu použít pro kombinaci rozdílných navz{jem korelujících vstupních dat. Leon et al. (2003) použili metodu PCA pro nalezení faktorů významně ovlivňujících variabilitu porostu na pozemku. Hlavní komponenty byly vypočteny z topografických dat (nadmořsk{ výška a sklon) a půdních vlastností (zrnitost půdy, z{sobenost živinami). Hlavní komponenty s hodnotou eigenvalue vyšší jak 1 byly pak použity pro regresní analýzu s multispektr{lními snímky. Často je metoda PCA v kombinaci s n{slednou klasifikací nebo segmentací výsledných hlavních komponent využív{na při stanovov{ní management zón z výsledků přímých a nepřímých měření půdních a porostních parametrů (např. Li et al., 2007; Ortega a Santibanez, 2007; Shanahan et al., 2008; Xin-Zhong et al., 2009). Redukce dat
91
pomocí PCA může být také použita pro stanovení nejvhodnějších termínů pro měření z časové řady dat, např. optim{lní termín snímkov{ní pro konvenčního a konzervačního zpracov{ní půdy (Haché et al., 2007). Výsledky PCA analýzy, resp. jednotlivé hlavní komponenty DSLR a multispektr{lních snímků, jsou zobrazeny na obr. 52 (Pachty) a obr. 53 (H{j). Z procentu{lního podílu jednotlivých komponent na celkovém rozptylu (ukazatel %p) vyplýv{ značně převažující podíl první komponenty. Na pozemku Pachty první komponenta vysvětluje 94,77 % rozptylu dat DSLR snímku a 98,79 % u multispektr{lního snímku (tab. 19). Tab. 19 Podíl hlavních komponent na celkovém rozptylu a jejich korelace s p{smy DSLR a MS snímků na pozemku Pachty
%p r(R)/(NIR) r(G)/(R) r(B)/(G)
Pachty_DSLR_08_PCA c1 c2 c3 94,773 5,118 0,108 0,981 -0,195 0,019 0,997 0,067 -0,045 0,911 0,412 0,036
Pachty_MS_08_PCA c1 c2 c3 98,791 0,837 0,372 0,991 0,130 0,019 0,996 -0,040 -0,075 0,994 -0,087 0,070
%p – procentu{lní podíl jednotlivých komponent c1, c2 a c3 na celkovém rozptylu dat r(R)/(NIR) – korelační koeficient mezi R (DSLR) nebo NIR (MS) p{smem snímku a PCA komponenty r(G)/(R) – korelační koeficient mezi G (DSLR) nebo R (MS) p{smem snímku a PCA komponenty r(B)/(G) – korelační koeficient mezi B (DSLR) nebo G (MS) p{smem snímku a PCA komponenty
Tab. 20 Podíl hlavních komponent na celkovém rozptylu a jejich korelace s p{smy DSLR a MS snímků na pozemku H{j
H{j_DSLR_08_PCA
H{j_DSLR_08_PCA
c1
c2
c3
c1
c2
c3
%p
98,145
1,688
0,167
99,088
0,876
0,037
r(R)/(NIR)
0,995
-0,098
0,021
0,945
0,326
0,009
r(G)/(R)
0,997
0,049
-0,057
1,000
-0,013
-0,020
r(B)/(G)
0,958
0,282
0,053
0,999
-0,038
0,019
%p – procentu{lní podíl jednotlivých komponent c1, c2 a c3 na celkovém rozptylu dat r(R)/(NIR) – korelační koeficient mezi R (DSLR) nebo NIR (MS) p{smem snímku a PCA komponenty r(G)/(R) – korelační koeficient mezi G (DSLR) nebo R (MS) p{smem snímku a PCA komponenty r(B)/(G) – korelační koeficient mezi B (DSLR) nebo G (MS) p{smem snímku a PCA komponenty r(B)/(G) – korelační koeficient mezi B (DSLR) nebo G (MS) p{smem snímku a PCA komponenty
92
Obr. 52 Výsledky analýzy hlavních komponent leteckých snímků na pozemku Pachty (DSLR snímky jsou zobrazeny nahoře, multispektr{lní dole; jednotlivé komponenty – c1 až c3 - jsou zobrazeny zleva doprava)
Podobně také na pozemku H{j vysvětluje c1 komponenta 98,15 % (DSLR) a 99,09 % (MS) celkového rozptylu (tab. 20). Dle oček{v{ní bylo nejnižšího podílu dosaženo u třetích komponent, které tak byly z dalšího sledov{ní vyřazeny. Hodnota korelačního koeficientu mezi původními p{smy snímku a hlavními komponenty ukazuje ve všech případech na velmi těsný vztah mezi jednotlivými spektr{lními oblastmi snímků s c1 komponentou. Ostatní komponenty vykazují nízkou až nulovou korelaci, s výjimkou modrého p{sma DSLR snímku s c2 na pozemku Pachty (r = 0,412).
93
Obr. 53 Výsledky analýzy hlavních komponent leteckých snímků na pozemku H{j (DSLR snímky jsou zobrazeny nahoře, multispektr{lní dole; jednotlivé komponenty – c1 až c3 - jsou zobrazeny zleva doprava)
5.5 Porovn{ní přímých a nepřímých metod 5.5.1 Vstupní data a způsob výpočtu Pro hodnocení možnosti využití nepřímých metod pro mapov{ní plošné variability půdních podmínek byly výsledky těchto měření, tedy měření ECa půdy a letecké snímkov{ní holé půdy, porovn{v{ny s výsledky půdního vzorkov{ní prov{děných na obou pokusných pozemcích. Na bodech odběru půdních vzorků byla vytvořena obalov{ zóna o průměru 5 m. Přiřazení hodnot nepřímých metod k těmto bodům bylo provedeno překryvnými operacemi v software ESRI ArcGIS, konkrétně metodou zónové statistiky. Ta provede výpočet z{kladních statistických charakteristik všech hodnot datové vrstvy prostorově překrývající zónovou vrstvu ve zmiňovaných zón{ch (McCoy, 2004). Počet údajů v jednotlivých zón{ch – bodech – se lišil dle hustoty měření nepřímými metodami; 94
konkrétní údaje pro jednotlivé vrstvy jsou uvedeny v tab. 21. V případě leteckého snímkov{ní je hustota měření rovna prostorovému rozlišení digit{lních snímků, které určuje počet pixelů vyskytujících se v dané bodové zóně. U měření elektrické vodivosti půdy je hustota měření d{na způsobem přejezdu po pozemku a nastavením intervalu z{znamu. Tab. 21 Parametry zónové statistiky pro jednotlivé datové vrstvy
Pozemek Dat. vrstva
Pachty
H{j
1
DEM ECa04 ECa05 DSLR_08 MS_08 Termo_08 DEM ECa07 ECa09 ECa09_pt4 DSLR_08 MS_08 Termo_08
Prostorové rozlišení 5 1 1 0.3 1 3.7 5 1 1 0.2 0.7 4
Počet hodnot v zóně 1 16-21 16-21 166-174 19-21 1-2 1 20-21 20-21 1-3 489 39-41 1-2
Počet průniků (50m)2 214 214 214 210 213 180 152 152 152 116 149 149 146
Počet průniků (zrn)3 40 40 40 39 40 34 70 70 70 56 69 70 67
- DMT – digit{lní model terénu (nadmořsk{ výška), DSLR_08 – ortofoto z kamery Nikon D80
pořízené v roce 2008, MS_08 – multispektr{lní snímek z roku 2008, Termo_08 – term{lní snímek z roku 2008 2
- počet průniků pro 50m odběrovou síť s body o průměru 5 m (Pachty - max. 214, H{j – max. 152)
3
– počet průniků odběrové sítě pro stanovení zrnitosti (Pachty – max. 40, H{j – max. 70)
4
– bodov{ data ECa09 (bez prostorové interpolace)
Výpočet zónové statistiky byl u měření ECa proveden dvojím způsobem: 1) přímým odečtením hodnot z bodových dat ECa, kter{ překrývala 5 m kruh bodů půdního vzorkov{ní, anebo 2) odečtením hodnot z rastrové mapy ECa, vytvořené prostorovou interpolací s nejspolehlivější predikcí (nejnižší hodnotou RMSE). První způsob byl použitelný pouze u měření ECa09, kdy jednotlivé linie měření půdní vodivosti odpovídaly pravidelné 50m síti půdního vzorkov{ní; výsledkem byla vrstva ECa 09_pt. U ostatních termínů měření ECa byl z důvodu nízkého počtu průniků obou vrstev proveden druhý způsob výpočtu. Z výsledků statistických charakteristik v každé zóně byl pro korelační analýzu použit aritmetický průměr.
95
5m
5m
Obr. 54 Překrytí bodu odběru o průměru 5 m s rastrovou vrstvou na pozemku H{j (vlevo Termo_08, vpravo DSLR_08; černé tečky zn{zorňují body měření ECa09)
Z důvodu možného vlivu topografie pozemku na prostorovou variabilitu půdních vlastností byl do sledov{ní zařazen i tento faktor. Mapa nadmořské výšky pozemku byla získ{na z DGPS z{znamu při měření ECa z roku 2005 (Pachty) a 2007 (H{j). Z bodových dat byla prostorovou interpolací vytvořena celoplošn{ rastrov{ mapy o prostorovém rozlišení 5 m na pixel (obr. 54). Porovn{ní nepřímých metod regresní a korelační analýzou bylo na obou pozemcích provedeno pro obojí půdní vzorkov{ní – agrochemické analýzy obsahu P, K, Mg, Ca, humusu a hodnoty pH v pravidelné 50m odběrové síti a odběry vzorků pro stanovení půdní zrnitosti.
5.5.2 Korelace agrochemických vlastností půdy a nepřímých metod Výsledky korelační analýzy agrochemických analýz půdních vzorků (vč. obsahu humusu) a nepřímých metod jsou uvedeny v tab. 22 (pozemek Pachty) a v tab. 23 (pozemek H{j). Hodnota pH na pozemku Pachty nejvíce korelovala s výsledky ECa04 (r = 0,565**) a s DSLR_08_PCAc2 (r = 0,564**), což znamen{, že těmito metodami lze vysvětlit zhruba 32 % variability hodnoty pH. Středně siln{ korelace byla d{le zjištěna u vrstvy ECa05, MS_08_G a červeným kan{lem DSLR a multispektr{lních snímků. S výjimkou nejnižší dosažené korelace s modrým kan{lem DSLR snímku (r = -0,082) a nadmořskou výškou DEM (r = -0,260**) se hodnota korelačního koeficientu pohybovala nad r = ±0,3, přičemž převažovala negativní korelace. Kladnou korelaci vyk{zaly pouze metody měření ECa půdy, termosnímky a druhé komponenty PCA analýzy viditelných a multispektr{lních leteckých snímků. U obsahu P byla s výjimkou MS_08_PCAc2 a DSLR_08_B vypočtena střední z{vislost se všemi sledovanými metodami. Nejvyšší korelace byla dosažena multispektr{lními snímky, konkrétně první komponentou PCA snímku (r = 0,653**), NIR (r = 0,638**) a červeným spektrem (r = 0,630**). Obsah Mg vyk{zal nejvyšší korelace s měřením ECa půdy (r = 0,577** s ECa04, r = 0,516** s ECa05) a druhou komponentou DSLR snímku (r = 0,525**), nejnižší s modrým (r = 0,074) a zeleným (r = -0,181) spektrem DSLR ortofota. Ostatní metody se pohybovaly na 96
úrovni korelace r = ±0,2 až ±0,4. Korelace s obsahem Ca byla u všech metod na nízké úrovni, nejvyšší byla vypočtena mezi c2 komponentou DSLR snímku (r = 0,284**), ECa04 (r = 0,268**) a ECa05 (r = 0,215**). Ostatní metody nepřekročily hranici r = ± 0,2. Příčinou těchto nízkých korelací je zřejmě extrémní rozpětí hodnot Ca, zvl{ště v oblastech pozemku, kde byla v minulosti provedena nav{žka cukrovarnického odpadu (viz kap. 5.1.1). Poslední ze zkoumaných vlastností, obsah humusu, vyk{zal nejvyšší korelace se zeleným (r = -0,581**) a červeným p{smem (r = -0,551**) multispektr{lního snímku a druhou komponentou DSLR ortofota (r = 0,556**). Nejnižší korelace byla nalezena u c2 komponenty MS snímku (r = 0,071) a modrého p{sma DSLR (r = -0,138**). Tab. 22 Korelační koeficienty porovn{ní výsledků agrochemických analýz půdních vzorků a obsahu humusu s nepřímými metodami na pozemku Pachty datov{ vrstva
Pachty_50m n
pH
P
K
Mg
DEM ECa04 ECa05 DSLR_08_R DSLR_08_G DSLR_08_B DSLR_08_PCAc1 DSLR_08_PCAc2 MS_08_NIR MS_08_R MS_08_G MS_08_PCAc1
214 214 214 210 210 210 210 210 213 213 213 213
-0.260** 0.565** 0.536** -0.452** -0.318** -0.082 -0.371** 0.564** -0.379** -0.446** -0.498** -0.410**
0.496** -0.575** -0.565** 0.606** 0.543** 0.273** 0.560** -0.563** 0.638** 0.630** 0.617** 0.653**
0.389** -0.500** -0.487** 0.548** 0.479** 0.237** 0.501** -0.521** 0.549** 0.555** 0.568** 0.593**
-0.383** 0.577** 0.516** -0.311** -0.181** 0.074 -0.225** 0.525** -0.326** -0.363** -0.397** -0.347**
-0.164* 0.268** 0.215** -0.072 0.031 0.162* -0.007 0.284** -0.015 -0.051 -0.089 -0.028
-0.475** 0.469** 0.502** -0.494** -0.393** -0.138* -0.428** 0.556** -0.547** -0.551** -0.581** -0.547**
MS_08_PCAc2
213
0.355**
-0.046**
-0.317**
0.215**
0.196**
0.071
Termo_08
180
0.424
-0.534
-0.569
0.363
0.079
0.276**
**
**
**
Ca
**
hum
*- statistick{ průkaznost na hladině α = 0,05 **- statistick{ průkaznost na hladině α = 0,01
Na pozemku H{j byly obecně vypočtené hodnoty korelačních koeficientů nižší než na pozemku Pachty. Hodnota pH nejvíce korelovala s metodami d{lkového průzkumu, konkrétně MS_08_G (r = -0,398**), DSLR_08_R (r = -0,394**) a DSLR_08_PCAc1 (r = -0,391**). Naopak nejnižší korelace vyk{zala obě měření ECa, DEM a term{lní snímek. Nejvyšší korelace s obsahem P byly nalezeny u obou způsobů odečtu hodnot ECa09 (r = -0,258** pro ECa09; r = -0,257** pro ECa09_pt) a druhou komponentou DSLR snímku (r = 0,190*). Ostatní korelace byly na velmi nízké úrovni, přičemž nejnižší vyk{zaly B a G kan{l DSLR snímku a DEM. Obsah K byl nejtěsnější vztah vypočten pro R kan{l (r = -0,240**) a c1 (r = -0,229**) komponentu multispektr{lního snímku a pro nadmořskou výšku (r = -0,231**). 97
Nejnižší korelace byla nalezena u vrstvy ECa07 a c2 komponenty MS snímku. Obsah Mg vyk{zal nejvyšší korelaci s R kan{lem MS snímku (r = -0,289**) a oběma vrstvami ECa09 (r = 0,284**). Naopak nejnižší korelace byla vypočtena u druhé komponenty DSLR a termosnímku. Nejvyšší hodnoty korelačního koeficientu pro obsahu Ca byly dosaženy u DSLR snímku, konkrétně pro kan{l B (r = -0,347**), G (r = -0,286**) a PCA vrstvu c1 (r = -0,294**). Nejnižší korelace byla nalezena u vrstvy DEM a ECa07. Poslední ze zkoumaných vlastností, obsah humusu, vyk{zal nejvyšší korelace s R (r = -0,501**) a c1 (r = -0,470**) vrstvou DSLR snímku a s R kan{lem MS snímku (r = -0,452**). Nejnižší korelace byla vypočtena s měřením ECa09. Tab. 23 Korelační koeficienty porovn{ní výsledků agrochemických analýz půdních vzorků a obsahu humusu s nepřímými metodami na pozemku H{j datov{ vrstva
H{j_50m n
pH
P
K
Ca
hum
**
Mg *
**
DEM ECa07 ECa09 ECa09_pt1 DSLR_08_R DSLR_08_G DSLR_08_B DSLR_08_PCAc1 DSLR_08_PCAc2 MS_08_NIR MS_08_R MS_08_G
152 152 152 116 149 149 149 149 149 149 149 149
0.056 -0.161 -0.057 -0.037 -0.394** -0.380** -0.374** -0.391** 0.082 -0.300** -0.319** -0.398**
0.062 0.078 -0.258** -0.257** -0.102 -0.062 -0.037 -0.082 0.190* -0.090 -0.095 -0.091
-0.231 0.065 0.174* 0.195* -0.178* -0.154 -0.158 -0.169* 0.075 -0.221** -0.240** -0.217**
-0.177 0.205* 0.284** 0.284** -0.196* -0.196* -0.206* -0.199* -0.017 -0.282** -0.289** -0.268**
-0.051 -0.109 0.144 0.123 -0.281** -0.286** -0.347** -0.294** -0.142 -0.200* -0.229** -0.252**
-0.370 -0.222** 0.061 0.100 -0.501** -0.448** -0.360** -0.470** 0.398** -0.419** -0.452** -0.428**
MS_08_PCAc1 MS_08_PCAc2
149 149
-0.348** -0.256**
-0.093 -0.087
-0.229** -0.217*
-0.282** -0.282**
-0.234** -0.172*
-0.439** -0.405**
Termo_08
146
0.044
-0.159
0.136
-0.033
0.162
0.194*
*- statistick{ průkaznost na hladině α = 0,05 **- statistick{ průkaznost na hladině α = 0,01 1
– zdrojem hodnot je průnik bodů měření ECa09 a 5m zóny bodu odběru vzorků
5.5.3 Korelace zrnitosti půdy a nepřímých metod Výsledky korelační analýzy pro 5m obalové zóny odběrových bodů jsou uvedeny v tab. 24 (pozemek Pachty) a tab. 25 (pozemek H{j). Na pozemku Pachty bylo u podílu jílnatých č{stic dosaženo u všech metod, s výjimkou B kan{lu DSLR snímku, DEM a MS_PCA_c2, středně silné korelace s hodnotou r > ±0,5. Nejtěsnější vztah byl vypočten pro metodu term{lního snímkov{ní (r = 0,644**) a R (r = -0,551**) a G (r = -0,557**) p{sem MS snímků. Pro 98
podíl prachu nebyla nalezena signifikantní korelace, všechny hodnoty korelačního koeficientu byly na mnohem nižší úrovni než u podílu jílu. Nejvyšší korelace bylo dosaženo s druhou komponentou PCA analýzy (r = 0,259) a NIR p{smem (r = 0,237) multispektr{lních snímků a s nadmořskou výškou (r = 0,234). Naopak nejnižší korelace vyk{zaly metody měření ECa půdy a term{lní snímkov{ní. V případě poslední hodnocené frakce půdní zrnitosti, podílu písku, byla nejvyšší z{vislost dosažena metodou term{lního snímkov{ní (r = -0,484**), c2 komponentami MS (r = -0,424**) a DSLR (r = -0,348*) snímku. Nejnižší korelaci vyk{zala nadmořsk{ výška a modrý kan{l DSLR snímku. Tab. 24 Korelační koeficienty porovn{ní výsledků stanovení zrnitosti půdy a nepřímých metod na pozemku Pachty datov{ vrstva
Pachty_zrn n
jíl
prach
písek
DEM ECa04 ECa05 DSLR_08_R DSLR_08_G DSLR_08_B DSLR_08_PCAc1 DSLR_08_PCAc2 MS_08_NIR MS_08_R MS_08_G MS_08_PCAc1 MS_08_PCAc2
40 40 40 39 39 39 39 39 40 40 40 40 40
-0.312* 0.433** 0.482** -0.522** -0.498** -0.293 -0.506** 0.505** -0.507** -0.551** -0.557** -0.540** 0.349*
0.234 -0.088 -0.083 0.157 0.145 0.140 0.156 -0.122 0.237 0.190 0.190 0.206 0.259
0.121 -0.299 -0.342* 0.344* 0.331* 0.166 0.332* -0.348* 0.277 0.337* 0.343* 0.321* -0.424**
Termo_08
34
0.644**
-0.076
-0.484**
*- statistick{ průkaznost na hladině α = 0,05 **- statistick{ průkaznost na hladině α = 0,01
Z výsledků zrnitostní analýzy na pozemku H{j byly obecně vyšší korelace dosaženy pro podíl jílnatých č{stic a pro frakci prachu, naopak v případě obsahu písku nebylo signifikantní korelace dosaženo. Průkaznou korelaci s obsahem jílu vyk{zala metoda ECa09 (r = 0,382** pro ECa09_pt; r = 0,373** pro ECa09) a termosnímek (r = 0,261*). Podobně v případě podílu prachu byly jediné signifikantní korelace nalezeny s ECa09_pt (r = -0,390**), ECa09 (r = -0,381**) a term{lní snímek (r = -0,312**).
99
Tab. 25 Korelační koeficienty porovn{ní výsledků stanovení zrnitosti půdy a nepřímých metod na pozemku Pachty datov{ vrstva
H{j_zrn n
jíl
prach
písek
DEM ECa07
70 70
-0.160 0.048
0.174 0.022
0.035 -0.087
ECa09 ECa09_pt1
70 56
0.373** 0.382**
-0.381** -0.390**
-0.107 -0.074
DSLR_08_R DSLR_08_G
69 69
-0.032 -0.059
0.154 0.166
-0.116 -0.093
DSLR_08_B DSLR_08_PCAc1
69 69
-0.109 -0.051
0.213 0.167
-0.075 -0.104
DSLR_08_PCAc2 MS_08_NIR MS_08_R MS_08_G
69 69 69 69
-0.230 -0.083 -0.074 -0.052
0.172 0.125 0.122 0.110
0.128 -0.018 -0.027 -0.044
MS_08_PCAc1 MS_08_PCAc2
69 69
-0.068 -0.095
0.119 0.129
-0.032 -0.007
Termo_08
67
0.261*
-0.312**
-0.020
*- statistick{ průkaznost na hladině α = 0,05 **- statistick{ průkaznost na hladině α = 0,01 1
– zdrojem hodnot je průnik bodů měření ECa09 a 5m zóny bodu odběru vzorků
5.5.4 Souhrn výsledků korelačních analýz Hodnocení vhodnosti sledovaných nepřímých metod pro mapov{ní obsahu přístupných živin a pH a zrnitosti půdy bylo provedeno na z{kladě výsledků korelační analýzy – ukazatelem sumy absolutních hodnot všech korelačních koeficientů a počtu korelačních koeficientů překračujících limitní hodnotu. Ta v případě pozemku Pachty činila r = ±0,5, na pozemku H{j vzhledem k nalezeným nižším hodnot{m korelačních koeficientů pak r = ±0,3. Tyto ukazatele byly stanoveny pro skupiny půdních charakteristik. Suma korelačních koeficientů a jejich počet nad limitními hodnotami byla vypočtena pro agrochemické půdní charakteristiky stanovované metodiku MehlichIII (pH, obsah P, K, Mg, Ca) z pravidelné sítě o vzd{lenosti bodů 50 m, v případě zrnitosti půdy (podíl kategorie jíl, prach, písek) byla sledov{na pouze suma korelačních koeficientů v odpovídající odběrové síti. Korelace nepřímých metod s obsahem humusu je pops{na v kap. 5.5.2. Nejvyššího počtu korelací r > ±0,5 s výsledky agrochemických analýz MehlichIII (pH, obsah P, K, Mg, Ca) bylo na pozemku Pachty (tab. 26) dosaženo u měření ECa půdy z roku 2004 a druhé komponenty DSLR (oba n = 4), n{sledovalo měření ECa05 (n = 3). Naopak nejnižší četnost korelací vyk{zaly 100
datové vrstvy DEM, modré p{smo DSLR a c2 komponenta multispektr{lních snímků (n = 0), v těsném z{věsu pak zelené p{smo DSLR snímku s četností n = 1. Pořadí sestavené dle četnosti zhruba odpovíd{ i sumě absolutních hodnot korelačních koeficientů - nejvyšší sumy bylo dosaženo u ECa04 (suma r = 2,485), d{le u DSLR_c2 (suma r = 2,457) a ECa05 (suma r = 2,319), nejnižší u DSLR_B (suma r = 0,829) a MS_PCA_c2 (suma r = 1,130). V případě zrnitosti půdy s výjimkou DEM, DSLR_08_G, DSLR_08_B a MS_08_PCAc2 vyk{zaly nepřímé metody maxim{lní četnost korelace (r > ±0,5) n = 1. Nejvyšší suma korelačních koeficientů byla dosažena term{lním snímkov{ním (suma r = 1,205) a zelenými (suma r = 1,090) a červenými (suma r = 1,078) p{smy multispektr{lních snímků. Nejnižší sumu korelací pak vyk{zaly vrstvy DSLR_08_B (suma r = 0,599), DEM (suma r = 0,667) a ECa04 (suma r = 0,820). Tab. 26 Souhrn porovn{ní přímých a nepřímých metod na pozemku Pachty (suma absolutní hodnoty korelačních koeficientů a počet dosažených hodnot korelačních koef. r > 0,5) suma r (MehIII)
suma r (zrn)
datov{ vrstva
počet r>0.5 (MehIII)
počet r>0.5 (zrn)
DEM ECa04 ECa05 DSLR_08_R
1.693 2.485 2.319 1.989
0.667 0.820 0.907 1.023
0 4 3 2
0 1 1 1
DSLR_08_G DSLR_08_B
1.553 0.829
0.974 0.599
1 0
0 0
DSLR_08_PCAc1 DSLR_08_PCAc2
1.663 2.457
0.994 0.974
2 4
1 1
MS_08_NIR MS_08_R
1.907 2.045
1.020 1.078
2 2
1 1
MS_08_G MS_08_PCAc1
2.168 2.032
1.090 1.067
2 2
1 1
MS_08_PCAc2
1.130
1.033
0
0
Termo_08
1.971
1.205
2
1
MehIII – suma absolutních hodnot korelačních koeficientů přístupných živin (P, K, Mg, Ca) a hodnoty pH v 50 m odběrové síti zrn - suma absolutních hodnot korelačních koeficientů podílu zrnitostních frakcí (jíl, prach, písek)
Na pozemku H{j (tab. 27) bylo s výsledky agrochemických analýz MehlichIII (pH, obsah P, K, Mg, Ca) nejvyššího počtů korelací r > ±0,3 dosaženo u modrého p{sma DSLR snímků (n = 2) a d{le s četností n = 1 u R a G p{sem a c1 vrstev DSLR a multispektr{lních snímků. Ostatní vrstvy nevyk{zaly korelaci překračující 101
stanovenou hodnotu korelačního koeficientu. Nejvyšší sumu korelačních koeficientů vyk{zaly vrstvy multispektr{lního snímku – zelené p{smo (suma r = 1,226), c1 komponenta PCA (suma r = 1,186) a červené p{smo (suma r = 1,172), nejnižší suma byla naopak zjištěna u c2 komponenty MS snímku (suma r = 0,506), termosnímku (suma r = 0,534) a DEM (suma r = 0,577). Tab. 27 Souhrn porovn{ní přímých a nepřímých metod na pozemku H{j (suma absolutní hodnoty korelačních koeficientů a počet dosažených hodnot korelačních koef. r > 0,3) suma r (MehIII)
suma r (zrn)
počet r>0.3 (MehIII)
počet r>0.3 (zrn)
DEM
0.577
0.368
0
0
ECa07 ECa09 ECa09_pt DSLR_08_R DSLR_08_G DSLR_08_B DSLR_08_PCAc1 DSLR_08_PCAc2 MS_08_NIR MS_08_R
0.617 0.918 0.897 1.151 1.078 1.122 1.134 0.506 1.093 1.172
0.157 0.861 0.846 0.302 0.318 0.396 0.322 0.530 0.226 0.224
0 0 0 1 1 2 1 0 1 1
0 2 2 0 0 0 0 0 0 0
MS_08_G MS_08_PCAc1 MS_08_PCAc2
1.226 1.186 1.014
0.207 0.219 0.230
1 1 0
0 0 0
Termo_08
0.534
0.594
0
1
datov{ vrstva
MehIII – suma absolutních hodnot korelačních koeficientů přístupných živin (P, K, Mg, Ca) a hodnoty pH v 50 m odběrové síti zrn - suma absolutních hodnot korelačních koeficientů podílu zrnitostních frakcí (jíl, prach, písek)
U zrnitosti půdy bylo nejvyšší četnosti korelačních koeficientů r > ±0,3 dosaženo měřením ECa půdy v roce 2009 (v obou případech metody odečtu hodnot ECa n = 2) a term{lním snímkem (n = 1). Hodnoty korelačních koeficientů ostatních vrstev nepřekračovaly stanovenou limitní hodnotu. Tomu odpovíd{ také pořadí vrstev dle sestavené dle sumy absolutních hodnot korelačních koeficientů – nejlepší výsledky poskytla měření ECa v roce 2009 (suma r = 0,861 pro ECa09; 0,846 pro ECa09_pt) a termosnímek (suma r = 0,594). Nejnižší suma byla zjištěna u ECa07 (suma r = 0,157) a G (suma r = 0,207) a c1 (suma r = 0,219) vrstvy multispektr{lních snímků.
102
5.5.5 Vz{jemné porovn{ní nepřímých metod Výsledky měření nepřímými metodami v podobě rastrových dat byly vz{jemně podrobeny korelační analýze v prostředí ArcGIS pomocí n{stroje Multivariate Statistics. Vstupními daty byly celoplošné rastrové mapy, v případě výsledků měření ECa půdy byly použity mapy vytvořené prostorovými interpolacemi s nejvyšší spolehlivostí predikce. Prostorové rozlišení snímků, z kterého lze odvodit celkový počet hodnocených p{rů n na daném pozemku, je uvedeno v tab. 21. Výsledky porovn{ní v podobě korelační matice jsou uvedeny v tab. 42 (pozemek Pachty) a tab. 43 (pozemek H{j) v příloze č. 2. Na pozemku Pachty vyk{zala nadmořsk{ výška, v podobě digit{lního výškového modelu DEM, negativní korelaci s elektrickou vodivostí půdy ECa04 (r = -0,576**) a ECa05 (r = -0,542**), druhou komponentou DSLR snímku (r = -0,564**) a term{lním snímkem (r = -0,254). U ostatních metod byly dosaženy kladné hodnoty korelačních koeficientů, přičemž středně silné korelace byly zjištěny u jednotlivých p{sem multispektr{lních snímků (r = 0,665** – 0,687**), nižší u DSLR snímků. Výsledky měření ECa půdy v obou termínech vyk{zaly silnou negativní korelaci s přímými výsledky leteckého snímkov{ní multispektr{lní kamerou (r = 0,706** až -0,753**) a DSLR (s výjimkou B kan{lu r = -0,428** až -0,588**) a kladný vztah s teplotou půdy zjištěnou z term{lního snímkov{ní (r = 0,506**). Samotné term{lní snímkov{ní, mimo zmiňované výsledky, vyk{zalo také negativní korelaci s ostatními metodami d{lkového průzkumu. Vyšší úroveň korelace byla zjištěna s jednotlivými p{smy multispektr{lního snímkov{ní (r = -0,570** až -0,623**), nižší kan{ly DSLR snímků (s výjimkou B kan{lu r = - 0,339** až -0,453**). Mezi shodnými oblastmi spektra byla u multispektr{lní kamery a DSLR fotoapar{tu nalezena korelace r = 0,771** (červené p{smo) a r = 0,605** (zelené p{smo). Podobných výsledků korelační analýzy bylo mezi sledovanými nepřímými metodami dosaženo také na pozemku H{j, ale na nižší úrovni. Z{sadním rozdílem bylo dosažení zcela odlišných výsledků mezi termíny měření ECa. ECa09 vyk{zala podobný směr z{vislosti jako ECa na pozemku Pachty, zatímco výsledky ECa07 byly zcela opačné. Digit{lní výškový model vyk{zal kladnou korelaci s ECa07 (r = 0,256**), výsledky DSLR snímkov{ní (r = 0,206** – 0,284**) a NIR p{smem multispektr{lních snímků (0,226**). Negativní korelace byla zjištěna s ECa09 (r = 0,387**) a term{lním snímkem (r = -0,553**). Při porovn{ní výsledků měření ECa půdy a d{lkového průzkumu byl nalezen vztah pouze s teplotou půdy z term{lního snímku – negativní s ECa07 (r = -0,527**) a naopak kladn{ s ECa09 (r = 0,351**). Také mezi teplotou půdy a ostatními sledovanými metodami d{lkového průzkumu nebyla nalezena významn{ z{vislost. Na rozdíl od pozemku Pachty nebyla překvapivě zjištěna korelace mezi odrazivostí stejných oblastí elektromagnetického z{ření multispektr{lní kamery a DSLR fotoapar{tu (r = 0,236** pro červenou č{st spektra, r = 0,209** pro zelenou). Zde je nutné
103
poznamenat, že nastavení z{znamu u kamer bylo stejné pro oba pozemky, neboť obě lokality jsou snímkov{ny v r{mci jednoho přeletu.
5.5.5.1 Stabilita měření ECa půdy Porovn{ní výsledků jednotlivých termínů měření ECa bylo provedeno na obou pozemcích z map ECa po prostorové interpolaci. Datové soubory byly porovn{v{ny regresní analýzou dvojím způsobem – z celoplošných rastrových map po prostorové interpolaci a z odečtených hodnot 50m bodové sítě. U prvního způsobu bylo nutné pro výpočet regrese převést rastrové mapy na bodovou vektorovou vrstvu s celkovým počtem bodů daným prostorovým rozlišením rastru 1 m na pixel (n = 525808 pro pozemek Pachty; n = 377675 pro pozemek H{j). U druhého způsobu byly z interpolované rastrové mapy odečteny hodnoty ECa na bodech o průměru 5 m v pravidelné bodové síti o vzd{lenost mezi body 50 m a na výsledném datovém souboru (n = 214 pro pozemek Pachty, n = 152 na pozemku H{j) proveden výpočet regrese. Výsledky regresní analýzy v podobě bodového grafu a rovnice regrese jsou uvedeny na obr. 55.
Obr. 55 Graf porovn{ní ECa04 a ECa05 z 50m odběrové sítě (vlevo) a z celoplošných map (vpravo) s line{rním proložením hodnot a výsledky regresní analýzy
Mezi měřeními ECa na pozemku Pachty byla nalezena vysok{ kladn{ z{vislost s hodnotou korelačního koeficientu r = 0,895** (porovn{ní odečtených hodnot ECa na bodech 50m sítě) a r = 0,890** (porovn{ní celoplošných ECa map). To potvrzuje shodnost výsledků měření, kter{ je patrna již ze samotných půdních map ECa04 a ECa05 uvedených na obr. 48 a obr. 49. Zcela rozdílných výsledků bylo dosaženo na pozemku H{j. Zde výsledky porovn{ní obou měření ECa vyk{zaly nulovou korelaci (r = 0,004). Na rozdíl od měření na pozemku Pachty bylo měření ECa prov{děno rozdílnými přístroji (EM38 v roce 2007, CMD v roce 2009). To může být jedna z příčin zjištěných rozdílů. Jak již bylo konstatov{no v kap. 5.3.1, z důvodu neopravitelné poruchy EM38 nebylo možné oba přístroje porovnat. Lze se ale domnívat, že s ohledem na shodnost technických parametrů obou přístrojů by výsledky měření byly podobné, pokud ne z hlediska absolutních hodnot ECa, tak minim{lně v jejich 104
změně s ohledem na rozdíly v půdních podmínk{ch. Příčinou ale také může být rozdělení pozemku pro pěstov{ní více plodin. Tuto situaci dokumentuje letecký snímek z roku 2006 uvedený na obr. 56. V roce 2006 byla na 18,7 ha v severní č{sti pozemku pěstov{na cukrovka, zbývající č{st (19 ha) byla oseta ječmenem jarním. Podobnost rozložení hodnot ECa07 na pozemku s tímto snímkem a bimod{lní distribuce histogramu ECa07 (obr. 43) tento předpoklad potvrzují.
Obr. 56 Rozdělení pozemku H{j na ortofotosnímku geoportal.cenia.cz) a mapa rozložení hodnot ECa z roku 2007.
z roku
2006
(zdroj:
5.6 Porovn{ní variant vzorkov{ní půdy Pro sledov{ní vlivu rozdílné hustoty vzorkov{ní na prostorovou variabilitu půdních vlastností bylo provedeno porovn{ní několika variant pravidelné a nepravidelné sítě. Z původní pravidelné vzorkovací sítě o vzd{lenosti odběrových bodů 50m byly selekcí bodů vytvořeny odvozené pravidelné sítě o vzd{lenosti 100 a 150 m. Kromě variant pravidelné čtvercové sítě o různé hustotě byly také do porovn{ní zařazeny sítě s nepravidelným rozmístěním bodů. Na pozemku Pachty se jednalo o nepravidelnou optimalizovanou síť pro mapov{ní půdní zrnitosti na z{kladě výsledků měření elektrické vodivosti půdy (OPT). Způsob výběru bodů z původní sítě je pops{n v kap. 4.2.2. Další n{vrhy nepravidelné sítě byly na obou pozemcích vytvořeny pomocí programu ESAP-RSSD (ECe Sampling, Assessment, and Prediction - Response Surface Sampling Design). Parametry jednotlivých variant odběrových sítí jsou uvedeny v tab. 28 (pozemek Pachty) a tab. 29 (pozemek H{j), schéma rozmístění odběrových bodů je zn{zorněno na obr. 57 (Pachty) a obr. 58 (H{j).
105
Tab. 28 Parametry porovn{vaných variant odběrových sítí na pozemku Pachty
n{zev sítě
50m
100m
150m
schéma rozmístění celkový počet vz. hustota gridu
pravidelné čtvercové 214 53 27 4 1 0,5
počet vzorků na ha
4,08
1,01
OPT
ESAP_1 ESAP_2
nepravidelné 40 20 20 -
0,51
0,76
0,38
0,38
ESAP_1 – n{vrh vzorkovací sítě pomocí programu ESAP-RSSD z dat ECa04 ESAP_2 – n{vrh vzorkovací sítě pomocí programu ESAP-RSSD z první komponenty PCA analýzy DEM vrstvy a DSLR snímku.
Program ESAP-RSSD je souč{stí software balíku ESAP a je původně určen pro n{vrh optim{lního schématu vzorkov{ní z výsledků mapov{ní elektrické vodivosti půdy (Lesch et al., 2000). Software byl vyvinut na US Salinity Laboratory při Agricultural Research Service amerického ministerstva zemědělství (USDA) pro potřeby mapov{ní oblastí s vyšší salinitou pomocí elektrické vodivosti půdy. Je ale možné jej použít nejen pro optimalizaci půdního vzorkov{ní, ale např. pro mapov{ní stavu vegetace, jak dokazují např. Fitzgerald et al. (2006) nebo Hunsaker et al. (2009), kteří použili data d{lkového průzkumu pro optimalizaci odběrů rostlinné hmoty bavlníku. ESAP-RSSD ze vstupních dat vybír{ minim{lní množství bodů, kterými lze optimalizovat stanovení predikčního modelu, pomocí regresní statistické metody nazývané response surface sampling design. Vlastní algoritmus popisují Lesch et al. (1995) a Lesch (2005). Principem optimalizace je výběr vzorků, které pokrývají celé rozpětí hodnot ECa (či jiné senzorově měření veličiny) a fyzicky jsou od sebe co nejvíce vzd{leny (Minasny et al., 2007). Při volbě hustoty sítě je možné volit mezi n{vrhem 6, 12 a 20 bodové sítě pro prostorový a statistický popis zkoumané lokality. Tab. 29 Parametry porovn{vaných variant odběrových sítí na pozemku H{j
n{zev sítě
50m
100m
schéma rozmístění celkový počet vz. hustota gridu
pravidelné čtvercové 152 41 18 4 1 0,5
nepravidelné 20 20 -
počet vzorků na ha
4,02
0,53
1,08
150m
0,48
ESAP_1
ESAP_2
0,53
ESAP_1 – n{vrh vzorkovací sítě pomocí programu ESAP-RSSD z dat ECa09 ESAP_2 – n{vrh vzorkovací sítě pomocí programu ESAP-RSSD z první komponenty PCA analýzy DEM vrstvy a DSLR snímku.
Výběr nepravidelné odběrové sítě pro oba zkoumané pozemky byl proveden ze dvou variant vstupních dat (ESAP_1, ESAP_2) - z výsledků měření elektrické půdní vodivosti (ECa04 pro pozemek Pachty, ECa09 pro pozemek H{j) a první komponenta PCA snímku kombinující data DEM s DSLR snímkem holé půdy 106
pořízeným digit{lní zrcadlovkou Nikon D80. První varianta představuje případ, kdy jsou k dispozici data z mapov{ní pozemku metodou měření elektrické vodivosti půdy, zatímco druh{ varianta simuluje optimalizaci vzorkov{ní na z{kladě informací, kter{ jsou již v současnosti k dispozici pro území celé ČR (DEM) nebo je lze snadno pořídit (data DPZ ve viditelném spektru).
Obr. 57 Schéma rozmístění odběrových sítí na pozemku Pachty – pravidelných čtvercových (horní řada – 50m, 100m, 150m) a nepravidelných (dolní řada – OPT, ESAP_1, ESAP_2). Červeně jsou zn{zorněny body původního výstupu z ESAP-RSSD, ke kterým byly nalezeny nejbližší body 50m sítě (černě).
V případě ECa dat vstupovaly do programu jednotlivé body měření (n = 1771 u ECa04, n = 4151 u ECa09) v textovém z{pisu, zatímco druh{ varianta zahrnovala postup výpočtu analýzy hlavních komponent z DEM vrstvy a snímku z digit{lní zrcadlovky, převedení rastru první komponenty s rozlišením 1 m na pixel na bodovou vektorovou vrstvu a její import v textovém form{tu do programu ESAPRSSD. U obou zmiňovaných variant byl v programu výběr maxim{lního počtu bodů, tedy n = 20 pro obě sledované lokality. Na z{kladě rozmístění takto stanovených bodů odběru byl proveden výběr nejbližších bodů z původní 50m
107
sítě. Mapy n{vrhu bodů z ESAP-RSSD a vybraných bodů z 50m sítě jsou uvedeny na obr. 57 (Pachty) a obr. 58 (H{j).
Obr. 58 Schéma rozmístění odběrových sítí na pozemku H{j – pravidelných čtvercových (horní řada – 50m, 100m, 150m) a nepravidelných (dolní řada ESAP_1, ESAP_2). Červeně jsou zn{zorněny body původního výstupu z ESAP-RSSD, ke kterým byly nalezeny nejbližší body 50m sítě (černě)
Vlastní porovn{ní odběrových sítí bylo na obou pozemcích provedeno pouze pro hodnotu pH. Z jednotlivých variant odběrových sítí byly čtyřmi interpolačními postupy vytvořeny celoplošné mapy, které byly n{sledně porovn{v{ny s původní 50m bodovou sítí. Odchylka takto predikovaných hodnot od původních byla hodnocena pomocí ukazatele root mean square error, označeného jako RMSE50. Vyšší hodnota RMSE50 představuje vyšší odchylku predikovaných hodnot navrhované sítě od původní 50m varianty. Interpolačními metodami byly běžný kriging s variantou s výpočtem (OK) a bez výpočtu (OKNN) zbytkového rozptylu a podobně cokriging s výpočtem (CoK) a bez výpočtu (CoKNN) zbytkového rozptylu. U původní 50 m sítě byly hodnoceny
108
pouze metody OK a CoK, neboť kriging/cokriging bez výpočtu zbytkového rozptylu nejsou pro účel porovn{ní v původní síti použitelné. Obě metody se při tomto nastavení chovají jako přesné interpolační metody, které zachov{vají hodnoty na jednotlivých bodech. To při porovn{ní s původní sítí vede k nulovým odchylk{m. U všech interpolačních metod byl použit model variogramu, který při hodnocení prostorové variability pH v 50m odběrové síti poskytl nejspolehlivější predikci (sférický na pozemku Pachty, exponenci{lní na pozemku H{j). Druhou datovou vrstvou, vstupující do výpočtu cokriging metodou, byla u pravidelných sítí (Pachty, H{j) a optimalizované sítě OPT (Pachty) elektrick{ vodivost půdy (ECa04, ECa09), zatímco pro nepravidelné n{vrhy sítí z programu ESAP-RSSD to byla vždy příslušn{ vrstva, kterou byla optimalizace provedena (ECa04 a ECa09 pro ESAP_1, první komponenta PCA analýzy DEM a DSLR snímku pro ESAP_2). Kromě ukazatele RMSE50 byla také u OK metod sledov{na míra prostorové z{vislosti v podobě ukazatele nugget:sill, který představuje poměr zbytkové variance na celkovém rozptylu. Tab. 30 Z{kladní statistické charakteristiky jednotlivých variant odběrových sítí na pozemku Pachty
pH
Pachty Aritmetický průměr Hodnocení (MehlichIII) Medi{n Směrodatn{ odchylka Rozptyl Koeficient špičatosti Koeficient šikmosti Minimum Maximum Variační koef. (%) Počet (n)
50m
100m
150m
OPT
ESAP_1
ESAP_2
6.47
6.44
6.40
6.63
6.39
6.55
sl.kys. 6.85 0.95 0.90 -1.05 -0.58 4.40 7.93 14.64
sl.kys. 6.84 0.95 0.90 -1.09 -0.59 4.58 7.69 14.74
sl.kys. 7.21 1.13 1.28 -1.59 -0.44 4.42 7.70 17.68
neutr. 7.13 1.03 1.06 -0.48 -1.01 4.42 7.93 15.54
sl.kys. 6.79 0.97 0.94 -1.58 -0.47 4.92 7.49 15.17
neutr. 7.20 1.19 1.43 -1.06 -0.95 4.42 7.66 18.25
214
53
27
40
20
20
ESAP_1 – n{vrh vzorkovací sítě pomocí programu ESAP-RSSD z dat ECa04 ESAP_2 – n{vrh vzorkovací sítě pomocí programu ESAP-RSSD z první komponenty PCA analýzy DEM vrstvy a DSLR snímku.
Z výsledků popisného statistického hodnocení pH pro jednotlivé varianty n{vrhu odběrové sítě (tab. 30 a tab. 31) jsou patrné jen mírné rozdíly mezi datovými soubory v r{mci sledovaných lokalit. Na obou pozemcích se aritmetický
109
průměr mění jen nepatrně a pouze na pozemku Pachty půdní reakce u varianty OPT a ESAP_1 odpovídala jiné kategorii hodnocení (neutr{lní) než ostatní varianty půdní reakce (slabě kysel{). Na pozemku H{j byla u všech variant půdní reakce hodnocena jako neutr{lní. Změna aritmetického průměru však v obou případech nereflektuje rozdílnou hustotu vzorkov{ní. Naopak v případě rozptylu a variačního koeficientu lze pozorovat určité souvislosti mezi rozptylem soborem dat, hodnotou variačního koeficientu a hustotou vzorkov{ní. S výjimkou varianty ESAP_1 na pozemku Pachty a 150m odběrové sítě na pozemku H{j z výsledků vyplýv{, že se snižující se hustotou vzorkov{ní doch{zí ke zvýšení rozptylu a hodnoty variačního koeficientu bez ohledu na schéma rozmístění odběrových bodů. Tato změna se ale na obou pozemcích pohybuje pouze v ř{du několika procent. Tab. 31 Z{kladní statistické charakteristiky jednotlivých variant odběrových sítí na pozemku H{j
pH
H{j 50m
Aritmetický průměr Hodnocení (MehlichIII) Medi{n Směrodatn{ odchylka Rozptyl Koeficient špičatosti Koeficient šikmosti Minimum Maximum Variační koef. (%) Počet (n)
100m
150m
ESAP_1
ESAP_2
6.80 neutr. 6.90 0.55 0.30
6.78 neutr. 6.90 0.58 0.34
6.76 neutr. 6.78 0.39 0.16
6.85 neutr. 7.04 0.66 0.44
6.68 neutr. 6.88 0.72 0.52
0.68 -0.91 4.86 7.82 8.12
0.37 -1.01 5.29 7.58 8.59
0.43 -0.46 5.88 7.49 5.83
0.15 -0.98 5.29 7.67 9.70
1.62 -1.43 4.86 7.41 10.75
149
39
18
20
20
ESAP_1 – n{vrh vzorkovací sítě pomocí programu ESAP-RSSD z dat ECa09 ESAP_2 – n{vrh vzorkovací sítě pomocí programu ESAP-RSSD z první komponenty PCA analýzy DEM vrstvy a DSLR snímku.
Tab. 32 uv{dí výsledky porovn{ní vzorkovacích schémat a interpolačních metod v podobě ukazatele RMSE50 a poměru nugget:sill vyjadřující míru prostorové z{vislosti na pozemku Pachty. Z výsledků je patrné, že míra prostorové z{vislosti, definovan{ podílem zbytkové variance na celkovém rozptylu, u pravidelných odběrových sítí kles{ se snižující se hustotou vzorkov{ní. Nejhustší síť (50m) vyk{zala silnou prostorovou z{vislost (nugget:sill = 0,190), varianta 100m střední (nugget:sill = 0,605) a u 150m odběrové sítě pak variogram vyk{zal pure nugget efekt, který nevykazuje zn{mky prostorové 110
z{vislosti (nugget:sill = 1). V tomto případě byla vzd{lenost bodů vzorkov{ní vyšší než hranice prostorové z{vislosti a rozložení hodnot odběrových bodů na daném území lze považovat za n{hodné. U nepravidelné sítě OPT byla nalezena, podobně jako u 100m sítě, střední prostorov{ z{vislost (nugget:sill = 0,580), zatímco prostorov{ z{vislost varianty ESAP_2 byla klasifikov{na jako siln{ (nugget:sill = 0,150). Variantu ESAP_1 nebylo z důvodu nulového zbytkového rozptylu možné klasifikovat. Tab. 32 Porovn{ní variant odběrových sítí pomocí ukazatele RMSE50 a prostorové z{vislosti na pozemku Pachty odběrov{ celkový síť počet vzorků 50m
214
metoda nugget:sill interpolace OK CoK OK
100m
53
27
40
20
20
0,724 0,586
CoKNN
0,592 1,000
0,987
OKNN
0,827
CoK
0,838
CoKNN
0,743 0,580
0,758
OKNN
0,620
CoK
0,625
CoKNN
0,598 0,000
0,925
OKNN
0,925
CoK
0,894
CoKNN
0,910
OK ESAP_2
0,605
CoK
OK ESAP_1
0,112 0,618
OK OPT
0,215
OKNN
OK 150m
0,190
RMSE50m
0,150
0,693
OKNN
0,721
CoK
0,691
CoKNN
0,712
Výsledky porovn{ní provedeného na pozemku H{j jsou uvedeny v tab. 33. S výjimkou varianty 100m se zjištěnou silnou prostorovou z{vislostí (nugget:sill = 0,235) také v tomto případě snížení hustoty pravidelných sítí vedlo ke zvýšení podílu zbytkového rozptylu. Varianta 50m stejně jako 150m vyk{zaly středně silnou prostorovou z{vislost (nugget:sill = 0,294 a 0,685). Jen o m{lo nižší podíl 111
nugget variance byl zjištěn u nepravidelné sítě ESAP_1 (nugget:sill = 0,604), zatímco varianta ESAP_2 byla na hranici silné a střední prostorové z{vislosti (nugget:sill = 0,251). Tab. 33 Porovn{ní variant odběrových sítí pomocí ukazatele RMSE50 a prostorové z{vislosti na pozemku H{j odběrov{ síť
50m
celkový počet vzorků 152
metoda interpolace
OK
41
18
20
20
0,235
0,387
CoK
0,400
CoKNN
0,442 0,685
0,579
OKNN
0,580
CoK
0,585
CoKNN
0,594 0,604
0,448
OKNN
0,387
CoK
0,488
CoKNN
0,404
OK ESAP_2
0,185 0,394
OK ESAP_1
0,248
OKNN
OK 150m
0,294
CoK OK
100m
nugget:sill RMSE50m
0,251
0,469
OKNN
0,477
CoK
0,464
CoKNN
0,475
Hodnota ukazatele RMSE50 u jednotlivých variant odběrových schémat, stanovující přesnost predikce hodnot pH na bodech 50m sítě je pro lepší přehlednost vyj{dřena graficky na obr. 59 (Pachty) a obr. 60 (H{j). Z grafů je patrné snížení přesnosti predikce, tedy zvýšení hodnotou RMSE50, se snižující se hustotou vzorkov{ní v pravidelné síti. Osmin{sobné snížení počtu vzorků u 150m sítě v porovn{ní s 50m sítí vedlo na pozemku Pachty ke zhruba čtyřn{sobnému zvýšení nepřesnosti odhadu, na pozemku H{j přibližně ke dvojn{sobnému. Podobné úrovně nepřesnosti bylo dosaženo také u optimalizovaných sítí, ale při nižším počtu vzorků. S výjimkou varianty ESAP_1 na pozemku Pachty byla na obou pozemcích dosažena podobn{ úroveň odchylek nepravidelných sítí jako u pravidelné sítě se vzd{leností odběrových bodů 100 m. Rozdíl v počtu odebraných vzorků je v případě pozemku Pachty 13 vzorků pro variantu OPT a 33 vzorků u 112
varianty ESAP_2, na pozemku H{j pak 21 vzorků pro ESAP_1 a ESAP_2. Nižší přesnost varianty ESAP_1 na pozemku Pachty je zřejmě důsledkem nedostatečného počtu vzorků pro popis prostorové variability ECa měření půdy. Dvojn{sobný počet hodnot u OPT varianty, jejíž optimalizace byla také provedena dle výsledků ECa měření, již znamenala dosažení přesnosti na úrovni 100m odběrové sítě.
Obr. 59 Grafické zn{zornění ukazatele RMSE50 pro pH na pozemku Pachty
Z výsledků d{le vyplýv{ vliv interpolačního postupu na přesnost odhadu. Zde jsou již patrné rozdíly mezi zkoumanými lokalitami. Absence výpočtu zbytkového rozptylu (OKNN) vedla na pozemku Pachty v porovn{ní s OK metodou zpravidla k vyšší přesnosti u nižších hustot pravidelných sítí a u OPT varianty. Kromě varianty ESAP_1 nebyl na pozemku H{j tento jev patrný. Použití cokriging varianty vedlo na pozemku Pachty ke zlepšení přesnosti predikčního
113
modelu u všech variant odběrových n{vrhů, přičemž nejvýraznějšího snížení odchylky bylo dosaženo u pravidelných sítí a u varianty OPT. Na pozemku H{j bylo pomocí cokriging metody dosaženo nižší hodnoty RMSE50 pouze u 50m sítě, varianta ESAP_2 dos{hla přibližně stejného výsledku a u ostatních variant byla CoK metoda méně přesn{ než OK. Tyto výsledky odpovídají dosaženým výsledkům porovn{ní nepřímých metod mapov{ní plošné variability půdy s půdním vzorkov{ním. Na pozemku Pachty byla úroveň korelace s ECa a DSLR snímky vyšší než na pozemku H{j.
Obr. 60 Grafické zn{zornění ukazatele RMSE50 pro pH na pozemku H{j
114
6. DISKUZE Z metodického hlediska byla experiment{lní č{st pr{ce rozdělena na tři č{sti, jejichž výsledky jsou v této kapitole diskutov{ny. Prvním krokem bylo vyhodnocení tradičního způsobu získ{v{ní informací o půdě v podobě odběru půdních vzorků o vysoké hustotě s n{slednými laboratorními analýzami. Druhou f{zí bylo ověření možnosti využití nepřímých metod pro mapov{ní prostorové variability půdy, konkrétně bezkontaktního měření elektrické vodivosti půdy a leteckého snímkov{ní, a jejich porovn{ní s výsledky půdního vzorkov{ní. Dosažené výsledky jsou diskutov{ny z pohledu nalezeného rozpětí sledovaných půdních charakteristik na obou pokusných pozemcích, jejich úrovně prostorové variability a schopnosti nepřímých metod tuto variabilitu zachytit. Třetím a posledním krokem byla kombinace přímých a nepřímých metod v podobě optimalizace odběrů půdních vzorků a posouzení hustoty a schématu vzorkov{ní na efektivnost popisu plošné variability sledovaných půdních vlastností.
6.1 Popis prostorové variability půdy půdním vzorkov{ním 6.1.1 Úroveň půdních vlastností Na pozemku Pachty vyplýv{ z hodnocení středních hodnot výsledků laboratorních analýz půdních vzorků slabě kysel{ a středně humózní půda, vyhovující obsah P, K, dobrý obsah Mg a vysoký obsah Ca po zohlednění druhu půdy, kterou lze na z{kladě zrnitostních rozborů označit za hlinitou. Rozsah získaných výsledků z jednotlivých bodů odběru se přitom značně lišil od dosažených středních hodnot – u pH, obsahu P, K a Mg byly zastoupeny všechny kategorie hodnocení dle metodiky MehlichIII. To odpovíd{ zvýšené variabilitě půdních vlastností, čemuž nasvědčují i vyšší hodnoty variačních koeficientů. Na z{kladě jejich hodnot lze dle Ber{nka a Klementa (2007) označit jako plošně nevyrovnané (pH, P) až silně nevyrovnané (Mg, Ca). Pouze obsah K lze hodnotit jako vyrovnaný. U některých půdních charakteristik je vysok{ variabilita zapříčiněna historií způsobu hospodaření na pozemku, jako je tomu v případě obsahu Ca (a tedy i hodnotě pH), kdy melioračními z{sahy v podobě nav{žky alkalického odpadu z cukrovaru vedly k lok{lním extrémním hodnot{m. Na pozemku H{j byla půdní reakce neutr{lní, střední hodnota obsahu živin se pohybovala v kategorii dobrý (P, K) a vysoký (Mg, Ca). Půdu lze na daném stanovišti označit za hlinitou, slabě humózní. Rozsah zjištěných hodnot nepokrýval, s výjimkou obsahu Mg, všechny kategorie hodnocení, přesto byly variační koeficienty většiny agrochemických půdních vlastností hodnoceny jako plošně nevyrovnané. Z pohledu zjištěné variability půdních charakteristik jsou si oba pozemky značně podobné. Z{sadně se liší v reliéfu terénu – Pachty s výškovým převýšením 115
6 m lze považovat za rovinný pozemek, zatímco pozemek H{j se svažuje směrem na východ s převýšením 62 m. Další rozdíl je patrný ze zrnitostních rozborů. Dle Nov{kova hodnocení, zohledňujícím podíl jílovitých č{stic, jsou oba pozemky ve stejné kategorii, liší se ale v podílu ostatních zrnitostních frakcí. Na pozemku Pachty zřetelně převl{d{ podíl písku, zatímco na pozemku H{j naopak podíl frakce prachu.
6.1.2 Hodnocení prostorové variability Prostorov{ z{vislost zkoumaných půdních charakteristik byla hodnocena na z{kladě parametrů variogramu. Výsledky tohoto hodnocení se lišily dle vlivu transformace dat, použitého modelu variogramu a jeho anizotropie. Kombinace těchto vlivů v jednotlivých variant{ch byly posuzov{ny z hlediska dosažené spolehlivosti predikce hodnot při prostorové interpolaci bodových dat do celoplošných map. Jako ukazatel spolehlivosti predikce byla vybr{na druh{ odmocnina čtverců odchylek (RMSE) z výsledků hodnocení metodou crossvalidation. Varianta s nejnižší dosaženou hodnotou RMSE byla n{sledně vybr{na pro tvorbu celoplošných map. Z pohledu volby interpolační metody bylo na pozemku Pachty nejnižší hodnoty RMSE dosaženo běžným krigingem (pH, P, Ca, humus, zrnitost půdy) a krigingem s logaritmickou transformací (K, Mg), zatímco na pozemku H{j kromě metody OK (pH, K, humus, zrnitost) a logOK (Ca) poskytla také nejspolehlivější predikce metoda inverzního v{žení vzd{lenosti IDW (P, Mg). Příčinou byla nízk{ úroveň prostorové z{vislosti, kter{ vedla k nižší přesnosti odhadu krigingových metod. Hranice prostorové z{vislosti (range) byla rozdíln{ u jednotlivých půdních charakteristik, pokusných lokalit a také u jednotlivých variant interpolací. Nižší vzd{lenost, po kterou jsou data prostorově z{visl{, byla zjištěna na pozemku Pachty, zatímco na pozemku H{j byla hranice prostorové z{vislosti vyšší. Hodnota parametru range se u variant s nejnižší RMSE na pozemku Pachty pohybovala od 121,7 m (pH) až po 360,2 m (obsah Mg), na pozemku H{j 565 m (Ca) a 592,7 m (pH, K, humus). U ostatních agrochemických vlastností byla použita metoda IDW, tedy bez výpočtu variogramu. V případě zrnitosti půdy se na pozemku H{j hranice prostorové z{vislosti pohybovala od 348,3 m (podíl jílu) po 592,7 m (podíl písku). Na pozemku Pachty nebylo možné parametr range stanovit z důvodu nalezení pure nugget variogramu, tedy variogramu, u něhož je zbytkový podíl roven celkovému rozptylu. K tomu doch{zí, pokud vzorkovací vzd{lenost je vyšší než měřítko prostorové variability. U půdních vlastností, které byly mapov{ny v odběrové síti o vzd{lenosti odběrových bodů 50 m, byl sledov{n vliv směrové z{vislosti variogramu. Webster a Oliver (1992) doporučují pro detekci anizotropie 300 a více hodnot; i přes nižší počet vzorků na obou pozemcích (214 vzorků na pozemku Pachty, 152 vzorků na
116
pozemku H{j) byl výpočet směrové z{vislosti proveden. Zohledněním anizotropie bylo nejnižší RMSE dosaženo pouze na pozemku Pachty, a to u hodnoty pH, obsahu P a humusu. Úhel směrové z{vislosti byl podobný, pohyboval se od 25,2° (pH) do 39,9° (obsah humusu). Z hlediska hodnocení vlivu logaritmické transformace dat byly na obou pokusných lokalit{ch dosaženy rozdílné výsledky. Na pozemku Pachty bylo nejnižší odchylky RMSE dosaženo transformací dat postupem lognorm{lního krigov{ní u těch půdních charakteristik, které vyk{zaly koeficient šikmosti vyšší než 1/-1 (obsah K, Mg), zatímco u půdních charakteristik s relativně rovnoměrným rozložením (tedy nižším koeficientem šikmosti) byla vyšší spolehlivost dosažena bez transformace dat. To ostatně potvrzují Kerry a Oliver (2007a), kteří pr{vě hodnotu koeficientu nad 1/-1 považují za mezní hodnotu, při jejímž překročení je vhodnější použít transformaci. Výjimkou byl pouze obsah Ca, který vyk{zal vysokou asymetrii rozložení dat (koef. šikmosti 4,42), a použití logaritmické transformace nevedlo k převedení dat na norm{lní rozložení. Ačkoli na pozemku H{j vyk{zala přev{žn{ většina sledovaných půdních vlastností (obsah P, K, Mg a Ca) nerovnoměrné rozložení, pouze v případě obsahu Ca poskytla varianta krigingu s logaritmickou transformací dat nejnižší hodnotu RMSE. U ostatních zmiňovaných charakteristik bylo nejnižší odchylky dosaženo jinými interpolačními postupy. S ohledem na vyšší hodnoty RMSE u krigingu, které jsou nejspíše výsledkem nízké prostorové z{vislosti daných půdních vlastností, byla zvolena metoda IDW. Přesto u obsahu P a Mg poskytla varianta logOK po IDW metodě druhé nejnižší odchylky.
6.2 Mapov{ní nepřímými metodami 6.2.1 Elektrick{ půdní vodivost (ECa) Výsledky měření ECa byly na obou pokusných pozemcích rozdílné. Nižší hodnoty elektrické vodivosti u obou měření na pozemku Pachty (průměr 9,07 a 9,09 mS.m-1) odpovídají vyššímu podílu písčité frakce v půdě a aridním podmínk{m stanoviště, zatímco vyšší hodnoty ECa pozemku H{j (průměr 19,39 mS.m-1 pro ECa07, 46,63 mS.m-1 pro ECa09) jsou v souladu s vyšším podílem jemných zrnitostních frakcí a vyšší dostupností půdní vl{hy. Kromě celkového průměru vlhkosti ovlivňuje rozpětí hodnot ECa také variabilita půdní vlhkosti na stanovišti (Brevik et al., 2006). Rozdíly mezi termíny měření na pozemku H{j jsou diskutov{ny d{le v textu. Vyšší variabilita výsledků měření ECa půdy byla zjištěna na pozemku Pachty (CV 61 – 68 %), zhruba poloviční byla zjištěna na pozemku H{j (CV = 24 – 36 %). S výjimkou ECa07 bylo ale na obou pozemcích dosaženo podobného rozsahu prostorové z{vislosti pohybujícího se zhruba na úrovni 130 m, u ECa07 192 m, přičemž dle Cambardella a Karlen (1999) lze tuto prostorovou z{vislost klasifikovat jako vysokou. 117
Výsledky porovn{ní elektrické vodivosti půdy s přímými metodami stanovení půdních vlastností se na pokusných pozemcích lišily. Na pozemku Pachty byly zjištěny středně silné korelace s výsledky agrochemických analýz půdy (pH, obsah P, K, Mg) a obsahem humusu a podílem jílovitých č{stic, nižší s obsahem Ca a podílem písku a nulové s podílem prachu. Pozitivní směr z{vislosti vyk{zal obsah Mg, Ca, humusu, jílovitých č{stic a hodnota pH, ostatní půdní charakteristiky měly s ECa negativní korelaci. Na pozemku H{j bylo dosaženo pozitivní korelace s podílem jílovitých č{stic a obsahem Mg, negativní s obsahem P a podílem prachu. S ostatními sledovanými půdními charakteristikami byla nalezena pouze slab{ nebo nulov{ z{vislost. Příčinou dosažení rozdílných výsledků porovn{ní ECa s přímými metodami na obou pozemcích může také být rozdíln{ úroveň heterogenity půdních charakteristik na daném stanovišti. Nejužší vztah vykazují stanoviště s obzvl{ště heterogenní půdou (Schmidhalter et al., 2002). Vyšší hodnota variačního koeficientu na pozemku Pachty byla zjištěna u pH, P, Mg, Ca a podílu prachu; v případě podílu jílu a humusu byla na stejné úrovni a nižší u obsahu K a podílu písku. Vliv zrnitosti půdy na hodnoty elektrické vodivosti popisuje většina studií zabývající se touto metodou, které jsou citované v této pr{ci. Podíl jílovitých č{stic je vedle salinity půdního roztoku, vlhkosti půdy a objemové hmotnosti řazen mezi nejvýznamnější faktory ovlivňující elektrickou vodivost půdy (Corwin a Lesch, 2005a). Intervaly hodnot ECa definující jednotlivé půdní druhy jsou ale v těchto studiích odlišné. Dle Schmidhaltera et al. (2002) jsou nižší hodnoty elektrické vodivosti (5 – 15 mS.m-1) typické pro písčité půdy, zatímco vyšší hodnoty (30 – 60 mS.m-1) reprezentují jílovité půdy. Mezi nimi leží hlinité půdy. Velmi vysoké hodnoty (nad 60 mS.m-1) poukazují přev{žně na vliv vyššího obsahu vody, často v kombinaci s vyšším obsahem jílu a organické hmoty, či dodatečný vliv zvýšeného zastoupení solí v půdním roztoku. Domsch a Giebel (2004) kategorizují půdní druhy se zohledněním k rozdílům zrnitosti v půdním profilu. Písčité a hlinitopísčité půdy leží v intervalu 0 – 10 mS.m-1, písky a hlinitopísčité půdy na hlinitém podloží 10 – 20 mS.m-1 a 20 – 30 mS.m-1 pro půdy hlinité v celém profilu. Je obecně zn{mo, že v podmínk{ch uniformní distribuce z{vlahy se vlhkost půdy obecně shoduje se zrnitostí půdy a navz{jem spolu korelují (Corwin a Lesch, 2005b). Půdy s vyšším podílem písku mají nižší obsah vody a naopak. V řadě studií je doporučov{no prov{dět měření při vlhké půdě (Domsch a Giebel, 2004), neboť v suchých podmínk{ch kles{ vodivost půdního profilu, kter{ vede ke slabšímu vztahu mezi ECa a obsahem jílu (Schmidhalter et al., 2002), nebo je snížena variabilita měření (Brevik et al., 2006). Snížený podíl jílovitých č{stic v půdě logicky zvyšuje podíl hrubozrnných č{stic, což vede k negativní korelaci mezi ECa a podílem písku. Zajímavé je nalezení korelací u dalších kategorií půdních č{stic. Na pozemku Pachty nebyla zjištěna průkazn{ hodnota korelačního koeficientu mezi ECa a prachem, ale byla nalezena negativní z{vislost mezi ECa a podílem písčité frakce. Na pozemku H{j tomu bylo přesně naopak – byla nalezena negativní korelace s podílem prachových č{stic, zatímco písek vyk{zal nulovou 118
z{vislost. Příčinou jsou nejspíše rozdíly mezi vlhkostními podmínkami na obou stanovištích. Rhoades (1981) in Dobers (2002) uv{dí, že podíl prachových č{stic m{ při nízké vlhkosti podobně jako písek jen nepatrnou vodivost. Ve vlhčích podmínk{ch je ale od písku na z{kladě elektrické vodivosti zřeteln{ odlišnost. Nalezení středně silných korelací obsahu živin a hodnoty pH s měřením ECa na pozemku Pachty d{v{ teoretický předpoklad využití této metody pro mapov{ní výživného stavu půdy. Spíše ale než o přímý vliv obsahu živin v půdě na elektrickou vodivost půdy se jedn{ o sekund{rní vazbu agrochemických vlastností na z{kladní půdní charakteristiky ovlivňující ECa půdy (Lukas et al., 2009). Tomu napovídají také výsledky leteckého snímkov{ní (viz. kap. 6.2.2), kde byly zjištěny silné korelace s agrochemickými vlastnostmi, přičemž nelze předpokl{dat schopnost této metody detekovat rozdíly v z{sobenosti půdy živinami. Podobné z{věry potvrzují i Heiniger et al. (2003), kteří mapovali koncentraci živin v půdě metodou měření ECa na 16. pozemcích v průběhu dvou let. Z jejich pozorov{ní vyplýv{, že siln{ z{vislost byla zjištěna jen v několika případech a to pouze tehdy, pokud byl obsah živin asociov{n s některou ze čtyř půdních charakteristik ovlivňujících elektrickou vodivost půdy - vlhkostí, zrnitostí, KVK a obsahem solí v půdním roztoku. Nalezení vztahu mezi hodnotami ECa půdy a agrochemickými vlastnostmi je pozorov{no v celé řadě studií, směr z{vislosti i její těsnost se ale liší nejen mezi nimi, nýbrž se ukazuje, že jsou odlišné i r{mci zkoum{ní na jednotlivých pozemcích (Bronson et al., 2005; Corwin et al., 2003; Lesch a Corwin, 2003; Sudduth et al., 2003), či případně v jednotlivých půdních hloubk{ch (Corwin a Lesch, 2005c; Corwin et al., 2006; Molin et al., 2001). Z výsledků porovn{ní ECa a z{sobenosti živinami a hodnotou pH jsou patrny rozdíly mezi oběma sledovanými pozemky. Příčinou může být již zmiňovan{ rozdíln{ úroveň heterogenity půdních vlastností na pozemku, či ovlivnění elektrické vodivosti významnější půdní vlastností, kter{ maskuje méně variabilní rozdíly ostatních méně významných faktorů. Např. Heiniger et al. (2003) konstatují, že rozdíly v půdní zrnitosti ovlivňují hodnoty ECa více než malé rozdíly v obsahu živin. Rozdělením pozemku do oblastí se shodnou půdní zrnitostí představuje odstranění jednoho ze zdrojů variability, což může zvýšit přesnost stanovení obsahu rozpustných solí v půdním roztoku a živin v půdě. Stejní autoři ale pokazují na to, že nenalezení vazby ECa s obsahem živin nemusí nutně znamenat nepoužitelnost ECa při mapov{ní živinného stavu půdy. Měření ECa může být využito pro mapov{ní půdních vlastností, které představují klíčové faktory ovlivňující změny v koncentraci živin, a tímto způsobem na pozemku definovat oblasti s obdobnou půdní z{sobeností. Podobně jako v případě agrochemických vlastností byly také u obsahu humusu (Cox × 1,724) při porovn{ní s ECa půdy nalezeny rozdíly mezi oběma sledovanými pozemky. Na pozemku Pachty středně siln{ kladn{ z{vislost, zatímco na pozemku H{j nulov{ (ECa07) či velmi slab{ negativní korelace (ECa09). Kladný vztah mezi ECa a obsahem organické hmoty popisují např. také
119
Tarr et al. (2005) a Morari et al. (2009). Molin et al. (2001) dokumentují stav, kdy s ECa měření v horní vrstvě půdy (do 30cm) byla nalezena z{porn{ korelace, zatímco při měření ve větší hloubce (do 1,5 m) byla nalezena kladn{ korelace. Kladný vztah mezi obsahem humusu a hodnotou ECa může mít více vysvětlení. McNeil (1980) ve své pr{ci popisuje vazbu mezi obsahem organické hmoty a půdním druhem. Těžší půdy zpravidla obsahují více organické hmoty. V tomto případě se tedy jedn{ o zvýšení ECa půdy vlivem vyššího zastoupení jílovitých č{stic, které sebou sekund{rně přin{ší zvýšený obsah organické hmoty. Podobně tento jev dokumentuje také Lück et al. (2000). Z{roveň ale dod{v{, že organick{ hmota v půdě zlepšuje vododržnost půdy. Vyšší obsah organické hmoty může v aridních oblastech zvýšit vlhkost půdy, což se n{sledně může projevit ve vyšších hodnot{ch elektrické vodivosti. Stabilita ECa měření Nalezení silné korelace mezi výsledky měření ECa přístrojem EM38 na pozemku Pachty na jaře 2004 a na podzim 2005 potvrzuje, že měření touto metodou lze z kr{tkodobého hlediska považovat za stabilní. Podobně Dobers (2002) došel k z{věru, že ačkoli se rozdíly ECa vyskytují nez{visle na příslušném ročním období, naměřené hodnoty jsou rozdílnými termíny na identických stanovištích ve vysoké míře korelov{ny. Šarec et al. (2002), příp. Lamp et al. (2004), konstatují, že v kr{tkém časovém horizontu jsou prostorové struktury a místa s rozdílnými vlastnostmi půdy zjištěn{ pomocí elektrické vodivosti půdy neměnn{, liší se pouze absolutní hodnoty naměřených veličin, ačkoliv jsou měření prov{děna při rozdílné půdní vlhkosti, teplotě a objemové hmotnosti. Schmidhalter et al. (2002) podotýk{, že měření mohou být prov{děna v průběhu celého roku, neboť prostorov{ struktura půdní vodivosti, stanoven{ z časově rozdílných měření, není silně variabilní. Z{sadní vliv na naměřené hodnoty ECa půdy m{ teplota při měření (McNeill, 1980). Zvýšením teploty o 1°C doch{zí ke zvýšení ECa o 2 % (Corwin a Lesch, 2005b; Vlotman, 2000). Pro porovn{ní měření na stejné lokalitě v průběhu roku (případně v průběhu několika let) doporučuje řada autorů provést normalizaci ECa hodnot na konstantní teplotu půdy. Brevik et al. (2004) poukazují na to, že změna teploty v průběhu dne m{ na samotné výsledky měření zanedbatelný vliv. Z jejich studie vyplýv{ neprůkaznost vlivu teploty měřené v povrchové vrstvě půdy do 10 cm na elektrickou vodivost půdy, přičemž výkyvy teplot se rostoucí hloubkou snižují. Nepatrný vliv teploty půdy potvrzují také Lück et al. (2002), z{roveň ale upozorňují na vliv teploty vzduchu na ECa měření. Průběh kolís{ní hodnot stacion{rního měření ECa byl podobný výkyvům teploty vzduchu, přičemž rozdíly v naměřených hodnot{ch ECa jsou především způsobeny rozdílnou teplotou přístroje. Z toho důvodu je doporučov{no nechat přístroj před vlastním měřením minim{lně 30 minut (Lück et al., 2002) nebo 2 hodiny (Robinson et al., 2004) temperovat. D{le Lück et al. (2002) doporučují po skončení
120
měření pozemku provést z{znam ECa hodnot v linii kolmé na směr jízd při měření. Z rozdílu mezi výsledky obou měření lze získat údaje o posunu hodnot ECa vlivem kolís{ní teploty v průběhu měření. Podobně Sudduth et al. (2001) navrhují určit na pozemku kalibrační linii, ve které bude při každém měření provedeno stanovení ECa půdy pro zpětnou korekci dat. Na rozdíl od výsledků z pozemku Pachty vyk{zala obě měření ECa na pozemku H{j vůči sobě nulovou korelaci. Tento jev může mít několik příčin. Zřejmě nejvýznamnější je použití rozdílných měřících zařízení. Měření v roce 2007 bylo provedeno přístrojem EM38, zatímco v roce 2009 přístrojem CMD. Oba přístroje pracují na principu elektromagnetické indukce a z{roveň jsou z technického a konstrukčního hlediska podobné. Z důvodu neopravitelné poruchy na EM38 v roce 2007 a pořízení CMD v roce 2009 nebylo ale možné provést jejich porovn{ní. Gebbers a Lück (2005) ukazují, že různé přístroje pracující na stejném principu a s podobným konstrukčním a technickým řešením mohou pod{vat rozdílné informace o elektrické půdní vodivosti. Kromě použitých přístrojů se lišil i způsob měření ECa na pozemku. Měření v roce 2007 bylo provedeno tažením EM38 na dřevěných saních za terénním automobilem, zatímco měření s CMD bylo ruční - chůzí po pozemku. Při ručním měření nelze, na rozdíl od upevnění na pojízdné konstrukci, dodržet konstantní výšku přístroje nad půdním povrchem a samozřejmě také rychlost pohybu po pozemku je mnohem nižší. Na ovlivnění hodnoty ECa půdy těmito parametry měření poukazují např. Lück et al. (2002), Morris (2009) a Sudduth et al. (2001). Další možn{ příčina dosaženého rozdílu výsledků měření vyplýv{ z historie obděl{v{ní pozemku. V roce 2006 byl pozemek rozdělen na dvě č{sti pro pěstov{ní cukrovky a ječmene jarního. Letecký snímek dané situace odpovíd{ prostorovému členění hodnot ECa v roce 2007. Zde by mohla hr{t roli kombinace mnoha půdních faktorů vyplývající z rozdílných pěstebních technologií zmiňovaných plodin, zpracov{ní půdy, zakl{d{ní porostů a také množství zanechané organické hmoty na pozemku. Brevik et al. (2003) ve své pr{ci poukazují na rozdílný vliv posklizňových zbytků, ponechaných na půdním povrchu, na elektrickou konduktivitu. Ačkoli tento vliv nebyl statisticky průkazný, při výskytu posklizňových zbytků bylo pozorov{no mírné zvýšení hodnot ECa. Naproti tomu vliv obsahu organické hmoty v půdě je potvrzen v řadě odborných studií a byl podrobně diskutov{n v této kapitole. Vlivu rozdílného obsahu organické hmoty v půdě po pěstovaných plodin{ch také odpovíd{ dosažení vyšší hodnoty korelačního koeficientu s obsahem humusu u ECa07 než u ECa09. Dalšími faktory mohou být rozdílné fyzik{lní vlastnosti půdy u obou plodin, z nichž nejvýznamnější vliv na ECa půdy m{ objemov{ hmotnost a pórovitost (Corwin a Lesch, 2005a,b; Hoefer et al., 2009; Rhoades et al., 1999). Stanovení těchto ukazatelů však nebylo na pozemku sledov{no. V rovině, kterou lze s ohledem na její nepodloženost exaktním měřením považovat za pouze za teoretickou, lze usuzovat nad tím, zda rozdílné fyzik{lní parametry půdy
121
nemohly maskovat ostatní faktory ovlivňující vodivost půdy a být tak příčinou dosažení velmi nízkých nebo nulových korelací ECa07 s ostatními půdními charakteristikami, zejména s z dlouhodobého hlediska neměnnou zrnitostí půdy. Na příkladu pozemku H{j se ukazuje, jak velmi významným faktorem ovlivňujícím plošnou půdní variabilitu může být i způsob užív{ní zemědělské půdy a s tím související rozdíly v pěstebních z{sazích ovlivňující vybrané půdní vlastnosti. Tento jev je významný v našich podmínk{ch s ohledem na poměrně ned{vnou transformaci českého zemědělství. Historický způsob užív{ní zemědělské půdy může mít vliv na prostorovou variabilitu půdních podmínek a zjištění informací o tomto stavu by mělo předch{zet jejímu mapov{ní. To ostatně potvrzují také Brodský et al. (2001a). Varvel et al. (1999) dod{vají, že historické z{znamy o způsobu obděl{v{ní pozemků mohou být jedním ze zdrojů pro stanovení optim{lní strategie mapov{ní pozemků.
6.2.2 Letecké snímkov{ní Také výsledky d{lkového průzkumu se na obou lokalit{ch značně lišily. S výjimkou obsahu humusu, Ca a hodnoty pH byly dosažené korelace s výsledky půdního vzorkov{ní na pozemku H{j vždy nižší, ve většině případů na hranici statistické průkaznosti. V případě snímků z digit{lní zrcadlovky (DSLR) byla na pozemku Pachty v červeném a zeleném p{smu siln{ pozitivní korelace nalezena s obsahem P, K a podílem písčité frakce, zatímco negativní s pH, obsahem humusu a podílem jílovitých č{stic. Modré p{smo DSLR snímku vyk{zalo stejný směr korelace, ale s nižšími, polovičními hodnotami korelačních koeficientů. Podobně silné korelace s vyjmenovanými půdními charakteristikami byly zjištěny u všech kan{lů multispektr{lních snímků (NIR, R, G). Výsledky korelační analýzy ukazují na projev podílu jílovitých č{stic a obsahu humusu ve všech sledovaných spektr{lních p{smech, tedy od 400 nm do 900 nm, přičemž nejnižší korelace bylo v obou případech dosaženo v modrém p{smu. Společný nebo jednotlivý vliv těchto faktorů na spektr{lní vlastnosti půdy potvrzuje cel{ řada odborných studií (DeTar et al., 2008; Chen et al., 2004; Lagacherie et al., 2008; Roy et al., 2006; Selige et al., 2006; Sullivan et al., 2005; Varvel et al., 1999; Wetterlind et al., 2008). Baumgardner et al. (1985) popisují snižov{ní odrazivosti půdy v oblasti vlnových délek 400 – 2500 nm s rostoucím obsahem organické hmoty, přičemž dominantní vliv OH na odrazivost je zejména patrný při jejím obsahu překračujícím 2 %. Podobně je také v této pr{ci dokumentov{n efekt zvýšeného podílu jílovitých č{stic. Ke vlivu organické hmoty Schmidhalter et al. (2002) dod{vají, že nejen obsah, ale také druh humusových l{tek m{ vliv na spektr{lní vlastnosti. Nejvyšší korelace s obsahem humusu bylo na pozemku Pachty dosaženo v zeleném p{smu, což potvrzují také Islam et al. (2003). V jejich pr{ci byly nejvyšší korelace s obsahem organické hmoty ve viditelném spektru (vlnov{ délka 587 nm) a pro podíl jílovitých č{stic v oblasti
122
NIR (vlnov{ délka 1912 nm). Podobně Schmidhalter et al. (2002) vypočetly nejvyšší korelace s podílem jílu v oblasti středně infračerveného z{ření (2423 – 2441 nm), zatímco pro detekci obsahu organické hmoty doporučují ultrafialového z{ření (konkrétně při vlnové délce 344 nm). Projev obsahu organické hmoty a zrnitosti půdy je, podobně jak již bylo zmíněno v případě měření elektrické vodivosti, úzce v{z{n na vlhkost půdy a může se tedy jednat o kombinované působení těchto faktorů. V tomto případ je ale efekt přesně opačný, vyšší podíl zmiňovaných faktorů v půdě vede ve všech případech ke snížení hodnot digit{lních obrazových dat. Vlhkost půdy ovlivňuje teplotu půdy, proto teplota půdního povrchu může sloužit pro odvození vlhkostních parametrů půdy (Kustas a Anderson, 2009). Na pozemku Pachty vyk{zaly term{lní snímky nejvyšší korelaci s podílem jílovitých č{stic a rovněž s podílem písčité frakce ze všech nepřímých metod (vč. měření ECa), což s ohledem na sušší podmínky dané lokality zmiňovaný vliv vlhkosti půdy na teplotu jen potvrzuje. Na pozemku H{j byly vypočtené korelace mezi zrnitostními parametry a termograficky zjištěnou teplotou půdy vyšší, nejvyšších hodnot ale bylo dosaženo metodou měření ECa. Na rozdíl od pozemku Pachty byl ale nalezen z{porný vztah s podílem frakce prachu. Zajímavé je, že ve všech případech byla se zvýšeným obsahem jílovitých č{stic detekov{na vyšší teplota půdy a naopak. Van den Griend a Engman (1985) in Wang a Qu (2009) popisují, že místa s vyšší vlhkostí jsou chladnější během dne, ale teplejší v noci. Toto vysvětlení odpovíd{ naměřeným výsledkům, neboť snímkov{ní bylo provedeno během dopoledne a s ohledem na termín měření (zač{tek března) lze předpokl{dat pomalejší prohřív{ní půdy slunečním z{řením. S ostatními sledovanými půdními parametry byly v porovn{ní s ostatními metodami d{lkového průzkumu přibližně stejné nebo nižší korelace. Na obou pozemcích nebylo zaznamen{no dosažení vyšších hodnot korelačních koeficientů půdních charakteristik s blízce infračerveným p{smem multispektr{lních snímků v porovn{ní s viditelným spektrem. Oblast NIR je vhodn{ především pro studium vegetace, zejména pro hodnocení stavu porostů polních plodin pomocí vegetačních indexů. Vzhledem k tomu, že na výsledném stavu porostů se často také projevují rozdíly v půdním substr{tu a jeho vlastnostech, lze informace o prostorové variabilitě porostů využít při mapov{ní půdních podmínek (Barnes et al., 2003; Leon et al., 2003; Palacios-Orueta et al., 1999). Z výsledků korelační analýzy mezi metodami d{lkového průzkumu vyplývají rozdíly ve shodných spektr{lních p{smech z DSLR a multispektr{lní kamery. Na pozemku Pachty byla korelace mezi oběma R a G p{smy velmi vysok{ (r > 0,6**), přesto ale nelze považovat odrazivost v obou p{smech za shodnou. Příčinou může být rozdílné technické parametry snímací aparatury obou zařízení (prostorové a spektr{lní rozlišení, rozdíln{ separace jednotlivých p{sem), absence spektr{lní kalibrace nebo nedostatek podkladů pro provedení radiometrických korekcí
123
snímků. Na pozemku H{j byly korelace mezi stejnými p{smy na mnohem nižší úrovni. Příčinu této nízké korelace se nepodařilo objasnit. Při vz{jemném porovn{ní výsledků nepřímých metod byly opět nalezeny rozdíly mezi sledovanými pozemky, ve většině případů se ale lišily pouze ve výši hodnot korelačních koeficientů, nikoliv ve směru z{vislosti. Mezi digit{lním výškovým modelem a ověřovanými nepřímými metodami byly nalezeny nižší až středně vysoké korelace, kladné v případě DSLR a MS metod, z{porné s ECa a term{lním snímkov{ním. Z toho vyplýv{, že místa s nižší nadmořskou výškou vyk{zala vyšší hodnoty ECa a vyšší teplotu půdy a z{roveň se na leteckých snímcích ve viditelném a NIR spektru jeví jako tmavší. Podobně jako při hodnocení vztahů mezi výsledky rozborů půdních vzorků, i zde je zřejmě příčinou kombinované působení několika půdních charakteristik – vlhkost, zrnitost půdy a obsah organické hmoty. Další výsledky porovn{ní nepřímých metod jsou již pro oba pozemky značně rozdílné. Na pozemku Pachty byla d{le zjištěna střední až vysok{ korelace mezi ECa a MS, DSLR (obojí z{porn{) či příp. kladn{ s hodnotami term{lních snímků. Středně siln{ z{porn{ z{vislost byla zjištěna mezi termosnímky a DSLR a MS snímky. Na pozemku H{j byly tyto korelace, s výjimkou vztahu mezi ECa a teplotou půdy, neprůkazné nebo na velmi nízké úrovni. Zpracov{ní obrazových dat analýzou hlavních komponent (PCA) Z hlediska zpracov{ní obrazových dat byla ověřov{na metoda analýzy hlavních komponent (PCA). Tato metoda je prim{rně určena pro vícep{smové snímky, je ale možné ji použít i u snímků s nižším počtem kan{lů. U obou snímkovacích technik, DSLR i multispektr{lních snímků, vyplýv{ z poměru podílu původních p{sem na výsledných hlavních komponent{ch velmi vysoký podíl všech tří p{sem v první (c1) komponentě a nízký podíl v druhé komponentě (c2). To představuje určitou výhodu pro n{sledné využití výsledků d{lkového průzkumu jako nepřímé metody pro mapov{ní prostorové variability půdy – místo několika původních p{sem obrazových dat je možné použít pouze vybrané hlavní komponenty z PCA analýzy. Výsledky korelační analýzy porovn{ní přímých a nepřímých metod ukazují na mírné rozdíly mezi sledovanými lokalitami a mezi použitou snímací technikou. Na pozemku Pachty vyk{zala c2 komponenta DSLR snímku nejvyšší korelaci s půdními parametry ze všech spektr{lních p{sem, c1 komponenta byla na stejné úrovni jako ostatní p{sma. U snímků z multispektr{lní kamery byly korelační koeficienty c1 komponenty na stejné úrovni, či mírně vyšší, jako ostatní p{sma, zatímco hodnoty korelačních koeficientů s c2 byly nízké. Palacios-Orueta a Ustin (1998) dokumentují nalezení vlivu z{kladních půdních charakteristik na jednotlivé hlavní komponenty, přičemž pro každou komponentu byl nalezen odlišný dominantní faktor. Na pozemku H{j vyk{zaly obě c1 komponenty (DSLR a MS)
124
podobnou těsnost vztahu jako spektr{lní kan{ly, zatímco hodnoty korelačních koeficientů s c2 komponentami byly na nižší úrovni. Z uvedeného vyplýv{, že použitím PCA metody může být v řadě případů dosaženo vyšších korelací. Zpravidla bylo ale dosaženo srovnatelné úrovně jako s jednotlivými p{smy původních obrazových kan{lů. Chen et al. (2004) dod{vají, že predikce půdních charakteristik pomocí PCA komponent je platn{ pouze pro dané zkoumané území a rovnici predikce nelze aplikovat na ostatní z{jmové plochy.
6.2.3 Reliéf terénu Na obou pokusných pozemcích byly sledov{ny souvislosti mezi rozdílnou nadmořskou výškou v podobě digit{lního výškového modelu (DEM) a sledovanými půdními charakteristikami. I zde byly zaznamen{ny značné rozdíly mezi oběma lokalitami. Na pozemku Pachty je rozpětí nadmořské výšky nízké (176 – 182 m n. m.), přesto byly zjištěny nižší a středně silné korelace s většinou ze sledovaných půdních vlastnosti (pozitivní s obsahem P a K, negativní s pH, obsahem Mg, humusu a podílem jílovitých č{stic). Opačn{ situace byla na pozemku H{j. Převýšení je zde mnohem vyšší (280 – 342 m n. m.), průkazné korelace byly ale nalezeny pouze u obsahu K, Mg a humusu, a to s nižšími hodnotami než na pozemku Pachty. Marques Da Silva a Alexandre (2005) ve své pr{ci sledovali vliv topografických faktorů na agrochemické vlastnosti půdy. Jejich výsledky tohoto porovn{ní jsou přesně opačné – pozitivní korelace byla nalezena s pH a obsahem Ca, negativní s obsahem K a KVK. Podobně také Changere a Lal (1997) dokumentují vyšší hodnoty pH a obsahu Ca na místech se zvýšenou nadmořskou výškou. Nalezení negativního vztahu mezi nadmořskou výškou a obsahem humusu s podobnou těsností dokumentují např. Kumh{lov{ et al. (2008), přičemž vyšší z{vislosti bylo dosaženo deriv{tem nadmořské výšky – sklonitostí (parametr slope). Zhong a Xu (2009) popisují vazbu několika topografických parametrů na obsah organické hmoty v půdě. I zde byla nalezena negativní z{vislost a podobně byla mírně vyšší korelace zjištěna parametrem slope. Význam vlivu topografie terénu na prostorovou variabilitu dokumentují Godwin a Miller (2003). S ohledem na vliv nadmořské výšky na půdní charakteristiky jsou parametry reliéfu terénu často využív{ny jako jeden z podkladů pro predikci plošné variability půdních vlastností (např. Dobos et al., 2000; Dobos et al., 2005; Zhao et al., 2009). Obs{hlý souhrn odborných prací, které využívají reliéf terénu pro mapov{ní půdních vlastností, pod{v{ McBratney et al. (2003).
125
6.2.4 Vhodnost nepřímých metod pro mapov{ní půdních podmínek v precizním zemědělství Metoda měření elektrické vodivosti půdy (ECa) dos{hla spolu s d{lkovým průzkumem středních až vyšších hodnot korelačních koeficientů s výsledky analýz půdních vzorků. Pro sledov{ní agrochemických vlastností půdy vyk{zala vodivost půdy a snímky ve viditelném a blízce infračerveném spektru přibližně stejný potenci{l. Tyto výsledky nejsou d{ny schopností těchto metod detekovat obsah živin v půdě, ale schopností detekovat změny z{kladních fyzik{lních vlastností půdy, které výsledky těchto nepřímých měření ovlivňují (zrnitost, vlhkost půdy a obsah organické hmoty). Přesto dosažené výsledky poukazují na možnost využití těchto metod i pro mapov{ní prostorové variability z{sobenosti půd živinami. V případě obsahu humusu je možné sledovat vyšší vliv u metod d{lkového průzkumu v podobě DSLR a MS snímků (výrazný na pozemku H{j). Podobně vyrovnan{ situace je i v případě zrnitosti půdy, kde nejvyšších korelací bylo dosaženo term{lním snímkov{ním a poté ECa a d{lkovým snímkov{ním DSLR a MS technikou. Všechny porovn{vané nepřímé metody jsou metodami neinvazivními, nedestruktivními a bezkontaktními, pokud pomineme kontakt nosiče přístroje pro měření ECa se zemským povrchem. Výhodou metody měření ECa půdy je vertik{lní průnik měřícího sign{lu půdou, a tedy získ{ní informací o vlastnostech půdního profilu. Výsledek měření ECa také není ovlivněn vegetačním krytem půdy nebo posklizňovými zbytky (Brevik et al., 2003), což umožňuje prov{dět měření jak holé půdy, tak s vegetací. Naopak nevýhodou je nutnost pozemního měření, které snižuje výkonnost měření. Z tohoto pohledu se ale může jednat také o pozitivum, neboť n{klady na měření se příliš nezvyšují při průzkumu např. pouze jedné lokality. Metody d{lkového průzkumu mají přesně opačné vlastnosti – odrazivost půdy je z{ležitostí pouze svrchní vrstvy půdy, ale z{roveň leteckým nebo satelitním snímkov{ním je možné v jeden okamžik zachytit velké území. Druhou nevýhodou je nutnost prov{dět snímkov{ní holé půdy. Kerry a Oliver (2003) ve své pr{ci uv{dějí, že letecké fotografie holé půdy identifikují podobn{ měřítka variability na pozemku jako snímky s porostem polních plodin. Dokazují ale, že vztah mezi půdními charakteristikami a d{lkovým průzkumem je spolehlivěji pops{n snímky holé půdy. Určitým plusem d{lkového snímkov{ní může být využití již dostupné datab{ze leteckých a satelitních snímků, které lze na území ČR použít. Dostupn{ jsou např. leteck{ ortofota z ČÚZK, pořizovan{ na našem území v tříletých intervalech, nebo z volně dostupných mapových serverů (geoportal.cenia.cz; www.mapy.cz). Satelitní snímky jsou dostupné přes lok{lní distributory družicových dat nebo lze některé taktéž získat bezplatně (např. data s nízkým rozlišením z družic Landsat). Pokud potřebn{ data nejsou k dispozici nebo nejsou aktu{lní, pořízení aktu{lního snímku malého území je zatíženo vyšší n{kladovostí.
126
Mezi sledovanými technologiemi d{lkového průzkumu nebyly zjištěny výrazné rozdíly při porovn{ní s výsledky půdního vzorkov{ní. Je tedy na zv{ženou, zda výhody term{lního snímkov{ní v podobě mírně vyšší detekce půdní zrnitosti převažují nad nevýhodami, které jsou d{ny vyšší pořizovací cenou termografické snímací techniky, nebo jejího pron{jmu, a nutnosti provést vlastní snímkov{ní sledovaných lokalit, neboť celoplošn{ termografick{ data České republiky nejsou k dispozici, tak jak je tomu v případě snímků z viditelného spektra. Podobn{ situace je také v případě NIR snímků. Při snížení požadavků na prostorové rozlišení snímků je ale možné využít některé družicové systémy, které v daných p{smech elektromagnetického z{ření snímají zemský povrch (ASTER, Landsat). Další nepřímou metodou použitelnou pro popis prostorové variability mohou být výnosov{ data (Frogbrook et al., 2002) kter{ však nebyla předmětem ověřov{ní v této pr{ci. Výnos plodin je odrazem půdního prostředí, pěstitelských z{sahů a povětrnostních vlivů. Z{znam výnosu při sklizni je ale zkreslov{n celou řadou vlivů (Blackmore a Marshall, 1996; Noack, 2007); navíc Kerry a Oliver (2003) upozorňují na nižší vhodnost výnosových dat pro určov{ní prostorové variability půdy, protože půdní vlastnosti nejsou vždy nejvýznamnějším faktorem ovlivňujícím konečný výnos.
6.3 Porovn{ní n{vrhů půdního vzorkov{ní Jednotlivé varianty n{vrhů odběrových schémat byly porovn{v{ny z hlediska dosažené úrovně sledovaných půdních vlastností, míry prostorové z{vislosti a přesnosti stanovení půdní charakteristiky ve srovn{ní s původní odběrovou sítí (50m). Na obou pozemcích byly porovn{v{ny tři varianty pravidelné sítě lišící se vzd{leností odběrových bodů (50 m, 100 m a 150 m) a dvě varianty s nepravidelným rozmístěním odběrových bodů, stanoveným pomocí programu ESAP-RSSD na z{kladě výsledků měření elektrické půdní vodivosti (ESAP_1) a první komponenty PCA analýzy DSLR snímku holé půdy (ESAP_2). Na pozemku Pachty byla d{le porovn{v{na varianty nepravidelné sítě se subjektivním rozmístěním odběrových bodů dle mapy elektrické vodivosti půdy (OPT). Všechny varianty odběrových sítí vznikly výběrem bodů z původní odběrové sítě o vzd{lenosti bodů 50 m. Výsledky hodnocení aritmetického průměru pH půdy uk{zaly jen mírné rozdíly mezi variantami odběrových sítí v r{mci sledovaných lokalit. Pouze na pozemku Pachty u varianty OPT a ESAP_1 byla půdní reakce zařazena do jiné třídy hodnocení než ostatní varianty. Změna hustoty a schématu vzorkov{ní tedy neměla vliv na průměrnou hodnotu pH. V případě rozptylu a variačního koeficientu ale již bylo možné pozorovat souvislosti s měnící se hustotou vzorkov{ní. Na obou pozemcích znamenalo snížení hustoty vzorkov{ní zvýšení 127
rozptylu a variačního koeficientu pH; výjimkou byla pouze varianta ESAP_1 na pozemku Pachty a 150m síť na pozemku H{j. Na obou lokalit{ch se ale změna variačního koeficientu pohybovala pouze v ř{du několika procent. Z agronomického pohledu bylo již v dřívějších pracích uvedeno, že celkové množství aplikovaného hnojiva se s rozdílnou hustotou vzorkov{ní příliš neliší, z{sadní rozdíly lze ale nalézt v prostorové distribuci d{vek hnojiv na pozemku (Lukas, 2007; Lukas a Křen, 2005). Míra prostorové z{vislosti, stanoven{ na z{kladě podílu zbytkového rozptylu na celkovém rozptylu (nugget:sill), se na pozemku Pachty snižovala se snižující se hustotou vzorkov{ní v pravidelné síti. U nejhustější sítě (50m, 214 vzorků) byla dle hodnocení Cambardella a Karlen (1999) zjištěna siln{ prostorov{ z{vislost, u 100m (52 vzorků) sítě střední a 150m (27 vzorků) síť vyk{zala pure nugget variogram, tedy slabou (nulovou) prostorovou z{vislost. Pure nugget efekt je důsledkem příliš malé hustoty vzorkov{ní, kdy vzd{lenost mezi odběrovými body je menší než hranice prostorové z{vislosti (Borůvka, 2001). S ohledem na vyšší heterogenitu půdních podmínek byl daný počet vzorků (n = 27) nedostatečně reprezentativní pro popis plošné variability. U nepravidelných sítí byla i přes nižší počet vzorků prostorov{ z{vislost klasifikov{na jako střední (OPT) a siln{ (ESAP_2). Varianta ESAP_1 dos{hla nulové hodnoty nugget:sill ukazatele a nebyla proto hodnocena. Podobně na pozemku H{j se prostorov{ z{vislost snižovala s rostoucí vzd{leností mezi odběrovými místy u pravidelné sítě, výjimkou byla pouze 100m varianta, kter{ vyk{zala nižší hodnotu nugget:sill poměru než 50m varianta. Varianta optimalizované sítě vytvořen{ na z{kladě výsledků elektrické vodivosti půdy (ESAP_1) vyk{zala střední úroveň prostorové z{vislosti, varianta ESAP_2 vytvořen{ z leteckých snímků holé půdy byla na rozhraní silné a střední kategorie hodnocení prostorové z{vislosti. Přesnost popisu prostorové variability půdní reakce na obou pozemcích byla hodnocena na z{kladě ukazatele RMSE50 stanoveného z odchylek jednotlivých variant odběrových sítí po plošné interpolaci s výsledky analýz pH v 50m pravidelné síti. Výsledky porovn{ní po interpolaci metodou OK uk{zaly, že se snižující se hustotou vzorkov{ní v pravidelné síti kles{ přesnost výsledných půdních map. Osmin{sobné snížení počtu vzorků u 150m sítě v porovn{ní s 50m sítí vedlo na pozemku Pachty ke zhruba čtyřn{sobnému zvýšení nepřesnosti odhadu, na pozemku H{j přibližně ke dvojn{sobnému. Naproti tomu, s výjimkou ESAP_1 varianty na pozemku Pachty, poskytly všechny varianty optimalizovaných sítí podobnou úroveň predikce jako 100m síť, ale při nižším počtu vzorků. Rozdíl v počtu odebraných vzorků byl v případě pozemku Pachty 13 vzorků pro variantu OPT a 33 vzorků u varianty ESAP_2, na pozemku H{j pak 21 vzorků pro ESAP_1 a ESAP_2. Ačkoliv n{vrh rozmístění odběrových bodů byl proveden na z{kladě dvou rozdílných datových zdrojů (ECa půdy, DSLR snímky), ve výsledcích nebyl pozorov{n mezi těmito variantami ž{dný významný rozdíl. Také Frogbrook a Oliver (2007) došli k z{věru, že cílené vzorkov{ní na z{kladě
128
pomocných dat nepřímých metod mapov{ní poskytují stejnou přesnost při nižší počtu vzorků než tradičně používan{ 100 m odběrov{ síť. Webster a Oliver (1992) ud{vají, že přestože pro výpočet variogramu je v optim{lním případě zapotřebí nejméně 100 vzorků a variogram vypočtený z méně jak 50 vzorků m{ malou vypovídací schopnost, byla dosažen{ přesnost predikce u nepravidelných sítí na stejné úrovni jako odběrové sítě s dvojn{sobným počtem vzorků. Ukazuje se tedy, že nejen hustota ale i rozmístění odběrových míst m{ významnou roli při půdním vzorkov{ní. To ostatně potvrzuje také např. van Groeningen (2000). Tarr et al. (2005) dokumentují, že vliv hustoty vzorkov{ní na přesnost predikce nemusí být shodný pro všechny sledované půdní charakteristiky. Dokazují to na příkladu obsahu P a půdní vlhkosti, kdy vyšší počet odběrových bodů poskytl vyšší přesnost u půdní vlhkosti, zatímco predikce obsahu P byla spolehlivější u odběrové sítě s nižší hustotou. Řada dalších vědeckých prací dokazuje, že prostorové struktury identifikované variogramy pomocných (nepřímých) dat a výsledků terénního průzkumu jsou podobné. To d{v{ předpoklad použití nepřímých dat pro n{vrh vhodného vzorkovacího schématu pro mapov{ní půdních vlastností nebo pro zlepšení predikcí ze vzorkov{ní o nízkém počtu hodnot pomocí metod se z{znamem hodnot s vysokou intenzitou (Kerry a Oliver, 2003,2008; López-Granados et al., 2005; Sullivan et al., 2005; Tarr et al., 2005). Nízk{ spolehlivost predikce byla obecně dosažena u varianty ESAP_1 na pozemku Pachty, kter{ vyk{zala jen o něco m{lo nižší hodnotu RMSE50 než pravideln{ síť 150m. Přesnost predikce byla značně nižší v porovn{ní s ESAP_2 variantou, optimalizovanou dle výsledků PCA analýzy DEM a DSLR vrstvy, ačkoliv na pozemku Pachty byla vyšší korelace s pH půdy u ECa než s DSLR snímky a reliéfem terénu. Příčinou je zřejmě nedostatečn{ definice modelu variogramu a cross-variogramu, kter{ může být způsobena méně spolehlivým určením odběrových míst v programu ESAP-RSSD či nepřesností vzniklými na z{kladě přiřazení hodnot půdních charakteristik z nejbližších bodů původní pravidelné sítě či nedostatečným počtem vzorků pro spolehlivou definici modelu variogramu a cross-variogramu. Na pozemku H{j I přes velmi nízké korelace s nepřímými metodami na pozemku H{j poskytla optimalizace rozmístění odběrových bodů na z{kladě výsledků senzorového mapov{ní stejnou přesnost při polovičním počtu vzorků. K podobnému z{věru došli také López-Granados et al. (2005). Naproti tomu Lesch (2005) konstatuje, že SRS strategie výběru bodů selh{v{ pr{vě v případech, kdy z{znamy senzoru nekorelují se sledovanou půdní charakteristikou nebo půdní charakteristika je silně ovlivněna sekund{rními faktory, které nejsou senzory dostatečně detekov{ny. Kromě běžného krigingu byl také sledov{n vliv použití pomocných dat při interpolaci metodou cokriging a interpolace obou těchto metod bez výpočtu zbytkového rozptylu (OKNN, CoKNN). Použitím cokrigingu s daty elektrické půdní vodivosti bylo na pozemku Pachty u všech variant odběrových sítí dosaženo vyšší přesnosti predikce v porovn{ní s metodou běžného krigingu,
129
přičemž nejvýraznější rozdíly vyk{zaly pravidelné sítě a OPT varianta, tedy varianty bez optimalizace odběrové sítě, nebo jeho provedení v podobě subjektivního výběru vzorků dle ECa mapy. To potvrzují také např. Kerry a Oliver (2003), kteří dokumentují zvýšení predikce metodou cokriging na nevzorkovaných místech zejména u odběrových sítí s nízkou hustotou vzorkov{ní. Naproti tomu na pozemku H{j bylo vyšší predikce metodou cokriging dosaženo pouze u nejhustší sítě, ostatní vyk{zaly stejnou nebo vyšší hodnotu ukazatele RMSE50. Pořízení dat pomocí nepřímých metod s vysokou hustotou z{znamu, jako je např. elektrick{ vodivost půdy, představuje dodatečné zvýšení n{kladů, jak ale poukazují Frogbrook a Oliver (2007), ECa a podobně také reliéf terénu se příliš nemění v čase a pořízení těchto dat tak pro pěstitele představuje dlouhodobou investicí. Zlepšení odhadu bylo obecně vyšší u půdních charakteristik, které vyk{zaly vyšší korelaci s ECa hodnotami. Nižší nebo stejn{ úroveň predikce na pozemku H{j tedy odpovíd{ nízkým hodnot{m korelace pH s ECa. Kriging bez výpočtu zbytkového (OKNN) poskytl v porovn{ní s OK metodou vyšší spolehlivost predikce na pozemku Pachty u variant odběrové sítě s nižší úrovní prostorové z{vislosti, tedy 100m, 150m a OPT. V tomto případě se ukazuje, že při dosažení vysokého podílu zbytkového rozptylu je výhodné použít přesné interpol{tory (běžný kriging bez výpočtu zbytkového rozptylu). Na pozemku H{j byl tento jev patrný pouze u varianty ESAP_1, u ostatních variant byla přesnost shodn{ s OK metodou. Podobně varianta cokrigingu bez výpočtu nugget variance (CoKNN) nepřinesla zvýšení spolehlivosti odhadu, pouze variant ESAP_1 na pozemku H{j a 150m na pozemku Pachty byla odchylka nižší než u CoK interpolace. Z výše uvedených výsledků vyplýv{, že nepřímé metody mohou být použity pro n{vrh (optimalizaci) nového půdního vzorkov{ní s nepravidelným rozmístěním odběrových bodů, tedy pro postup, který je nazýv{n cíleným vzorkov{ním. Dle Dinkinse a Jonese (2008) je nejlepší strategií pro mapov{ní půdních podmínek nejprve předběžné stanovení úrovně variability na pozemku nepřímými metodami a v případě že je nízk{, použít vzorkov{ní v pravidelné síti; při vysoké variabilitě pak provést cílené vzorkov{ní na z{kladě výsledků senzorového mapov{ní. Výsledky nepřímého měření je ale možné využít také pro zlepšení přesnosti interpolace bodových dat na celoplošné mapy z již provedeného vzorkov{ní v pravidelné síti, přičemž podmínkou je nalezení korelace mezi půdní charakteristikou a nepřímou metodou.
130
7. Z[VĚRY Znalost půdních podmínek m{ v systému lok{lně specifického obhospodařov{ní klíčovou roli, obzvl{ště ve vazbě na výživu a hnojení rostlin. Neadekv{tní aplikace hnojiv na z{kladě nepřesně zjištěného stavu půdní z{sobenosti, či jejích fyzik{lních vlastností ovlivňujících mobilitu živin, mohou představovat významné ekonomické ztr{ty v podobě nedostatečného využití produkčního potenci{lu plodin a stanoviště, či v horším případě z{těž a poškození životního prostředí zbytečným přehnojov{ním. Tradiční zjišťov{ní prostorové variability půdních podmínek odběrem půdních vzorků a n{slednými laboratorními analýzami poskytuje přesné informace o dosažené úrovni sledovaných půdních vlastností, s ohledem na n{kladnost a n{ročnost tohoto procesu ale neumožňuje efektivní vyj{dření plošné variability s dostatečnou prostorovou přesností, požadovanou v precizním hospodaření. Cílem této pr{ce bylo ověření využití nepřímých metod pro rychlý, nen{kladný a z{roveň přesný popis prostorové variability vybraných agronomicky relevantních půdních vlastností. Mapov{ní půdním vzorkov{ním Výsledky podrobného půdního vzorkov{ní ve čtvercové síti s 50m vzd{leností bodů uk{zaly na rozdílnou úroveň variability mezi sledovanými půdními charakteristikami i mezi oběma pokusnými lokalitami. To je zapříčiněno vlastní heterogenitou daného stanoviště, reliéfem terénu či v případě pozemku Pachty historickými melioračními z{sahy. Na obou pozemcích se také lišila střední hodnota datových souborů, zejména u půdní reakce či vyšší hodnoty z{sobenosti půdy na pozemku H{j. Některé rozdíly nevyplývaly přímo z u n{s běžně používané klasifikace, jako např. půdní zrnitost, kter{ byla na obou pozemcích dle obsahu jílovitých č{stic shodn{, ale z{sadně se lišila po zohlednění podílu ostatních zrnitostních frakcí. Podobně byly nalezeny rozdíly také v popisu prostorové variability hodnocené z parametrů variogramu. Na z{kladě nejnižší dosažené odchylky hodnocené metodou cross-validation byl proveden výběr interpolačního postupu pro každou ze sledovaných půdních vlastností. Kromě vlastní interpolační metody byl sledov{n vliv matematického modelu variogramu, jeho směrové z{vislosti a logaritmické transformace dat. Z parametrů variogramu byla sledov{na hranice prostorové z{vislosti, kter{ z praktického hlediska určuje maxim{lní interval půdního vzorkov{ní v pravidelné síti. Na pozemku Pachty bylo v porovn{ní s druhou lokalitou dosaženo nižší hranice prostorové z{vislosti u většiny agrochemických vlastností. Pouze podíly zrnitostních frakcí zde vyk{zaly tzv. pure nugget variogram, který svědčí o nedostatečném počtu vzorků pro popis prostorové variability.
131
Vhodnost logaritmické transformace v podobě lognorm{lového krigov{ní byla na pozemku Pachty prok{z{na při koeficientu šikmosti větším než 1, v souladu s doporučením Kerry a Oliver (2007a). V případě extrémní šikmosti u obsahu Ca nebylo kýženého efektu transformace dosaženo. Podobně na pozemku H{j poskytl u většiny charakteristik se zvýšeným koeficientem šikmosti lognorm{lový kriging nižší odchylky než běžný kriging, z důvodu nižší prostorové z{vislosti dat byla ale nejpřesnější metodou IDW. Vliv směrové z{vislosti variogramu na přesnost interpolace byl i přes značnou svažitost na pozemku H{j pozorov{n pouze na pozemku Pachty. Mapov{ní nepřímými metodami Z nepřímých metod, založených na senzorovém měření půdních vlastností na pozemku, bylo ověřov{no měření elektrické vodivosti půdy, letecké snímkov{ní a mapov{ní reliéfu terénu a sledov{na úroveň detekce půdních vlastností zjištěných půdních vzorkov{ním. Výsledky korelační analýzy se na obou pokusných lokalit{ch značně lišily. Zatímco na pozemku Pachty byla nalezena střední až siln{ korelace nepřímých metod s většinou půdních vlastností, v případě pozemku H{j byly hodnoty korelačních koeficientů na mnohem nižší úrovni. Potvrzení hypotézy č. 1, definované v cíli pr{ce, je tedy platné zejména pro pozemek Pachty, který představuje lokalitu s vyšší heterogenitou půdních podmínek. Měření elektrické vodivosti spolu s d{lkovým průzkumem vyk{zalo podobný potenci{l identifikace změny půdních vlastností, neboť v obou případech jsou nejvýznamněji ovlivňov{ny působením půdních faktorů (zrnitost-vlhkostorganick{ hmota). ECa půdy reaguje na tyto faktory vyššími hodnotami, d{lkový průzkum naopak nižšími. Komplexní působení mnoha faktorů ztěžuje určení jejich detailního vlivu, což z praktického hlediska znemožňuje identifikaci každého z nich bez použití konvenčních metod. Na druhou stranu tato komplexnost může představovat výhodu při popisu prostorové variability půdy, neboť zohledňuje všechny její významné faktory a umožňuje získat celkový obraz stavu půdy na daném pozemku. Měření elektrické vodivosti půdy (ECa) bylo na obou pozemcích provedeno ve dvou termínech, na pozemku H{j pak dvěma různými přístroji. Výsledky ECa potvrdily rozdílnost obou lokalit z pohledu dostupnosti půdní vl{hy, kter{ je jedním z nejvýznamnějších faktorů ovlivňujících elektrickou vodivost půdy, a také z hlediska zjištěné půdní variability. Nízké hodnoty ECa s dvojn{sobným variačním koeficientem odpovídají vyšší heterogenitě a ariditě půdních podmínek na pozemku Pachty. Při porovn{ní s výsledky půdního vzorkov{ní bylo na pozemku Pachty dosaženo skoro ve všech případech vysoké statistické průkaznosti, zatímco na pozemku H{j pouze u některých. Jako jeden z nejvýznamnějších faktorů ovlivňujících ECa půdy byl na obou pozemcích identifikov{n podíl jílovitých č{stic v půdě. V zemědělském výzkumu je pro účely mapov{ní rozdílů ve fyzik{lních vlastnostech půdy tato metoda často použív{na.
132
Nalezení střední úrovně korelace s agrochemickými vlastnostmi d{v{ teoretický předpoklad pro zjišťov{ní prostorové variability i těchto půdních parametrů. Spíše než o přímý vliv obsahů živin na ECa půdy se ale jedn{ o sekund{rní projev půdních faktorů, které ovlivňují jak agrochemické vlastnosti půdy, tak její elektrickou vodivost. Z pohledu stability měření byly opět na obou pozemcích zjištěny z{sadní rozdíly. Mezi termíny měření na pozemku Pachty byl nalezen těsný vztah, což znamen{, že z kr{tkodobého hlediska lze tuto metodu považovat za stabilní. Naproti tomu byla na pozemku H{j zjištěna nulov{ korelace mezi oběma termíny měření v roce 2007 a 2009. Příčin může být několik – použitím rozdílných měřících přístrojů počínaje až po odlišný způsob měření na pozemku. Výraznou příčinou také mohlo být rozdělení pozemku na dva hony s odlišnou plodinou v roce 2006, neboť měření 2007 vyk{zalo podobné rozložení hodnot ECa na pozemku. Tímto příkladem se ukazuje, jak významnou roli v prostorové variabilitě pozemku může mít jeho rozdíln{ historie užív{ní. Podobně jako ECa byla i v případě d{lkového průzkumu nalezena na pozemku H{j mnohem nižší úroveň korelace s výsledky půdních rozborů. Mezi jednotlivými metodami snímkov{ní nebyly zjištěny z{sadní rozdíly s výjimkou zrnitosti půdy, kde bylo nejlepších výsledků dosaženo term{lním snímkov{ním. Vyšší n{klady na pořízení tohoto druhu dat ale snižují použitelnost této metody v praxi. Podobně multispektr{lní snímkov{ní vyk{zalo pouze mírně lepší výsledky než snímkov{ní ve viditelném spektru a jeho využití pro tyto účely je tedy zbytečné. Kromě spektr{lní oblasti snímkov{ní byla také ověřov{na transformace dat metodou analýzy hlavních komponent (PCA). Kromě mírného zvýšení úrovně korelací u některých půdních vlastností umožňuje kombinaci několika p{sem snímků do jedné vrstvy. Z praktického pohledu poskytly zmiňované nepřímé metody podobné výsledky. O možnosti jejich nasazení v praxi tak rozhodují specifické způsoby prov{dění mapov{ní. V obou případech se jedn{ o metody neinvazivní a bezkontaktní, v případě měření ECa jde o pozemní měření. To m{ sv{ omezení v podobě nižší plošné výkonnosti, na druhou stranu je možné bez zvýšených n{kladů zmapovat pouze malé území. Výhodou měření ECa je také průnik měřícího sign{lu půdou a získ{v{ní tak informací o půdním profilu. V neposlední řadě je touto metodou možné prov{dět měření bez ohledu na vegetační pokryv půdy. Metody leteckého snímkov{ní mají přesně opačné výhody. Umožňují mapov{ní velkého území v relativně kr{tkém čase, které snižuje pořizovací cenu dat, snímkov{ní malého území je ale z tohoto pohledu n{kladné. Odrazivost půdy je z{ležitostí pouze svrchní vrstvy půdy, takže nejsou získ{v{ny údaje o jejím vertik{lním členění. K tomu se v{že i podmínka absence vegetačního krytu na půdě. Využití snímků s vegetací pro mapov{ní půdní variability může být zatíženo nízkou spolehlivostí, neboť půda není vždy dominantním faktorem růstu 133
rostlin. Naopak výhodou d{lkového průzkumu je i z historického hlediska poměrně bohat{ datab{ze pro naše území a její snadn{ dostupnost odborné veřejnosti, a to v případě leteckých i satelitních obrazových dat. Z důvodu prov{dění letových kampaní nejčastěji v průběhu vegetace polních plodin však může být výběr těchto dat značně ztížen. Reliéf terénu v podobě digit{lního výškopisného modelu (DEM) představuje s ohledem na její dostupnost často používanou metodu. Z výsledků korelační analýzy ale vyplýv{ v porovn{ní s měření ECa půdy a leteckým snímkov{ním nedostatečn{ detekce změn u většiny půdních charakteristik. Zajímavé je dosažení vyšší těsnosti vztahu na poměrně rovinatém pozemku Pachty než na dosti svažitém pozemku H{j. V tomto případě mělo nízké rozpětí nadmořské výšky na pozemku Pachty větší vliv na variabilitu půdních vlastností než na pozemku H{j s vysokým rozsahem. Porovn{ní n{vrhů půdního vzorkov{ní Vliv hustoty a rozmístění odběrových bodů půdního vzorkov{ní byl hodnocen u půdní reakce na z{kladě odchylky jednotlivých variant odběrových sítí od původní 50m sítě (RMSE50) a míry prostorové z{vislosti dle ukazatele nugget:sill. Porovn{v{ny byly pravidelné čtvercové sítě s rozdílným počtem bodů a sítě s nepravidelným rozmístěním bodů optimalizované na z{kladě předběžné analýzy prostorové variability pozemku nepřímými metodami. Statistické hodnocení jednotlivých variant uk{zalo mírné rozdíly v rozptylu a variabilitě datových souborů, střední hodnota se ale příliš neměnila. Naproti tomu v případě prostorové z{vislosti již změny reflektovaly rozdílnou hustotu a n{vrh odběrových sítí. U pravidelných sítí se se snižující hustotou vzorkov{ní snižovala prostorov{ z{vislost, přičemž u nejřidší sítě na pozemku Pachty již daný počet bodů nestačil na popis prostorové variability, což se projevilo pure nugget variogramem. Optimalizované sítě vyk{zaly vyšší úroveň prostorové z{vislosti i při nižším počtu vzorků. Z hlediska dosažené spolehlivosti predikce hodnot na nevzorkovaných místech byla situace podobn{. Se zvyšující se vzd{leností mezi odběrovými body pravidelných sítí klesala přesnost odhadu. Odchylky optimalizovaných sítí byly s výjimkou varianty ESAP_1 na pozemku Pachty na stejné úrovni jako 100m síť, což na pozemku Pachty představuje u varianty OPT snížení počtu vzorků o 25 % a u ESAP_2 varianty o zhruba 38 %, na pozemku H{j pak snížení počtu vzorků o necelou polovinu (48 %). Tyto výsledky potvrzují hypotézu č. 2, definovanou v cíli pr{ce, kter{ předpokl{d{ využití nepřímých metod k optimalizaci vzorkov{ní. Použití výsledků měření nepřímými metodami vedlo ke zlepšení přesnosti predikce i při nižší úrovni korelace s výsledky půdního vzorkov{ní (pozemek H{j). Kromě využití nepřímých metod pro optimalizaci půdního vzorkov{ní byly také ověřov{ny postupy zpřesnění výsledků půdních rozborů pravidelných a optimalizovaných sítí. Pro pravidelné sítě s nižší úrovní prostorové z{vislosti se 134
na pozemku Pachty uk{zala vhodnou metoda krigov{ní bez výpočtu zbytkového rozptylu (nugget efektu). Na pozemku H{j tento postup ale nepřinesl významné zvýšení přesnosti. Podobné to bylo i v případě dodatečného použití výsledků nepřímých metod při interpolaci metodou cokriging, kdy tento postup poskytl spolehlivější predikci přev{žně na pozemku Pachty. V tomto případě lze za neúspěšností tohoto postupu na pozemku H{j spatřovat nízké korelace nepřímých metod s výsledky půdních analýz. Z výsledků je tedy patrné, že nejen hustota vzorkov{ní, ale také rozmístění odběrových bodů po pozemku mají z{sadní vliv na výslednou přesnost půdního vzorkov{ní. Optimalizace odběrové sítě na z{kladě předběžné analýzy prostorové variability pomocí nepřímých metod umožňuje dos{hnout významné redukce počtu vzorků při zachov{ní výsledné přesnosti půdních map i při nízké úrovni korelace mezi nepřímými a přímými metodami. Nepřímé metody lze ale také využít při již provedeném půdním vzorkov{ní v pravidelné síti, kde začlenění senzorového měření vede zpravidla ke zvýšení přesnosti predikce hodnot na nevzorkovaných místech pozemku. Doporučení pro praxi a n{měty na další výzkum Využití výsledků měření nepřímých metod může zejména u systému precizního zemědělství vést ke značné redukci počtu odběrů půdního vzorkov{ní a tím zefektivnit proces mapov{ní půdních podmínek. Podobně v případě tradičně prov{děného agrochemického zkoušení zemědělských půd by navrhovan{ optimalizace výběru reprezentativních vzorků mohla, přispět ke zlepšení popisu úrovně agrochemických vlastností. Volba nepřímé metody pak z{visí na konkrétních stanovištních, povětrnostních a vegetačních podmínk{ch. Obě navrhované metody, měření elektrické vodivosti a letecké snímkov{ní, vyk{zaly podobné výsledky, liší se ale ve způsobu prov{dění měření. V případě leteckého snímkov{ní je do určité míry možné využít st{vající datab{ze, či historických z{znamů. Předmětem dalšího výzkumu v dané oblasti by mohl být pr{vě d{lkový průzkum, konkrétně posouzení možnosti využití snímků porostu polních plodin pro optimalizace půdního vzorkov{ní, neboť většina letových kampaní je prov{děna během vegetačního období. Do popředí z{jmu se st{le více dost{v{ také satelitní průzkum, který umožňuje mapov{ní rozs{hlého území. Kromě metod d{lkového průzkumu st{le probíh{ vývoj on-the-go půdních senzorů, které se zaměřují na detekci jednotlivých půdních vlastností (např. pH, obsah jednotlivých makroživin, obsah organické hmoty). Úspěšn{ validace těchto senzorů a jejich použití v praxi by pak představovalo další f{zi mapov{ní půdní prostorové variability postupně nahrazující tradiční půdní vzorkov{ní.
135
8. SEZNAM POUŽITÉ LITERATURY: Adamchuk, V. I., Hummel, J. W., Morgan, M. T., Upadhyaya, S. K. On-the-go soil sensors for precision agriculture. Computers and Electronics in Agriculture. 2004, vol. 44, no. 1, pp. 71-91. Adamchuk, V. I., Lund, E. D., Reed, T. M., Ferguson, R. B. Evaluation of an on-thego technology for soil pH mapping. Precision Agriculture. 2007, vol. 8, no. 3, pp. 139-149. Adamchuk, V. I., R.A., V. R., Marx, D. B., Samal, A. K. Enhancement of On-the-Go Soil Sensor Data Using Guided Sampling, 23.6., 2009; http://bse.unl.edu/adamchuk/presentations/ICPA_2008.pdf. Allen, D., Land, Water, A., National Program for Sustainable, I. Geophysics for the irrigation industry. Canberra: Land & Water Australia, 2007. 178. ISBN 1921253304 Allred, B. J., Daniels, J. J., Ehsani, M. R. Handbook of agricultural geophysics. Boca Raton: CRC Press, 2008. 410. ISBN 9780849337284 Anderson-Cook, C. M., Alley, M. M., Roygard, J. K. F., Khosla, R., Noble, R. B., Doolittle, J. A. Differentiating soil types using electromagnetic conductivity and crop yield maps. Soil Science Society of America Journal. 2002, vol. 66, no. 5, pp. 1562-1570. Atherton, B. C., Morgan, M. T., Shearer, S. A., Stombaugh, T. S., Ward, A. D. Site specific farming: A perspective on information needs, benefits and limitations. Journal of Soil and Water Conservation. 1999, vol. 54, no. 2, pp. 455-461. Atkinson, P. M., Lloyd, C. D. Non-stationary variogram models for geostatistical sampling optimisation: An empirical investigation using elevation data. Computers and Geosciences. 2007, vol. 33, no. 10, pp. 1285-1300. Auernhammer, H. Precision farming - The environmental challenge. Computers and Electronics in Agriculture. 2001, vol. 30, no. 1-3, pp. 31-43. Bachmaier, M., Backes, M. Variogram or semivariogram? Understanding the variances in a variogram. Precision Agriculture. 2008, vol. 9, no. 3, pp. 173-175. Baier, J., Baierov{, V. Abeceda výživy rostlin a hnojení, 1. vyd. ed. Praha: St{tní zemědělské nakladatelství, 1985. 364. ISBN Barnes, E. M., Sudduth, K. A., Hummel, J. W., Lesch, S. M., Corwin, D. L., Yang, C., Daughtry, C. S. T., Bausch, W. C. Remote- and ground-based sensor techniques to map soil properties. Photogrammetric Engineering and Remote Sensing. 2003, vol. 69, no. 6, pp. 619-630. Baumgardner, M. F., Silva, L. F., Biehl, L. L., Stoner, E. R., Brady, N. C. Reflectance Properties of Soils, Advances in Agronomy, pp. 1-44: Academic Press, 1985. ISBN 0065-2113
136
Ben-Dor, E., Chabrillat, S., Dematt, J. A. M., Taylor, G. R., Hill, J., Whiting, M. L., Sommer, S. Using Imaging Spectroscopy to study soil properties. Remote Sensing of Environment. 2009, vol. 113. Ber{nek, K., Klement, V. Variabilita agrochemických vlastností zemědělské půdy dle výsledků agrochemického zkoušení zemědělských půd v období 1999-2004. Bulletin: Sekce úřední kontroly. ÚKZÚZ Brno, 2007, XV, http://www.ukzuz.cz/Uploads/7792-7-42007pdf.aspx, [20.7.2009]. Blackmore, S., Marshall, C. Yield mapping; errors and algorithms, in 3rd International Conference on Precision Agriculture, Minneapolis, USA, 1996. Bobert, J., Schmidt, F., Gebbers, R. Estimating soil moisture distribution for crop management with capacitance probes, EM-38 and digital terrain analysis. In. Proceedings of the Third European Conference on Precision Agriculture, 2001, p. 349354. ISBN 9076998213 Borůvka, L. Variabilita půdních vlastností a jejich hodnocení. Habilitační pr{ce, Katedra pedologie a geologie, Česk{ zemědělsk{ univerzita v Praze, Praha, 2001. Borůvka, L., Penížek, V., Brodský, L. Moderní metody hodnocení půdní variability. In Rohoškov{, M. Sborník z konference "Pedologické dny 2004", Roztoky u Křivokl{tu: ČZU v Praze, 2004, p. 139-148. ISBN 80-213-1248-3 Brevik, E. C., Fenton, T. E., Horton, R. Effect of daily soil temperature fluctuations on soil electrical conductivity as measured with the Geonics® EM-38. Precision Agriculture. 2004, vol. 5, no. 2, pp. 145-152. Brevik, E. C., Fenton, T. E., Lazari, A. Differences in EM-38 Readings Taken Above Crop Residues Versus Readings Taken with Instrument-Ground Contact. Precision Agriculture. 2003, vol. 4, no. 4, pp. 351-358. Brevik, E. C., Fenton, T. E., Lazari, A. Soil electrical conductivity as a function of soil water content and implications for soil mapping. Precision Agriculture. 2006, vol. 7, no. 6, pp. 393-404. Brodský, L. Využití geostatistických metod pro mapov{ní prostorové variability agrochemických vlastností půd. Praha: Česk{ zemědělsk{ univerzita, Katedra agrochemie a výživy rostlin, 2004. 120. ISBN 8021311002 Brodsky, L., Boruvka, L. Object-oriented fuzzy analysis of remote sensing data for bare soil brightness mapping. Soil and Water Research. 2006, vol. 1, no. 3, pp. 7984. Brodský, L., Vaněk, V., Bazalov{, M., Balík, J. The differences in the interpolation methods for mapping spatial variability of soil properties. Rostlinn{ Výroba. 2001a, vol. 47, no. 12, pp. 529-535. Brodský, L., Vaněk, V., Sz{kov{, J., Štípek, K. Spatial heterogeneity of soil properties. Rostlinn{ Výroba. 2001b, vol. 47, no. 12, pp. 521-528.
137
Bronson, K. F., Booker, J. D., Officer, S. J., Lascano, R. J., Maas, S. J., Searcy, S. W., Booker, J. Apparent electrical conductivity, soil properties and spatial covariance in the U.S. Southern High Plains. Precision Agriculture. 2005, vol. 6, no. 3, pp. 297-311. Cambardella, C. A., Karlen, D. L. Spatial Analysis of Soil Fertility Parameters. Precision Agriculture. 1999, vol. 1, no. 1, pp. 5-14. Cambardella, C. A., Moorman, T. B., Novak, J. M., Parkin, T. B., Karlen, D. L., Turco, R. F., Konopka, A. E. Field-scale variability of soil properties in central Iowa soils. Soil Science Society of America Journal. 1994, vol. 58, no. 5, pp. 15011511. Campbell, J. B. Introduction to remote sensing, 3rd ed. New York: Guilford Press, 2002. 621 p. ISBN 1572306408 Carroll, Z. L., Oliver, M. A. Exploring the spatial relations between soil physical properties and apparent electrical conductivity. Geoderma. 2005, vol. 128, no. 3-4 SPEC. ISS., pp. 354-374. Carter, M. R., Gregorich, E. G. Soil sampling and methods of analysis, 2nd. ed. [Pinawa, Manitoba]; Boca Raton, FL: Canadian Society of Soil Science ; CRC Press, 2008. ISBN 0849335868 Corwin, D. L., Lesch, S. M. Application of soil electrical conductivity to precision agriculture: Theory, principles, and guidelines. Agronomy Journal. 2003, vol. 95, no. 3, pp. 455-471. Corwin, D. L., Lesch, S. M. Apparent soil electrical conductivity measurements in agriculture. Computers and Electronics in Agriculture. 2005a, vol. 46, no. 1-3 SPEC. ISS., pp. 11-43. Corwin, D. L., Lesch, S. M. Characterizing soil spatial variability with apparent soil electrical conductivity: I. Survey protocols. Computers and Electronics in Agriculture. 2005b, vol. 46, no. 1-3 SPEC. ISS., pp. 103-133. Corwin, D. L., Lesch, S. M. Characterizing soil spatial variability with apparent soil electrical conductivity: Part II. Case study. Computers and Electronics in Agriculture. 2005c, vol. 46, no. 1-3 SPEC. ISS., pp. 135-152. Corwin, D. L., Lesch, S. M., Oster, J. D., Kaffka, S. R. Monitoring managementinduced spatio-temporal changes in soil quality through soil sampling directed by apparent electrical conductivity. Geoderma. 2006, vol. 131, no. 3-4, pp. 369387. Corwin, D. L., Lesch, S. M., Shouse, P. J., Soppe, R., Ayars, J. E. Identifying soil properties that influence cotton yield using soil sampling directed by apparent soil electrical conductivity. Agronomy Journal. 2003, vol. 95, no. 2, pp. 352-364. Corwin, D. L., Plant, R. E. Applications of apparent soil electrical conductivity in precision agriculture. Computers and Electronics in Agriculture. 2005, vol. 46, no. 1-3 SPEC. ISS., pp. 1-10.
138
Cresswell, R. G., Mullen, I. C., Kingham, R., Kellett, J., Dent, D. L., Jones, G. L. Airborne electromagnetics supporting salinity and natural resource management decisions at the field scale in Australia. International Journal of Applied Earth Observation and Geoinformation. 2007, vol. 9, no. 2, pp. 91-102. Dalgaard, M., Have, H., Nehmdahl, H. Soil clay mapping by measurement of electromagnetic conductivity. In. Proceedings of the 3rd European Conference on Precision Agriculture, 2001, p. 367-372. ISBN 9076998213 Davis, J. G., Kitchen, N. R., Sudduth, K. A., Drummond, S. T. Using electromagnetic induction to characterize soils. Better Crops. 1997, vol. 81, no. 4, pp. 6-8. DeTar, W. R., Chesson, J. H., Penner, J. V., Ojala, J. C. Detection of soil properties with airborne hyperspectral measurements of bare fields. Transactions of the ASABE. 2008, vol. 51, no. 2, pp. 463-470. Dinkins, C. P., Jones, C. Soil Sampling Strategies. Agriculture and Natural Resources (Fertilizers). Montana State University, 2008, http://msuextension.org/publications/AgandNaturalResources/MT200803AG.p df. Dobers, E. S. Methoden der Standorterkundungen als Grundlage des DGPS-gestützten Ackerbaus : Eine Fallstudie aus dem Lössgebiet des Mittleren Fläming. PhD. Thesis, Institut für Bodenwissenschaft, Universität Göttingen, Göttingen, 2002. Dobos, E., Micheli, E., Baumgardner, M. F., Biehl, L., Helt, T. Use of combined digital elevation model and satellite radiometric data for regional soil mapping. Geoderma. 2000, vol. 97, no. 3-4, pp. 367-391. Dobos, E., Micheli, E., Montanarella, L. Soil organic matter map of Hungary derived from digital elevation model and satellite data. Cereal Research Communications. 2005, vol. 33, no. 1, pp. 361-364. Dobrovolný, P. D{lkový pru ̊zkum Země: Digit{lní zpracov{n í obrazu . Brno: Masarykova univerzita, Přírodovědeck{ fakulta, 1998. 208 str. ISBN 8021018127 Doerge, T. Defining management zones for precision farming. Crop Insights. 1998, vol. 8, no. 21, pp. 85-99. Domsch, H., Giebel, A. Estimation of soil textural features from soil electrical conductivity recorded using the EM38. Precision Agriculture. 2004, vol. 5, no. 4, pp. 389-409. Dorigo, W. A., Zurita-Milla, R., de Wit, A. J. W., Brazile, J., Singh, R., Schaepman, M. E. A review on reflective remote sensing and data assimilation techniques for enhanced agroecosystem modeling. International Journal of Applied Earth Observation and Geoinformation. 2007, vol. 9, no. 2, pp. 165-193. Earl, R., Taylor, J. C., Wood, G. A., Bradley, I., James, I. T., Waine, T., Welsh, J. P., Godwin, R. J., Knight, S. M. Soil factors and their influence on within-field crop variability, Part I: Field observation of soil variation. Biosystems Engineering. 2003, vol. 84, no. 4, pp. 425-440. 139
Eldeiry, A., Garcia, L. Comparison of Regression Kriging and Cokriging Techniques to Esti-mate Soil Salinity Using Landsat Images, in Hydrology Days 2009, 2009, pp. 27 - 38. Erdas. Erdas Field Guide. Norcross, GA: ERDAS, Inc., 2008. 370. ISBN 1553957652 Farahani, H. J., Flynn, R. L. Map Quality and Zone Delineation as affected by Width of Parallel Swaths of Mobile Agricultural Sensors. Biosystems Engineering. 2007, vol. 96, no. 2, pp. 151-159. Ferguson, R. B., Hergert, G. W. Soil Sampling for Precision Agriculture. Precision Agriculture. University of nebraska, 2000, www.ianrpubs.unl.edu/epublic/live/ec154/build/ec154.pdf. Fitzgerald, G. J., Lesch, S. M., Barnes, E. M., Luckett, W. E. Directed sampling using remote sensing with a response surface sampling design for site-specific agriculture. Computers and Electronics in Agriculture. 2006, vol. 53, no. 2, pp. 98112. Friedman, S. P. Soil properties influencing apparent electrical conductivity: A review. Computers and Electronics in Agriculture. 2005, vol. 46, no. 1-3 SPEC. ISS., pp. 45-70. Frogbrook, Z. L., Oliver, M. A. Identifying management zones in agricultural fields using spatially constrained classification of soil and ancillary data. Soil Use and Management. 2007, vol. 23, no. 1, pp. 40-51. Frogbrook, Z. L., Oliver, M. A., Salahi, M., Ellis, R. H. Exploring the spatial relations between cereal yield and soil chemical properties and the implications for sampling. Soil Use and Management. 2002, vol. 18, no. 1, pp. 1-9. Gebbers, R., Lück, E. Comparison of geoelectrical methods for soil mapping. Proceedings of the 5th European Conference on Precision Agriculture. 2005, pp. 473479. Godwin, R. J., Miller, P. C. H. A Review of the Technologies for Mapping Withinfield Variability. Biosystems Engineering. 2003, vol. 84, no. 4, pp. 393-407. Goovaerts, P. Geostatistics for natural resources evaluation. New York: Oxford University Press, 1997. 483. ISBN 9780195115383 Goovaerts, P. Geostatistical tools for characterizing the spatial variability of microbiological and physico-chemical soil properties. Biology and Fertility of Soils. 1998, vol. 27, no. 4, pp. 315-334. Gotway, C. A., Ferguson, R. B., Hergert, G. W., Peterson, T. A. Comparison of kriging and inverse-distance methods for mapping soil parameters. Soil Science Society of America Journal. 1996, vol. 60, no. 4, pp. 1237-1247. Gotway, C. A., Hartford, A. H. Geostatistical methods for incorporating auxiliary information in the prediction of spatial variables. Journal of Agricultural, Biological, and Environmental Statistics. 1996, vol. 1, no. 1, pp. 17-39.
140
Gruijter, J. J. d. Sampling for natural resource monitoring. Berlin; New York: Springer, 2006. 332. ISBN 9783540224860 Grunwald, S. Environmental soil-landscape modeling : geographic information technologies and pedometrics. Boca Raton: CRC/Taylor & Francis, 2006. 488. ISBN 9780824723897 Haché, C., Shibusawa, S., Sasao, A., Suhama, T., Sah, B. P. Field-derived spectral characteristics to classify conventional and conservation agricultural practices. Computers and Electronics in Agriculture. 2007, vol. 57, no. 1, pp. 47-61. Hatfield, J. L., Gitelson, A. A., Schepers, J. S., Walthall, C. L. Application of Spectral Remote Sensing for Agronomic Decisions. Agron J. 2008, vol. 100, no. Supplement_3, pp. S-117-131. May 7, 2008. Heiniger, R. W., McBride, R. G., Clay, D. E. Using soil electrical conductivity to improve nutrient management. Agronomy Journal. 2003, vol. 95, no. 3, pp. 508519. Hemmat, A., Adamchuk, V. I. Sensor systems for measuring soil compaction: Review and analysis. Computers and Electronics in Agriculture. 2008, vol. 63, no. 2, pp. 89-103. Hengl, T. Finding the right pixel size. Computers and Geosciences. 2006, vol. 32, no. 9, pp. 1283-1298. Heuvelink, G. B. M., Webster, R. Modelling soil variation: Past, present, and future. Geoderma. 2001, vol. 100, no. 3-4, pp. 269-301. Hoefer, G., Lück, E., Gundelach, V., Rühlmann, J., Bachmann, J. The capability of non-destructive geophysical methods in precision agriculture to capture subsoil mechanical strength. In Van Henten, E. J., Goense, D. and Lokhorst, C. Precision agriculture '09, Wageningen: Wageningen Academic Publishers, 2009, p. 439-444. ISBN 978-90-8686-113-2 Hoosbeek, M. R. Incorporating scale into spatio-temporal variability: Applications to soil quality and yield data. Geoderma. 1998, vol. 85, no. 2-3, pp. 113-131. Hunsaker, D. J., El-Shikha, D. M., Clarke, T. R., French, A. N., Thorp, K. R. Using ESAP software for predicting the spatial distributions of NDVI and transpiration of cotton. Agricultural Water Management. 2009, vol. 96, no. 9, pp. 1293-1304. Hüter, J., Reckleben, Y., Schneider, M., Schwarz, J. Â., Wagner, P. Teilflächenspezifische Stickstoffdüngung. Darmstadt: KTBL, 2007. 52. ISBN 9783939371519 Chai, X., Shen, C., Yuan, X., Huang, Y. Spatial prediction of soil organic matter in the presence of different external trends with REML-EBLUP. Geoderma. 2008, vol. 148, no. 2, pp. 159-166.
141
Changere, A., Lal, R. Slope position and erosional effects on soil properties and corn production on a Miamian soil in central Ohio. Journal of Sustainable Agriculture. 1997, vol. 11, no. 1, pp. 5-21. Chen, F., Kissel, D. E., West, L. T., Adkins, W., Clark, R., Rickman, D., Luvall, J. C. Field Scale Mapping of Surface Soil Clay Concentration. Precision Agriculture. 2004, vol. 5, no. 1, pp. 7-26. Christy, C. D. Real-time measurement of soil attributes using on-the-go near infrared reflectance spectroscopy. Computers and Electronics in Agriculture. 2008, vol. 61, no. 1, pp. 10-19. Isaaks, E. H., Srivastava, R. M. An introduction to applied geostatistics. New York: Oxford University Press, 1989. 561. ISBN 0195050126 Islam, K., Singh, B., McBratney, A. Simultaneous estimation of several soil properties by ultra-violet, visible, and near-infrared reflectance spectroscopy. Australian Journal of Soil Research. 2003, vol. 41, no. 6, pp. 1101-1114. James, D. W., Wells, K. L. Soil sample collection and handling: Technique based on source and degree of field variability. Soil Testing and Plant Analysis. 1990, pp. 25-44. Jand{k, J. Cvičení z půdoznalství. Brno: Mendelova zemedelsk{ a lesnick{ univerzita, Agronomick{, fakulta, 2003. ISBN 8071577332 Jenny, H. Factors of soil formation : a system of quantitative pedology, 2nd. ed. New York: Dover, 1994. ISBN 0486681289 Jensen, J. R. Introductory digital image processing: A remote sensing perspective, 3rd ed. Upper Saddle River, N.J.: Prentice Hall, 2005. ISBN 0131453610 Johnston, K. ArcGIS 9: Using ArcGIS geostatistical analyst. Redlands, CA: ESRI, 2004. 300. ISBN 1589481062 Kerry, R., Oliver, M. A. Variograms of ancillary data to aid sampling for soil surveys. Precision Agriculture. 2003, vol. 4, no. 3, pp. 261-278. Kerry, R., Oliver, M. A. Determining the effect of asymmetric data on the variogram. I. Underlying asymmetry. Computers and Geosciences. 2007a, vol. 33, no. 10, pp. 1212-1232. Kerry, R., Oliver, M. A. Determining the effect of asymmetric data on the variogram. II. Outliers. Computers and Geosciences. 2007b, vol. 33, no. 10, pp. 1233-1260. Kerry, R., Oliver, M. A. Determining nugget:sill ratios of standardized variograms from aerial photographs to krige sparse soil data. Precision Agriculture. 2008, vol. 9, no. 1-2, pp. 33-56. Khosla, R., Alley, M. Soil-specific nitrogen management on Mid-Atlantic Coastal Plain soils. Better Crops. 1999, vol. 83, no. 3, pp. 6-7.
142
Kitchen, N. R., Sudduth, K. A., Drummond, S. T. Mapping of sand deposition from 1993 midwest floods with electromagnetic induction measurements. Journal of Soil and Water Conservation. 1996, vol. 51, no. 4, pp. 336-340. Koutkov{, H. Využití geostatistických přístupů při analýze vstupních dat úloh proudění podzemní vody, Výzkumn{ zpr{va Grantového projektu č.103/06/0595, Dílčí zpr{va, FAST VUT, 2006. Kraus, J. Geostatistika jako prostorové modelov{ní statistických jevů. Statistika. 2007, vol. 2007, no. 6, pp. 490-502. Krivoruchko, K. Introduction to Modeling Spatial Processes with ArcGIS Statistical Analyst. ESRI White Papers. ESRI, 2005, http://www.esri.com/library/whitepapers/pdfs/intro-modeling.pdf, [26.6.2009]. Kumh{lov{, J., Matějkov{, Š., Fifernov{, M., Lipavský, J., Kumh{la, F. Topography impact on nutrition content in soil and yield. Plant, Soil and Environment. 2008, vol. 54, no. 6, pp. 255-261. Kustas, W., Anderson, M. Advances in thermal infrared remote sensing for land surface modeling. Agricultural and Forest Meteorology. 2009. in press. Kutílek, M. Vodohospod{řsk{ pedologie, 1. vyd. ed. Praha: SNTL, 1966. ISBN Kutílek, M., Kur{ž, V., Císlerov{, M. Hydropedologie, 1. vyd. ed. Praha: Vydavatelství ČVUT, 1996. 150. ISBN Lagacherie, P., Baret, F., Feret, J. B., Madeira Netto, J., Robbez-Masson, J. M. Estimation of soil clay and calcium carbonate using laboratory, field and airborne hyperspectral measurements. Remote Sensing of Environment. 2008, vol. 112, no. 3, pp. 825-835. Lamp, J., Herbst, R., Reimer, G. Digitale Hof-Bodenkarten. Managementsystem für den ortsspezifischen Pflanzenbau. Verbundprojekt pre agro, Abschlussbericht, Kap. 3. KTBL, 2004, http://www.preagro.de/Veroeff/preagro_Endbericht_HofBodenkarten.pdf. Langhammer, J. Hlavní metody interpolace, 26.6.2009, 2009; http://www.natur.cuni.cz/~langhamr/lectures/vtfg2/prednasky/surfer_1/interp olace/interpolace.html. Lark, R. M. Two robust estimators of the cross-variogram for multivariate geostatistical analysis of soil properties. European Journal of Soil Science. 2003, vol. 54, no. 1, pp. 187-201. Leon, C. T., Shaw, D. R., Cox, M. S., Abshire, M. J., Ward, B., Wardlaw Iii, M. C., Watson, C. Utility of Remote Sensing in Predicting Crop and Soil Characteristics. Precision Agriculture. 2003, vol. 4, no. 4, pp. 359-384. Lesch, S. M. Sensor-directed response surface sampling designs for characterizing spatial variation in soil properties. Computers and Electronics in Agriculture. 2005, vol. 46, no. 1-3 SPEC. ISS., pp. 153-179.
143
Lesch, S. M., Corwin, D. L. Using the dual-pathway parallel conductance model to determine how different soil properties influence conductivity survey data. Agronomy Journal. 2003, vol. 95, no. 2, pp. 365-379. Lesch, S. M., Corwin, D. L. Prediction of spatial soil property information from ancillary sensor data using ordinary linear regression: Model derivations, residual assumptions and model validation tests. Geoderma. 2008, vol. 148, no. 2, pp. 130-140. Lesch, S. M., Corwin, D. L., Robinson, D. A. Apparent soil electrical conductivity mapping as an agricultural management tool in arid zone soils. Computers and Electronics in Agriculture. 2005, vol. 46, no. 1-3 SPEC. ISS., pp. 351-378. Lesch, S. M., Rhoades, J. D., Corwin, D. L. ESAP-95 Version 2.01R: User Manual and Tutorial Guide, Research Report Nr. 146, George E. Brown, J., ed., Salinity Laboratory, USDA-ARS, 2000. Lesch, S. M., Strauss, D. J., Rhoades, J. D. Spatial prediction of soil salinity using electromagnetic induction techniques. 2. An efficient spatial sampling algorithm suitable for multiple linear regression model identification and estimation. Water Resources Research. 1995, vol. 31, no. 2, pp. 387-398. Li, Y., Shi, Z., Li, F., Li, H. Y. Delineation of site-specific management zones using fuzzy clustering analysis in a coastal saline land. Computers and Electronics in Agriculture. 2007, vol. 56, no. 2, pp. 174-186. Liang, S. Quantitative remote sensing of land surfaces. John Wiley & Sons, 2004. 534. ISBN 0471281662 Lilienthal, H. Entwicklung eines bodengestützten Fernerkundungssystems für die Landwirtschaft. Braunschweig: Bundesforschungsanst. für Landwirtschaft (FAL), 2003. 170. ISBN 3933140765 Lillesand, T. M., Kiefer, R. W. Remote sensing and image interpretation, 3rd ed. New York: Wiley & Sons, 1994. 751. ISBN 9780471577836 Lillesand, T. M., Kiefer, R. W., Chipman, J. W. Remote sensing and image interpretation. Hoboken, NJ: John Wiley & Sons, 2008. ISBN 9780470052457 Lipavský, J., Hromadov{, M., Matějkov{, Š., Mikyskov{, J. Precizní zemědělství přínosem. Cíl: trvale udržiteln{ produkce, Zemědělec, vol. 12, no. 36, pp. 10-11, 2004. López-Granados, F., Jurado-Expósito, M., Pena-Barrag{n, J. M., García-Torres, L. Using geostatistical and remote sensing approaches for mapping soil properties. European Journal of Agronomy. 2005, vol. 23, no. 3, pp. 279-289. Lu, G. Y., Wong, D. W. An adaptive inverse-distance weighting spatial interpolation technique. Computers and Geosciences. 2008, vol. 34, no. 9, pp. 10441055.
144
Lück, E., Eisenreich, M., Domsch, H. Innovative Kartiermethoden für die teilflächenspezifische Landwirtschaft: Innovative methods for precision agriculture. Stoffdynamik in Geosystemen. 2002, vol. 7, pp. 1-155. Lück, E., Eisenreich, M., Domsch, H., Blumenstein, O. Geophysik für Landwirtschaft und Bodenkunde. Stoffdynamik in Geosystemen. 2000, vol. 4, pp. 167. Ludowicy, C., Schwaiberger, R., Leithold, P. Precision farming : Handbuch für die Praxis, 1. Aufl. ed. Frankfurt am Main: DLG-Verlag, 2002. 168. ISBN 9783769006001 Lueck, E., Spangenberg, U., Ruehlmann, J. Comparison of different EC-mapping sensors. In van Henten, E. J., Goense, D. and Lokhorst, C. Precision agriculture '09, Wageningen: Wageningen Academic Publisher, 2009, p. 445-452. ISBN 97890-8686-113-2 Lukas, V. Vliv rozdílné hustoty vzorkov{ní půdy na z{kladní hnojení v precizním zemědělství. In. Mezin{rodní konference "Výživa rostlin a její perspektivy", Brno: AF MZLU v Brně, 2007, p. 155-158. ISBN 978-80-7375-068-8 Lukas, V., Křen, J. Generation of application maps for the base fertilization from results of agrochemical analyses of soil samples. In Ryant, P., Cerkal, R., Středa, T. et al. Proceeding of Ph.D. students conference MendelNet'05 Agro, Brno: AF MZLU v Brně, 2005, p. ISBN 80-7157-905-X Lukas, V., Neudert, L., Kren, J. Mapping of soil conditions in precision agriculture. Acta Agrophysica 2009, vol. 13, no. 2, pp. 393-405. 2009. Malenovský, Z., Bartholomeus, H. M., Acerbi-Junior, F. W., Schopfer, J. T., Painter, T. H., Epema, G. F., Bregt, A. K. Scaling dimensions in spectroscopy of soil and vegetation. International Journal of Applied Earth Observation and Geoinformation. 2007, vol. 9, no. 2, pp. 137-164. Mallarino, A. P., Wittry, D. J. Efficacy of grid and zone soil sampling approaches for site-specific assessment of phosphorus, potassium, pH, and organic matter. Precision Agriculture. 2004, vol. 5, no. 2, pp. 131-144. Marques Da Silva, J. R., Alexandre, C. Spatial variability of irrigated corn yield in relation to field topography and soil chemical characteristics. Precision Agriculture. 2005, vol. 6, no. 5, pp. 453-466. McBratney, A. B., Mendonca Santos, M. L., Minasny, B. On digital soil mapping. Geoderma. 2003, vol. 117, no. 1-2, pp. 3-52. McCoy, J. ArcGIS 9: Using ArcGIS spatial analyst. Redlands, CA: ESRI, 2004. 232. ISBN 1589481054 McNeill, J. Electrical conductivity of soils and rocks. Geonics Limited Technical Note (TN-5). 1980, pp. 1-22. Meer, F. v. d., Jong, S. d., Bakker, W. Imaging spectrometry: Basic analytical techniques, Imaging Spectrometry: Basic Principles and Prospective Applications,
145
Remote sensing and digital image processing Meer, F. v. d. and Jong, S. d., eds., pp. 17-61, Dordrecht: Springer, 2006. ISBN 9781402001949 Meer, F. v. d., Jong, S. M. d. Imaging spectrometry: Basic principles and prospective applications. Dordrecht: Springer, 2006. 403. ISBN 9781402001949 Melesse, A. M., Weng, Q., Thenkabail, P. S., Senay, G. B. Remote sensing sensors and applications in environmental resources mapping and modelling. Sensors. 2007, vol. 7, no. 12, pp. 3209-3241. Meloun, M., Militký, J. Statistick{ analýza experiment{lních dat, 2. vyd. ed. Praha: Academia, 2004. 953. ISBN 8020012540 Mimra, M., Kroulík, M., Altmann, V., Kavka, M., Prošek, V. The analysis of the relationship between the electrical conductivity values and the valued soilecological units values. Research in Agricultural Engineering. 2008, vol. 54, no. 3, pp. 130-135. Minasny, B., McBratney, A. B., Walvoort, D. J. J. The variance quadtree algorithm: Use for spatial sampling design. Computers and Geosciences. 2007, vol. 33, no. 3, pp. 383-392. Molin, J. P., Gimenez, L. M., Pauletti, V., Schmidhalter, U., Hammer, J., Araújo, J. C. Electrical conductivity by induction and its correlation with soil factors and crop yield in southern Brazil. In Stafford, J. V. and Werner, A. Programm book of the joint conference ECPA-ECPLF, Berlin: Wageningen Academic Publishers, 2001, p. 503-504. ISBN Morari, F., Castrignanň, A., Pagliarin, C. Application of multivariate geostatistics in delineating management zones within a gravelly vineyard using geoelectrical sensors. Computers and Electronics in Agriculture. 2009, vol. 68, no. 1, pp. 97-107. Morgan, T. M., Holmes, R. G., Wood, R. K. A system for measuring soil physical properties in the field. Soil and Tillage Research. 1993, vol. 26, no. 4, pp. 301-325. Morris, E. R. Height-above-ground effects on penetration depth and response of electromagnetic induction soil conductivity meters. Computers and Electronics in Agriculture. 2009, vol. 68, no. 2, pp. 150-156. Mueller, T. G., Hartsock, N. J., Stombaugh, T. S., Shearer, S. A., Cornelius, P. L., Barnhisel, R. I. Soil electrical conductivity map variability in limestone soils overlain by loess. Agronomy Journal. 2003, vol. 95, no. 3, pp. 496-507. Mulla, D. J., Schepers, J. S. Key processes and properties for site-specific soil and crop management. The State of Site-Specific Management for Agriculture. 1997, pp. 1-18. Němeček, J. Taxonomický klasifikační systém půd České republiky, 1. vyd. ed. Praha: Česk{ zemědělsk{ univerzita a Výzkumný ústav meliorací a ochrany půdy, 2001. 78. ISBN 8023880616
146
Noack, P. O. Ertragskartierung im Getreidebau. Darmstadt: KTBL, 2007. 40. ISBN 3939371424 Obršlík, J. Antropogenní vlivy v podhůří Žd{nického lesa. Acta Universitatis Agriculturae et Silviculturae Mendelianae Brunensis. 2004, vol. LII, no. 5, pp. 47-59. Obršlík, J. Antropogenní pedogeneze – geomorfologické aspekty v různých typech pedogenezí. In Sobock{, J. and Kulhavý, J. 1. konference ČPS a SPS "Půda v moderní informační společnosti", Bratislava 2008: Česk{ pedologick{ společnost a Slovensk{ pedologick{ spoločnost, 2008, p. 603-608. ISBN 978-80-89128-44-0 Ortega, R. A., Santibanez, O. A. Determination of management zones in corn (Zea mays L.) based on soil fertility. Computers and Electronics in Agriculture. 2007, vol. 58, no. 1, pp. 49-59. Palacios-Orueta, A., Pinzón, J. E., Ustin, S. L., Roberts, D. A. Remote sensing of soils in the Santa Monica Mountains: II. Hierarchical foreground and background analysis. Remote Sensing of Environment. 1999, vol. 68, no. 2, pp. 138-151. Palacios-Orueta, A., Ustin, S. L. Remote sensing of soil properties in the Santa Monica Mountains I. Spectral analysis. Remote Sensing of Environment. 1998, vol. 65, no. 2, pp. 170-183. Panten, K. Ein Beitrag zur Fernerkundung der räumlichen Variabilität von Boden- und Bestandesmerkmalen. Braunschweig: FAL, 2002. ISBN 3933140579 Pardo-Igúzquiza, E. MLREML: A computer program for the inference of spatial covariance parameters by maximum likelihood and restricted maximum likelihood. Computers and Geosciences. 1997, vol. 23, no. 2, pp. 153-162. Pardo-Igúzquiza, E. MLREML4: a program for the inference of the power variogram model by maximum likelihood and restricted maximum likelihood. Computers and Geosciences. 1998, vol. 24, no. 6, pp. 537-543. Pardo-Iguzquiza, E., Chica-Olmo, M. Geostatistical simulation when the number of experimental data is small: An alternative paradigm. Stochastic Environmental Research and Risk Assessment. 2008, vol. 22, no. 3, pp. 325-337. Pelíšek, J. Výškov{ půdní p{smitost střední Evropy. Praha: Academia, 1965. 368 str. ISBN Pierce, F. J., Nowak, P., Donald, L. S. Aspects of Precision Agriculture. Advances in Agronomy. 1999, vol. 67, pp. 1-85. Rhoades, J. D., Chanduvi, F., Lesch, S. M. Soil salinity assessment : methods and interpretation of electrical conductivity measurements. Rome: Food and Agriculture Organization of the United Nations, 1999. ISBN 9251042810 Robinson, D. A., Lebron, I., Lesch, S. M., Shouse, P. Minimizing drift in electrical conductivity measurements in high temperature environments using the EM38. Soil Science Society of America Journal. 2004, vol. 68, no. 2, pp. 339-345.
147
Robinson, T. P., Metternicht, G. Testing the performance of spatial interpolation techniques for mapping soil properties. Computers and Electronics in Agriculture. 2006, vol. 50, no. 2, pp. 97-108. Roy, S. K., Shibusawa, S., Okayama, T. Textural analysis of soil images to quantify and characterize the spatial variation of soil properties using a real-time soil sensor. Precision Agriculture. 2006, vol. 7, no. 6, pp. 419-436. Selige, T., Böhner, J., Schmidhalter, U. High resolution topsoil mapping using hyperspectral image and field data in multivariate regression modeling procedures. Geoderma. 2006, vol. 136, no. 1-2, pp. 235-244. Sethuramasamyraja, B., Adamchuk, V. I., Marx, D. B., Dobermann, A., Meyer, G. E., Jones, D. D. Analysis of an ion-selective electrode based methodology for integrated on-the-go mapping of soil pH, potassium, and nitrate contents. Transactions of the ASABE. 2007, vol. 50, no. 6, pp. 1927-1935. Shanahan, J. F., Kitchen, N. R., Raun, W. R., Schepers, J. S. Responsive in-season nitrogen management for cereals. Computers and Electronics in Agriculture. 2008, vol. 61, no. 1, pp. 51-62. Shaner, D. L., Khosla, R., Brodahl, M. K., Buchleiter, G. W., Farahani, H. J. How well does zone sampling based on soil electrical conductivity maps represent soil variability? Agronomy Journal. 2008, vol. 100, no. 5, pp. 1472-1480. Sheets, K. R., Hendrickx, J. M. H. Noninvasive soil water content measurement using electromagnetic induction. Water Resources Research. 1995, vol. 31, no. 10, pp. 2401-2409. Schejbal, C. Úvod do geostatistiky. Ostrava: Vysok{ škola b{ňsk{ - Technick{ univerzita, 1996. 48. ISBN 8070783257 Schloeder, C. A., Zimmerman, N. E., Jacobs, M. J. Comparison of methods for interpolating soil properties using limited data. Soil Science Society of America Journal. 2001, vol. 65, no. 2, pp. 470-479. Schmidhalter, U., Raupenstrauch, J., Selige, T., Bobert, J. Geophysikalische Erfassung von Standorteigenschaften. Precision Agriculture: Herausforderung an integrative Forschung, Entwicklung und Anwendung in der Praxis. KTBL, 2002, http://www.preagro.de/Ergebnisse/Zwischenbericht2002/CD%20Tagungsband/ 2_4_Geophysik.pdf. Schnug, E., Panten, K., Haneklaus, S. Sampling and nutrient recommendations The future. Communications in Soil Science and Plant Analysis. 1998, vol. 29, no. 11-14, pp. 1455-1462. Schott, J. R. Remote sensing : the image chain approach, 2nd ed. New York: Oxford University Press, 2007. ISBN 9780195178173 Schowengerdt, R. A. Remote sensing : models and methods for image processing, 3rd ed. Amsterdam [Netherlands]; Burlington, MA: Elsevier ; Academic Press, 2007. ISBN 9780123694072
148
Siemon, B. Levelling of helicopter-borne frequency-domain electromagnetic data. Journal of Applied Geophysics. 2009, vol. 67, no. 3, pp. 206-218. Solutions, I. V. I. ENVI user's guide. ITT Visual Information Solutions, 2008. ISBN Sørensen, R., Zinko, U., Seibert, J. On the calculation of the topographic wetness index: Evaluation of different methods based on field observations. Hydrology and Earth System Sciences. 2006, vol. 10, no. 1, pp. 101-112. Stafford, J. V. The role of technology in the emergence and current status of precision agriculture, Handbook of Precision Agriculture, Srinivasan, A., ed., pp. 19 - 56, Bringhamton, NY: Food Products Press, 2006. ISBN 9781560229544 Steuer, A., Siemon, B., Auken, E. A comparison of helicopter-borne electromagnetics in frequency- and time-domain at the Cuxhaven valley in Northern Germany. Journal of Applied Geophysics. 2009, vol. 67, no. 3, pp. 194205. Sudduth, K. A., Drummond, S. T., Kitchen, N. R. Accuracy issues in electromagnetic induction sensing of soil electrical conductivity for precision agriculture. Computers and Electronics in Agriculture. 2001, vol. 31, no. 3, pp. 239264. Sudduth, K. A., Kitchen, N. R., Bollero, G. A., Bullock, D. G., Wiebold, W. J. Comparison of electromagnetic induction and direct sensing of soil electrical conductivity. Agronomy Journal. 2003, vol. 95, no. 3, pp. 472-482. Sudduth, K. A., Kitchen, N. R., Drummond, S. T. Soil conductivity sensing on claypan soils: Comparison of electromagnetic induction and direct methods. Applications of Electromagnetic methods for Agriculture. 2007, pp. 3-14. Sullivan, D. G., Shaw, J. N., Rickman, D. IKONOS imagery to estimate surface soil property variability in two Alabama physiographies. Soil Science Society of America Journal. 2005, vol. 69, no. 6, pp. 1789-1798. Šařec, O., Šařec, P., Prošek, V. Measuring of soil electrical conductivity for mapping of spacial variability. Research in Agricultural Engineering. 2002, vol. 48, no. 4, pp. 131-136. Tarr, A. B., Moore, K. J., Burras, C. L., Bullock, D. G., Dixon, P. M. Improving map accuracy of soil variables using soil electrical conductivity as a covariate. Precision Agriculture. 2005, vol. 6, no. 3, pp. 255-270. Taylor, J., Whelan, B. A general introduction to precision agriculture. Australian Centre for Precision Agriculture, 2007, http://www.usyd.edu.au/agric/acpa/GRDC/Intro.pdf, [20.8.2009]. Thomsen, A., Schelde, K., Drøscher, P., Steffensen, F. Mobile TDR for georeferenced measurement of soil water content and electrical conductivity. Precision Agriculture. 2007, vol. 8, no. 4-5, pp. 213-223. Trangmar, B. B., Yost, R. S., Uehara, G. Application of geostatistics to spatial studies of soil properties. Advances in agronomy. Vol. 38. 1985, pp. 45-94.
149
ÚKZÚZ. Pracovní postupy pro agrochemické zkoušení zemědělských půd v České republice v období 2005 až 2010. ÚKZÚZ, Odbor agrochemie, půdy a výživy rostlin, 2005, http://www.ukzuz.cz/Uploads/1057-7pracovniPostupy_AZZP.pdf.aspx. Van Groenigen, J. W. The influence of variogram parameters on optimal sampling schemes for mapping by kriging. Geoderma. 2000, vol. 97, no. 3-4, pp. 223-236. Van Groenigen, J. W., Siderius, W., Stein, A. Constrained optimisation of soil sampling for minimisation of the kriging variance. Geoderma. 1999, vol. 87, no. 3-4, pp. 239-259. Vaněk, V., Brodský, L., Štípek, K., Tlustoš, P. Možnosti uplatnění precizního hnojení v ČR. In Vaněk, V., Kol{ř, L., Pavlíkov{, D. et al. Racion{lní použití hnojiv, ČZU Praha: KAVR ČZU Praha, 2000, p. 36-42. ISBN 80-213-0691-2 Varvel, G. E., Schlemmer, M. R., Schepers, J. S. Relationship between Spectral Data from an Aerial Image and Soil Organic Matter and Phosphorus Levels. Precision Agriculture. 1999, vol. 1, no. 3, pp. 291-300. Verhoeven, G. Imaging the invisible using modified digital still cameras for straightforward and low-cost archaeological near-infrared photography. Journal of Archaeological Science. 2008, vol. 35, no. 12, pp. 3087-3100. VerisTechnologies. Webové str{nky společnosti Veris Technologies, 26.6.2009; http://www.veristech.com/. Vitharana, U. W. A., Saey, T., Cockx, L., Simpson, D., Vermeersch, H., Van Meirvenne, M. Upgrading a 1/20,000 soil map with an apparent electrical conductivity survey. Geoderma. 2008, vol. 148, no. 1, pp. 107-112. Vlotman, W. F. Calibrating the EM38. In Vlotman, W. F. Proceedings of EM38 Workshop, New Delhi, India: ILRI, The Netherlands, 2000, p. 1-22. ISBN Wang, L., Qu, J. J. Satellite remote sensing applications for surface soil moisture monitoring: A review. Frontiers of Earth Science in China. 2009, vol. 3, no. 2, pp. 237-247. Webster, R. Is soil variation random? Geoderma. 2000, vol. 97, no. 3-4, pp. 149-163. Webster, R., Oliver, M. A. Statistical methods in soil and land resource survey. Statistical methods in soil and land resource survey. 1990. Webster, R., Oliver, M. A. Sample adequately to estimate variograms of soil properties. Journal of Soil Science. 1992, vol. 43, no. 1, pp. 177-192. Webster, R., Oliver, M. A. Geostatistics for environmental scientists. Chichester: Wiley, 2007. 315. ISBN 9780470028582 Werner, A., Schwarz, J., Dreger, F. Teilflächenspezifische Düngung als Werkzeug einer nachhaltigen Landbewirtschaftung. In. Nährstoffmanagement, Bodenfruchtbarkeit und nachhaltige Landwirtschaft, Würzburg: Bundesarbeitskreis Düngung (BAD), 2005, p. 101-116. ISBN
150
Wetterlind, J., Stenberg, B., Söderström, M. The use of near infrared (NIR) spectroscopy to improve soil mapping at the farm scale. Precision Agriculture. 2008, vol. 9, no. 1-2, pp. 57-69. Wollenhaupt, N. C., Mulla, D. J., Gotway Crawford, C. A. Soil sampling and interpolation techniques for mapping spatial variability of soil properties. The State of Site Specific Management for Agriculture. 1997, pp. 19-53. Wraith, J. M., Robinson, D. A., Jones, S. B., Long, D. S. Spatially characterizing apparent electrical conductivity and water content of surface soils with time domain reflectometry. Computers and Electronics in Agriculture. 2005, vol. 46, no. 1-3 SPEC. ISS., pp. 239-261. Xin-Zhong, W., Guo-Shun, L., Hong-Chao, H., Zhen-Hai, W., Qing-Hua, L., XuFeng, L., Wei-Hong, H., Yan-Tao, L. Determination of management zones for a tobacco field based on soil fertility. Computers and Electronics in Agriculture. 2009, vol. 65, no. 2, pp. 168-175. Zbíral, J. Analýza půd I : jednotné pracovní postupy. Brno: Ústřední kontrolní a zkušební ústav zemědělský. Laboratorní odbor, 2002. 197. ISBN 8086548155 Zbíral, J., Honsa, I., Malý, S., Čižm{ř, D. Analýza půd III : jednotné pracovní postupy. Brno: Ústřední kontrolní a zkušební ústav zemědělský, 2004. 199. ISBN 8086548600 Zeng, Q., Sun, Y., Lammers, P. S., Ma, D., Lin, J., Hueging, H. Improvement of a dual-sensor horizontal penetrometer by incorporating an EC sensor. Computers and Electronics in Agriculture. 2008, vol. 64, no. 2, pp. 333-337. Zhang, N., Wang, M., Wang, N. Precision agriculture - A worldwide overview. Computers and Electronics in Agriculture. 2002, vol. 36, no. 2-3, pp. 113-132. Zhao, Z., Chow, T. L., Rees, H. W., Yang, Q., Xing, Z., Meng, F. R. Predict soil texture distributions using an artificial neural network model. Computers and Electronics in Agriculture. 2009, vol. 65, no. 1, pp. 36-48. Zhong, B., Xu, Y. J. Topographic effects on soil organic carbon in Louisiana watersheds. Environmental Management. 2009, vol. 43, no. 4, pp. 662-672. Zimolka, J. Pšenice: pěstov{ní, hodnocení a užití zrna. Praha: Profi Press, 2005. ISBN 8086726096
151
PŘÍLOHY Seznam tabulek Tab. 1 Faktory ovlivňující výnos plodin Tab. 2 Variabilita v r{mci jednoho pedotypu vyj{dřena variačním koeficientem CV Tab. 3 Hodnocení kategorií z{sobenosti živin stanovených metodou MehlichIII Tab. 4 Úroveň detekce vybraných půdních vlastností pomocí on-the-go senzorů Tab. 5 Porovn{ní senzorů měřících elektrickou vodivost půdy na principu elektromagnetické indukce (EMI) a elektrického odporu (ER) Tab. 6 Stručn{ charakteristika pokusných lokalit Tab. 7 Technické parametry snímkovací techniky a údaje o z{běru a prostorovém rozlišení snímků pro letovou výšku 2000 m. Tab. 8 Statistické charakteristiky agrochemických vlastností z 50m odběrové sítě pozemku Pachty Tab. 9 Kritéria hodnocení výsledků obsahů živin stanovených metodou MehlichIII Tab. 10 Statistické charakteristiky agrochemických vlastností z 50m odběrové sítě pozemku H{j Tab. 11 Kritéria pro hodnocení variačního koeficientu vybraných agrochemických vlastností půdy Tab. 12 Parametry interpolačních metod s nejnižší dosaženou hodnotou RMSE z cross-validation hodnocení pro pozemek Pachty s uvedením z{kladních parametrů variogramu Tab. 13 Parametry interpolačních metod s nejnižší dosaženou hodnotou RMSE z cross-validation hodnocení pro pozemek H{j s uvedením z{kladních parametrů variogramu Tab. 14 Z{kladní statistické charakteristiky podílu zrnitostních frakcí z půdního vzorkov{ní na pozemku Pachty Tab. 15 Z{kladní statistické charakteristiky podílu zrnitostních frakcí z půdního vzorkov{ní na pozemku H{j Tab. 16 Z{kladní statistické charakteristiky ECa měření z roku 2004 a 2005 Tab. 17 Z{kladní statistické charakteristiky ECa měření na pozemku H{j z roku 2007 a 2009 Tab. 18 Parametry variant prostorových interpolací s nejnižší dosaženou hodnotou RMSE na z{kladě cross-validation hodnocení pro měření ECa Tab. 19 Podíl hlavních komponent na celkovém rozptylu a jejich korelace s p{smy DSLR a MS snímků na pozemku Pachty Tab. 20 Podíl hlavních komponent na celkovém rozptylu a jejich korelace s p{smy DSLR a MS snímků na pozemku H{j Tab. 21 Parametry zónové statistiky pro jednotlivé datové vrstvy Tab. 22 Korelační koeficienty porovn{ní výsledků agrochemických analýz půdních vzorků a obsahu humusu s nepřímými metodami na pozemku Pachty Tab. 23 Korelační koeficienty porovn{ní výsledků agrochemických analýz půdních vzorků a obsahu humusu s nepřímými metodami na pozemku H{j Tab. 24 Korelační koeficienty porovn{ní výsledků stanovení zrnitosti půdy a nepřímých metod na pozemku Pachty Tab. 25 Korelační koeficienty porovn{ní výsledků stanovení zrnitosti půdy a nepřímých metod na pozemku Pachty Tab. 26 Souhrn porovn{ní přímých a nepřímých metod na pozemku Pachty Tab. 27 Souhrn porovn{ní přímých a nepřímých metod na pozemku H{j Tab. 28 Parametry porovn{vaných variant odběrových sítí na pozemku Pachty Tab. 29 Parametry porovn{vaných variant odběrových sítí na pozemku H{j
152
Tab. 30 Z{kladní statistické charakteristiky jednotlivých variant odběrových sítí na pozemku Pachty Tab. 31 Z{kladní statistické charakteristiky jednotlivých variant odběrových sítí na pozemku H{j Tab. 32 Porovn{ní variant odběrových sítí pomocí ukazatele RMSE50 a prostorové z{vislosti na pozemku Pachty Tab. 33 Porovn{ní variant odběrových sítí pomocí ukazatele RMSE50 a prostorové z{vislosti na pozemku H{j Tab. 34 Výsledky hodnocení metodou cross-validation interpolačních postupů a jejich nastavení pro jednotlivé půdní charakteristiky (obsah P, K, Mg, Ca, Cox, hodnota pH) na pozemku Pachty s uvedením z{kladních parametrů variogramu Tab. 35 Výsledky hodnocení metodou cross-validation interpolačních postupů a jejich nastavení pro jednotlivé půdní charakteristiky (obsah P, K, Mg, Ca, Cox, hodnota pH) na pozemku H{j s uvedením z{kladních parametrů variogramu Tab. 36 Výsledky hodnocení interpolačních postupů a jejich nastavení metodou cross-validation pro půdní zrnitost na pozemku Pachty Tab. 37 Výsledky hodnocení interpolačních postupů a jejich nastavení metodou cross-validation pro půdní zrnitost na pozemku H{j Tab. 38 Výsledky hodnocení interpolačních postupů a jejich nastavení metodou cross-validation pro měření půdní vodivosti ECa04 na pozemku Pachty s uvedením z{kladních parametrů variogramu Tab. 39 Výsledky hodnocení interpolačních postupů a jejich nastavení metodou cross-validation pro měření půdní vodivosti ECa05 na pozemku Pachty s uvedením z{kladních parametrů variogramu Tab. 40 Výsledky hodnocení interpolačních postupů a jejich nastavení metodou cross-validation pro měření půdní vodivosti ECa07 na pozemku H{j s uvedením z{kladních parametrů variogramu Tab. 41 Výsledky hodnocení interpolačních postupů a jejich nastavení metodou cross-validation pro měření půdní vodivosti ECa09 na pozemku H{j s uvedením z{kladních parametrů variogramu Tab. 42 Korelační koeficienty porovn{ní nepřímých metod na pozemku Pachty Tab. 43 Korelační koeficienty porovn{ní nepřímých metod na pozemku H{j
153
Seznam obr{zků Obr. 1 Vývoj lok{lně cíleného hospodaření Obr. 2 Obecný průběh variogramu Obr. 3 Anisotropie variogramu Obr. 4 Rozhodovací diagram postupu zpracov{ní asymetrických dat Obr. 5 Vliv půdní vlhkosti na odrazivost půdy Obr. 6 Spektr{lní křivka organických půdy dle podílu rozložení organické hmoty Obr. 7 Vliv zrnitosti na odrazivost půdy Obr. 8 Rozpětí nadmořské výšky na pozemku Pachty a H{j Obr. 9 Schéma rozmístění odběrových bodů směsného vzorku v roce 2004 Obr. 10 Schéma rozmístění odběrových bodů v 50m síti na pozemku Pachty a H{j Obr. 11Mapa rozmístění bodů vzorkov{ní půdy na stanovení půdní zrnitosti včetně mapy s podkladem ECa vrstvy z roku 2004 Obr. 12 Schéma odběru půdních vzorků ke stanovení půdní zrnitosti na pozemku H{j v roce 2007 Obr. 13 Měřicí přístroj EM38, tažné vozidlo s dřevěnými saněmi pro EM38 a ruční měření s přístrojem CMD Obr. 14 Mapa bodů měření EM38 na pozemku Pachty v roce 2004 a 2005 Obr. 15 Mapa bodů měření ECa půdy na pozemku H{j - EM38 (2007) a CMD (2009) Obr. 16 Schéma zn{zorňující princip měření EM 38 Obr. 17 Graf spektr{lní citlivosti fotoapar{tu Nikon D80 Obr. 18 Konfigurace multispektr{lní kamery DuncanTech MS-3100 – vnitřní uspoř{d{ní kamery a graf spektr{lní citlivosti jednotlivých CCD čipů kamery Obr. 19 Letoun Cessna TU206F a pohled na palubu se snímací technikou na gyrostabizilačním r{mu Obr. 20 Vyznačení zavezené oblasti na pozemku Pachty Obr. 21 Histogramy hodnot hodnoty pH a obsahů P, K, Mg, Ca a humusu pro pozemek Pachty Obr. 22 Histogramy hodnot hodnoty pH a obsahů P, K, Mg, Ca a humusu pro pozemek H{j Obr. 23 Graf odchylky RMSE jednotlivých variant prostorových interpolací zkoumaných půdních charakteristik hodnoty na pozemku Pachty Obr. 24 Histogram obsahu Ca z 50m sítě na pozemku Pachty před a po logaritmické transformaci Obr. 25 Graf odchylky RMSE jednotlivých variant prostorových interpolací zkoumaných půdních charakteristik hodnoty na pozemku H{j Obr. 26 Experiment{lní a modelové variogramy sledovaných půdních charakteristik 50m odběrové sítě na pozemku Pachty Obr. 27 Experiment{lní a modelové variogramy sledovaných půdních charakteristik 50m odběrové sítě na pozemku H{j Obr. 28 Mapové zobrazení prostorové variability hodnoty pH a obsahu P, K, Mg, Ca a humusu na pozemku Pachty Obr. 29 Mapové zobrazení prostorové variability hodnoty pH a obsahu P, K, Mg, Ca a humusu na pozemku H{j Obr. 30 Histogramy podílu jednotlivých zrnitostních kategorií na pozemku Pachty a H{j Obr. 31 Trojúhelníkový diagram zrnitosti půdy na pozemku Pachty a H{j Obr. 32 Graf odchylky RMSE interpolačních postupů jednotlivých zrnitostních kategorií z pozemku Pachty
154
Obr. 33 Graf odchylky RMSE interpolačních postupů jednotlivých zrnitostních kategorií z pozemku H{j Obr. 34 Variogramy obsahu jílu, prachu a písku na pozemku Pachty Obr. 35 Variogramy obsahu jílu, prachu a písku na pozemku H{j Obr. 36 Mapové zobrazení prostorové variability obsahu jílu, prachu a písku na pozemku Pachty vytvořené metodou OKNN_sph Obr. 37 Mapové zobrazení prostorové variability obsahu jílu, prachu a písku na pozemku H{j vytvořené metodou OKNN_sph Obr. 38 Mapa bodů měření ECa04 na pozemku Pachty po odstranění bodů na souvratích a grafy dvou odstraněných bodů s lok{lními extrémními hodnoty Obr. 39 Histogramy ECa Pachty z roku 2004 původního souboru dat (ECa04_orig) a datového souboru po úpravě (ECa04) Obr. 40 Histogramy ECa Pachty z roku 2005 původního souboru dat (ECa05_orig) a datového souboru po úpravě (ECa05) Obr. 41 Mapa bodů měření ECa05 na pozemku Pachty po odstranění bodů na souvratích Obr. 42 Mapa bodů měření ECa07 na pozemku H{j po odstranění bodů na souvratích a mapa bodů měření ECa09 Obr. 43 Histogramy výsledků měření ECa na pozemku H{j Obr. 44 Graf odchylky RMSE jednotlivých variant interpolačních postupů měření ECa04 na pozemku Pachty Obr. 45 Graf odchylky RMSE jednotlivých variant interpolačních postupů měření ECa05 na pozemku Pachty Obr. 46 Graf odchylky RMSE jednotlivých variant interpolačních postupů měření ECa07 na pozemku H{j Obr. 47 Graf odchylky RMSE jednotlivých variant interpolačních postupů měření ECa09 na pozemku H{j Obr. 48 Mapové zobrazení prostorové variability měření elektrické vodivosti půdy ECa04 a ECa05 na pozemku Pachty Obr. 49 Mapové zobrazení prostorové variability měření elektrické vodivosti půdy ECa07 a ECa09 na pozemku H{j Obr. 50 Ortofota pozemku Pachty a H{j: ve viditelném spektru z digit{lní zrcadlovky Nikon D80; term{lní snímky z termokamery Fluke Ti55FT a multispektr{lní snímky v nepravých barv{ch z kamery DuncanTech MS3100. Obr. 51 Stanovení první a n{sledně druhé osy komponent PCA analýzy Obr. 52 Výsledky analýzy hlavních komponent leteckých snímků na pozemku Pachty Obr. 53 Výsledky analýzy hlavních komponent leteckých snímků na pozemku H{j Obr. 54 Překrytí bodu odběru o průměru 5 m s rastrovou vrstvou na pozemku H{j Obr. 55 Graf porovn{ní ECa04 a ECa05 z 50m odběrové sítě a z celoplošných map s line{rním proložením hodnot a výsledky regresní analýzy Obr. 56 Rozdělení pozemku H{j na ortofotosnímku z roku 2006 a mapa rozložení hodnot ECa z roku 2007. Obr. 57 Schéma rozmístění odběrových sítí na pozemku Pachty – pravidelných čtvercových a nepravidelných Obr. 58 Schéma rozmístění odběrových sítí na pozemku H{j – pravidelných čtvercových a nepravidelných. Obr. 59 Grafické zn{zornění ukazatele RMSE50 pro pH na pozemku Pachty Obr. 60 Grafické zn{zornění ukazatele RMSE50 pro pH na pozemku H{j
155
Příloha č. 1 Výsledky prostorových interpolací Tab. 34 Výsledky hodnocení metodou cross-validation interpolačních postupů a jejich nastavení pro jednotlivé půdní charakteristiky (obsah P, K, Mg, Ca, Cox, hodnota pH) na pozemku Pachty s uvedením z{kladních parametrů variogramu. (OK – ordinary kriging, logOK ordinary kriging s logaritmickou transformací dat, IDW – Inverse distance weighting s hodnotou p = 2; omni – všesměrový variogram, ani –anizotropní variogram; sph – sférický model variogramu, exp – exponenci{lní model variogramu; range max – maxim{lní rozsah variogramu, range min – minim{lní rozsah anizotropního variogramu při zvoleném směrovém úhlu, sill – pr{h neboli celkový rozptyl, nugget – zbytkový rozptyl, nugget:sill – podíl zbytkového rozptylu na celkovém rozptylu). pH metoda interpolace
OK
OK
OK
OK
logOK
logOK
logOK
logOK
směrovost
iso
iso
ani
ani
iso
iso
ani
ani
model variogramu
sph
exp
sph
exp
exp
sph
exp
sph
IDW
ME
-0.002
-0.001
-0.001
-0.002
0.007
0.004
0.006
0.006
0.004
RMSE
0.5942
0.5965
0.5558
0.5559
0.5965
0.5949
0.5558
0.5576
0.6838
AKSE
0.7326
0.7815
0.6875
0.7156
0.8463
0.7944
0.7718
0.7471
AKSE-RMSE
-0.0807
0.0170
-0.1258
-0.0643
0.1358
0.0391
0.0320
-0.0149
MSPE
-0.0024
-0.0006
-0.0013
-0.0019
0.0073
0.0026
0.0090
0.0065
RMSP
0.8133
0.7645
0.8133
0.7798
0.7105
0.7553
0.7399
0.7620
Range (max)
172.2
172.2
262.4
261.9
156.6
170.4
262.8
266.4
Range (min)
172.2
172.2
121.7
113.5
156.6
170.4
110.0
120.5
25.2
28.3
Směr. úhel
27.8
25.2
Sill
0.933
0.933
0.936
113.548
0.025
0.025
110.046
0.025
Nugget
0.216
0.216
0.178
0.000
0.000
0.006
0.000
0.005
Nugget:sill
0.232
0.232
0.190
0.000
0.000
0.242
0.000
0.203
P metoda interpolace
OK
OK
OK
OK
logOK
logOK
logOK
logOK
iso
iso
ani
ani
iso
iso
ani
ani
sph
exp
sph
exp
exp
sph
exp
sph
-0.209
-0.197
-0.189
-0.427
1.286
0.917
0.750
0.743
-0.780
RMSE
20.217
20.291
18.740
18.688
20.988
20.759
19.170
19.028
22.423
AKSE
22.983
23.889
20.682
19.029
35.435
33.182
29.190
30.099
AKSE-RMSE
22.104
23.041
19.785
18.059
34.820
32.526
28.540
29.439
MSPE
-0.004
-0.004
-0.003
-0.011
0.027
0.020
0.023
0.012
RMSP
0.879
0.848
0.897
0.970
0.615
0.656
0.651
0.660
Range (max)
249.8
346.3
592.7
592.7
283.6
224.9
592.7
592.7
Range (min)
249.8
346.3
177.8
196.8
283.6
224.9
180.0
158.4
29.1
30.7
32.1
31.0
Sill
1264.19
1340.32
1321.59
196.82
0.47
0.45
179.95
0.47
Nugget
211.349
126.129
198.616
0.000
0.009
0.054
0.000
0.058
0.167
0.094
0.150
0.000
0.019
0.120
0.000
0.122
směrovost model variogramu ME
Směr. úhel
Nugget:sill
156
IDW
K metoda interpolace
OK
OK
OK
OK
logOK
logOK
logOK
logOK
směrovost
iso
iso
ani
ani
iso
iso
ani
ani
model variogramu
sph
exp
sph
exp
exp
sph
exp
sph
IDW
ME
-0.082
-0.256
-0.254
-0.452
-0.763
-0.422
-0.803
-0.658
-1.371
RMSE
31.001
30.020
31.364
30.610
29.049
31.373
29.805
29.926
30.257
AKSE
30.286
29.027
29.424
28.047
27.058
30.088
25.452
26.115
AKSE-RMSE
29.282
28.021
28.384
26.994
26.090
29.111
24.376
25.051
MSPE
0.001
-0.004
-0.004
-0.009
-0.021
-0.006
-0.023
-0.021
RMSP
1.003
1.007
1.040
1.054
0.968
0.977
1.076
1.064
Range (max)
592.7
592.7
592.7
592.7
227.4
592.7
490.8
541.8
Range (min)
592.7
592.7
393.7
344.6
227.4
592.7
140.0
152.8
82.9
78.8
26.2
24.5
Směr. úhel Sill Nugget Nugget:sill
1292.33
1311.08
1255.04
844.38
0.05
0.05
140.04
0.05
789.53
616.79
716.50
499.80
0.01
0.04
0.01
0.02
0.611
0.470
0.571
0.592
0.256
0.711
0.000
0.435
0.00
Mg metoda interpolace
OK
OK
OK
OK
logOK
logOK
logOK
logOK
směrovost
iso
iso
ani
ani
iso
iso
ani
ani
model variogramu
sph
exp
sph
exp
exp
sph
exp
sph
ME
IDW
-0.564
-0.415
0.164
-0.276
-2.874
-3.381
-2.687
-2.985
0.363
RMSE
106.406
104.225
107.191
105.554
98.421
101.029
99.068
104.388
102.890
AKSE
107.205
104.089
105.713
103.180
84.824
87.501
86.852
92.670
AKSE-RMSE
106.214
103.091
104.703
102.161
83.739
86.416
85.639
91.632
MSPE
-0.0051
-0.0039
0.0016
-0.0027
-0.0300
-0.0366
-0.0456
-0.0286
RMSP
0.9902
0.9979
1.0098
1.0188
1.0843
1.0851
1.2138
1.0387
Range (max)
592.7
592.7
592.7
592.7
360.2
352.8
451.2
592.7
Range (min)
592.7
592.7
442.1
425.5
360.2
352.8
355.4
418.3
73.6
262.2
229.2
71.5
15634.6
15775.8
15298.0
8157.7
0.32
0.31
355.45
0.32
9986.9
8259.6
9528.0
7732.2
0.08
0.13
0.09
0.17
0.639
0.524
0.623
0.948
0.245
0.438
0.000
0.522
Směr. úhel Sill Nugget Nugget:sill
157
0.00
Ca metoda interpolace
OK
OK
OK
OK
směrovost
iso
iso
ani
ani
iso
iso
ani
ani
model variogramu
sph
exp
sph
exp
exp
sph
exp
sph
ME
logOK logOK logOK logOK
-18.65
-168.31
-5.54
RMSE
3960.4
4052.0
4253.7
4254.2
4037.6
4061.2
4052.0
4086.4
AKSE
4088.3
2625.0
4332.9
4266.4
2651.9
2551.0
2625.0
2528.4
AKSE-RMSE
4087.3
2623.5
4331.9
4265.4
2650.6
2549.7
2623.5
2527.0
MSPE
-0.0042
-0.0624
-0.0015
0.0002 -0.0250 -0.0378 -0.0624 -0.0290
RMSP
0.9697
1.4823
0.9831
0.9976
1.2873
1.3738
1.4823
1.3808
Range (max)
183.9
146.5
592.7
592.7
169.7
185.3
196.6
212.1
Range (min)
183.9
146.5
168.7
157.6
169.7
185.3
147.2
156.1
344.2
348.0
359.3
8.0
Směr. úhel
1.10 -167.58 -192.54 -168.31 -176.18 -41.360
Sill
22743560 22749326 23047945 23242199
Nugget
10427289
Nugget:sill
4064067 15541341 12376923
0.458
0.179
IDW
0.674
0.533
0.53
0.53
0.53
0.53
0.000
0.137
0.000
0.127
0.000
0.260
0.000
0.242
3985.6
0.00
hum metoda interpolace
OK
OK
OK
OK
logOK
logOK
logOK
logOK
směrovost
iso
iso
ani
ani
iso
iso
ani
ani
model variogramu
sph
exp
sph
exp
exp
sph
exp
sph
ME
0.000
0.000
-0.002
-0.003
0.005
0.003
-0.003
0.000
0.003
RMSE
0.313
0.309
0.299
0.285
0.312
0.316
0.300
0.311
0.335
AKSE
0.340
0.372
0.349
0.310
0.401
0.365
0.368
0.380
-0.577
-0.457
-0.506
-0.608
-0.380
-0.501
-0.435
-0.426
MSPE
0.000
-0.001
-0.004
-0.005
0.016
0.011
-0.006
-0.001
RMSP
0.917
0.830
0.855
0.918
0.781
0.866
0.803
0.806
Range (max)
196.9
208.6
509.8
413.7
192.1
192.1
592.6
592.7
Range (min)
196.9
208.6
144.5
130.2
192.1
192.1
128.7
144.1
39.2
39.9
41.6
41.0
0.26
0.26
0.26
130.23
0.03
0.03
128.68
0.03
Nugget
0.035
0.000
0.071
0.000
0.000
0.004
0.005
0.009
Nugget:sill
0.136
0.000
0.269
0.000
0.000
0.155
0.000
0.318
AKSE-RMSE
Směr. úhel Sill
158
IDW
Tab. 35 Výsledky hodnocení metodou cross-validation interpolačních postupů a jejich nastavení pro jednotlivé půdní charakteristiky (obsah P, K, Mg, Ca, Cox, hodnota pH) na pozemku H{j s uvedením z{kladních parametrů variogramu (OK – ordinary kriging, logOK ordinary kriging s logaritmickou transformací dat, IDW – Inverse distance weighting s hodnotou p = 2; omni – všesměrový variogram, ani –anizotropní variogram; sph – sférický model variogramu, exp – exponenci{lní model variogramu; range max – maxim{lní rozsah variogramu, range min – minim{lní rozsah anizotropního variogramu při zvoleném směrovém úhlu, sill – pr{h neboli celkový rozptyl, nugget – zbytkový rozptyl, nugget:sill – podíl zbytkového rozptylu na celkovém rozptylu) pH metoda interpolace
OK
OK
OK
OK
logOK
logOK
logOK
logOK
směrovost
iso
iso
ani
ani
iso
iso
ani
ani
model variogramu
sph
exp
sph
exp
sph
exp
sph
exp
ME
IDW
0.851
0.850
0.851
0.849
0.851
0.851
0.852
0.848
-0.026
RMSE
0.4120
0.4119
0.4181
0.4197
0.4124
0.4123
0.4183
0.4200
0.4172
AKSE
1.1097
1.1012
1.1024
1.1074
1.1340
1.1230
1.1250
1.1321
AKSE-RMSE
0.1429
0.1136
0.1045
0.1169
0.2046
0.1679
0.1607
0.1774
MSPE
0.0175
0.0158
0.0190
0.0134
0.0206
0.0196
0.0203
0.0134
RMSP
0.9668
0.9876
0.9979
0.9905
0.9294
0.9551
0.9643
0.9547
Range (max)
486.4
592.7
592.7
592.7
520.8
592.7
592.7
592.7
Range (min)
486.4
592.7
390.6
388.5
520.8
592.7
394.8
392.2
56.3
56.9
54.9
55.7
Směr. úhel Sill
0.342
0.356
390.711
388.573
0.008
0.008
394.791
392.176
Nugget
0.137
0.105
0.130
0.104
0.003
0.002
0.003
0.003
Nugget:sill
0.401
0.294
0.000
0.000
0.403
0.293
0.000
0.000
P metoda interpolace
OK
OK
OK
OK
logOK
logOK
logOK
logOK
směrovost
iso
iso
ani
Ani
iso
iso
ani
ani
model variogramu
sph
exp
sph
Exp
sph
exp
sph
exp
IDW
ME
0.676
0.654
0.798
0.693
0.437
0.414
0.336
0.541
-0.975
RMSE
33.08
32.91
32.85
32.86
33.21
32.71
33.39
33.21
32.36
AKSE
31.85
31.89
31.77
31.12
32.65
32.01
32.52
32.24
AKSE-RMSE
30.83
30.87
30.75
30.07
31.64
31.00
31.50
31.19
MSPE
0.015
0.015
0.019
0.016
0.003
0.000
-0.003
0.000
RMSP
1.028
1.022
1.024
1.045
1.007
1.006
1.025
1.050
Range (max)
313.8
383.8
592.7
592.7
592.7
193.3
592.7
592.7
Range (min)
313.8
383.8
315.8
270.7
592.7
193.3
477.4
291.6
1.2
5.0
39.2
32.3
Sill
1170.47
1191.26
1209.35
1023.26
0.12
0.12
477.53
291.71
Nugget
876.674
820.490
893.500
752.599
0.107
0.082
0.106
0.096
0.749
0.689
0.739
0.735
0.887
0.692
0.000
0.000
Směr. úhel
Nugget:sill
159
K metoda interpolace
OK
OK
OK
OK
logOK
logOK
logOK
logOK
směrovost
iso
iso
ani
ani
iso
iso
ani
ani
model variogramu
sph
exp
sph
exp
sph
exp
sph
exp
ME
IDW
-0.449
-0.697
-0.345
-0.830
-1.091
-1.226
-1.004
-1.264
-3.368
RMSE
46.36
45.18
46.65
47.14
46.30
45.53
47.13
47.31
46.45
AKSE
46.11
44.39
43.34
42.22
45.71
45.16
44.13
42.97
AKSE-RMSE
45.11
43.39
42.28
41.11
44.74
44.20
43.12
41.92
MSPE
-0.006
-0.011
-0.004
-0.014
-0.019
-0.021
-0.009
-0.028
RMSP
0.997
1.007
1.067
1.102
0.966
0.961
1.010
1.058
Range (max)
548.5
592.7
592.7
592.7
409.0
514.4
592.7
592.7
Range (min)
548.5
592.7
330.7
282.4
409.0
514.4
296.9
263.4
5.2
5.3
4.7
4.6
Směr. úhel Sill
4028.42
4082.01
1642.70
1077.07
0.07
0.08
296.96
263.38
Nugget
1627.81
1150.03
1311.98
794.63
0.03
0.03
0.03
0.02
0.404
0.282
0.799
0.738
0.466
0.353
0.000
0.000
Nugget:sill
Mg metoda interpolace
OK
OK
OK
OK
logOK
logOK
logOK
logOK
směrovost
iso
iso
ani
ani
iso
iso
ani
ani
model variogramu
sph
exp
sph
exp
sph
exp
sph
exp
ME
IDW
-1.209
-1.061
-0.776
-0.774
-1.490
-1.161
-1.354
-1.534
-1.375
RMSE
86.99
85.76
90.17
89.26
87.26
84.00
90.67
90.97
83.82
AKSE
87.97
86.49
86.28
85.23
87.81
83.30
84.97
84.30
AKSE-RMSE
86.99
85.51
85.24
84.19
86.80
82.27
83.87
83.18
MSPE
-0.0126
-0.0109
-0.0076
-0.0074
-0.0222
-0.0203
-0.0362
-0.0488
RMSP
0.9850
0.9866
1.0406
1.0416
1.0099
1.0282
1.0980
1.1260
Range (max)
592.7
592.7
592.7
592.7
592.7
193.4
592.7
592.7
Range (min)
592.7
592.7
331.0
328.4
592.7
193.4
260.3
243.0
346.9
348.5
348.0
351.5
Sill
9328.7
9379.2
6788.0
5941.8
0.13
0.12
260.36
243.04
Nugget
6907.0
6158.7
6457.0
5613.4
0.10
0.06
0.09
0.08
0.740
0.657
0.951
0.945
0.814
0.463
0.000
0.000
Směr. úhel
Nugget:sill
160
Ca metoda interpolace
OK
OK
OK
OK
logOK
logOK
logOK
logOK
směrovost
iso
iso
ani
ani
iso
iso
ani
ani
model variogramu
sph
exp
sph
exp
sph
exp
sph
exp
IDW
ME
-29.85
-26.85
-20.80
-25.64
-74.59
-70.90
-69.55
-72.68
-104.23
RMSE
1534.4
1530.2
1530.7
1528.0
1520.9
1511.1
1528.4
1517.8
1532.1
AKSE
1417.5
1377.4
1392.2
1374.1
1174.7
1144.6
1170.5
1141.8
AKSE-RMSE
1416.4
1376.3
1391.1
1373.0
1173.5
1143.4
1169.2
1140.5
MSPE
-0.0175
-0.0153
-0.0113
-0.0145
-0.0447
-0.0431
-0.0457
-0.0609
RMSP
1.0721
1.0968
1.0888
1.0995
1.2064
1.2271
1.2624
1.2956
Range (max)
585.7
592.7
592.7
592.7
565.0
592.7
592.7
592.7
Range (min)
585.7
592.7
432.5
393.1
565.0
592.7
474.4
467.8
9.1
13.2
19.6
25.2
Směr. úhel Sill
3269679
3258315
1544411
1210191
0.15
0.15
474.45
467.89
Nugget
1644970
1287444
1543979
1209797
0.078
0.061
0.076
0.058
0.503
0.395
1.000
1.000
0.530
0.407
0.000
0.000
Nugget:sill
humus metoda interpolace
OK
OK
OK
OK
logOK
logOK
logOK
logOK
směrovost
iso
iso
ani
ani
iso
iso
ani
ani
model variogramu
sph
exp
sph
exp
sph
exp
sph
exp
ME
IDW
-0.0016
-0.0028
-0.0027
-0.0048
-0.0027
-0.0028
-0.0034
-0.0041
-0.0177
RMSE
0.2881
0.2920
0.2915
0.2921
0.2897
0.2920
0.2938
0.2958
0.2971
AKSE
0.2599
0.2582
0.2535
0.2660
0.2916
0.2582
0.2845
0.2939
-0.8417
-0.8647
-0.8889
-0.8252
-0.7041
-0.8647
-0.7537
-0.7199
MSPE
-0.003
-0.006
-0.006
-0.014
-0.010
-0.006
-0.012
-0.011
RMSP
1.102
1.123
1.142
1.091
0.996
1.123
1.038
1.014
Range (max)
592.7
592.7
592.7
592.7
592.7
592.7
592.7
592.7
Range (min)
592.7
592.7
377.6
335.5
592.7
592.7
386.2
339.6
339.5
340.7
338.4
339.7
0.11
0.11
377.64
335.57
0.04
0.11
386.24
339.58
Nugget
0.055
0.047
0.050
0.050
0.020
0.047
0.019
0.018
Nugget:sill
0.498
0.432
0.000
0.000
0.543
0.432
0.000
0.000
AKSE-RMSE
Směr. úhel Sill
161
Tab. 36 Výsledky hodnocení interpolačních postupů a jejich nastavení metodou cross-validation pro půdní zrnitost na pozemku Pachty půdní char.
podíl jílu
podíl prachu
metoda interpolace
OK
OK
OKNN
OKNN
model variogramu
sph
exp
sph
exp
OK
OK
OKNN
OKNN
sph
exp
sph
exp
IDW
OK
OK
OKNN
OKNN
sph
exp
sph
exp
IDW
ME
-0.038
-0.038
0.127
0.140
-0.033
-0.037
-0.033
-0.050
-0.105
0.082
0.082
-0.094
0.082
0.093
RMSE
4.6080
4.6080
5.6886
5.1901 5.0802
3.32
3.33
3.80
3.58
3.40
5.85
5.85
7.39
5.85
6.03
AKSE
4.7286
4.7286
3.9734
4.3635
3.13
3.13
2.72
2.99
5.89
5.89
4.95
5.89
AKSE-RMSE
3.7501
3.7501
2.4647
3.1496
2.07
2.08
1.31
1.82
4.89
4.89
3.35
4.89
MSPE
-0.0088
-0.0088
0.0200
0.0111
-0.007
-0.008
-0.005
-0.007
0.013
0.013
-0.013
0.013
RMSP
0.9784
0.9784
1.5088
1.2139
1.055
1.055
1.412
1.174
0.996
0.996
1.596
0.996
Range (max)
1241.2
1241.2
224.9
224.9
1294.7
1294.7
224.9
1241.2
1241.2
224.9
1241.2
Range (min)
1241.2
1241.2
224.9
224.9
1294.7
1294.7
224.9
1241.2
1241.2
224.9
1241.2
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
Sill
20.818
20.818
8.55
8.26
32.25
32.25
Nugget
20.818
20.818
8.547
8.259
32.25
32.25
1.000
1.000
1.000
1.000
1.000
1.000
Směr. úhel
Nugget:sill
0.090
IDW
podíl písku
OK – ordinary kriging, logOK ordinary kriging s logaritmickou transformací dat, IDW – Inverse distance weighting s hodnotou p = 2; iso – všesměrový variogram, ani –anizotropní variogram; sph – sférický model variogramu, exp – exponenci{lní model variogramu; lg20 – lag size 20 m, lg100 – lag size 100 m; range max – maxim{lní rozsah variogramu, range min – minim{lní rozsah anizotropního variogramu při zvoleném směrovém úhlu, sill – pr{h neboli celkový rozptyl, nugget – zbytkový rozptyl, nugget:sill – podíl zbytkového rozptylu na celkovém rozptylu).
Tab. 37 Výsledky hodnocení interpolačních postupů a jejich nastavení metodou cross-validation pro půdní zrnitost na pozemku H{j půdní char.
podíl jílu
podíl prachu
metoda interpolace
OK
OK
OKNN
OKNN
model variogramu
sph
exp
sph
exp
ME
0.247
-0.225
-0.240
-0.179
0.151
RMSE
5.8117
5.8787
5.8723
5.8522
5.8406
AKSE
5.7438
5.9693
5.7507
5.7361
AKSE-RMSE
4.7308
4.9823
4.7289
4.7148
3.20
3.25
3.24
3.26
3.22
3.24
3.06
3.10
MSPE
0.0420
-0.0394
-0.0391
-0.0320
-0.002
-0.002
0.065
0.052
-0.058
-0.059
-0.014
-0.010
RMSP
1.0130
0.9870
1.0218
1.0213
1.056
1.046
1.106
1.071
1.001
0.998
1.156
1.099
Range (max)
348.3
91.1
91.1
91.1
380.3
440.9
91.1
91.1
592.7
592.7
91.1
91.1
Range (min)
348.3
91.1
91.1
91.1
380.3
440.9
91.1
91.1
592.7
592.7
91.1
91.1
Směr. úhel
IDW
OK
podíl písku
OK
OKNN
OKNN
IDW
OK
sph
exp
sph
exp
-0.005
-0.005
0.325
4.50
4.50
4.25
4.29
OK
OKNN
OKNN
0.246
0.167
4.74
4.63
4.62
4.34
4.33
sph
exp
sph
exp
-0.251
-0.257
-0.084
-0.066
-0.319
4.23
4.23
4.78
4.58
4.48
4.22
4.23
4.22
4.20
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
0.0
Sill
31.636
31.519
31.844
31.844
18.28
18.27
18.16
18.14
16.96
16.88
17.12
17.09
Nugget
30.461
25.689
16.173
16.338
16.67
16.80
0.963
0.815
0.885
0.894
0.983
0.996
Nugget:sill
IDW
OK – ordinary kriging, logOK ordinary kriging s logaritmickou transformací dat, IDW – Inverse distance weighting s hodnotou p = 2; iso – všesměrový variogram, ani –anizotropní variogram; sph – sférický model variogramu, exp – exponenci{lní model variogramu; lg20 – lag size 20 m, lg100 – lag size 100 m; range max – maxim{lní rozsah variogramu, range min – minim{lní rozsah anizotropního variogramu při zvoleném směrovém úhlu, sill – pr{h neboli celkový rozptyl, nugget – zbytkový rozptyl, nugget:sill – podíl zbytkového rozptylu na celkovém rozptylu).
163
Tab. 38 Výsledky hodnocení interpolačních postupů a jejich nastavení metodou cross-validation pro měření půdní vodivosti ECa04 na pozemku Pachty s uvedením z{kladních parametrů variogramu měření ECa
ECa04
met. Interpolace
OK
OK
OK
OK
OK
OK
OK
OK
logOK
logOK
model variogr.
sph
sph
exp
exp
sph
sph
exp
exp
sph
sph
exp
exp
sph
sph
exp
exp
lag size
lg20
lg20
lg20
lg20
lg100
lg100
lg100
lg100
lg20
lg20
lg20
lg20
lg100
lg100
lg100
lg100
směrovost
iso
ani
iso
ani
iso
ani
iso
ani
iso
ani
iso
ani
iso
ani
iso
ani
0.011 -0.001
0.009
0.208
0.166
0.164
0.103
0.240
1.157
0.393
1.017
-0.002 2.889
logOK
logOK logOK IDWp2
ME
0.000
RMSE
2.976
2.515
2.756
2.179
3.359
3.435
3.302
3.382
3.008
2.452
2.761
2.148
3.035
3.649
3.019
3.583
AKSE
3.239
2.937
3.069
2.287
5.005
4.919
4.635
4.570
5.413
5.021
5.266
4.063
5.565
9.444
6.308
9.156
AKSE-RMSE
2.323
2.086
2.175
1.350
4.334
4.221
3.923
3.831
4.830
4.434
4.709
3.399
4.994
9.044
5.810
8.749
MSPE
0.000
-0.001
0.000 -0.001
0.000
0.002
0.000
0.002
0.035
0.001
0.029
0.007
0.039
0.135
0.057
0.121
RMSP
0.917
0.851
0.894
0.938
0.671
0.698
0.712
0.740
0.583
0.587
0.558
0.665
0.571
0.400
0.498
0.407
Range (max)
164.8
237.1
149.3
237.1
846.9
1176.9 1176.9 1176.9
237.1
237.1
210.8
237.1
1094.5
1176.9
1176.9
1176.9
Range (min)
164.8
124.4
149.3
112.1
846.9
237.1
147.5
210.8
134.7
1094.5
611.9
1176.9
677.5
Směr. úhel
-0.003 -0.001 -0.004 -0.001
logOK logOK logOK
610.8 1176.9
682.0
22.6
19.7
92.8
273.7
21.2
Sill
0.316 124.385
25.55 113.24
0.419 611.055
47.81 696.98
0.349 147.475
Nugget
0.016
0.010
1.489
1.159
0.217
0.211 15.931 14.989
0.000
Nugget:sill
0.051
0.000
0.058
0.010
0.518
0.000
0.000
0.333
0.022
18.8
89.8
27.798
134.70
0.439 612.027
0.000
0.000
0.000
0.184
0.000
0.000
0.000
0.420
90.5 43.60
688.73
0.167
12.482
11.271
0.000
0.286
0.016
OK – ordinary kriging, logOK ordinary kriging s logaritmickou transformací dat, IDW – Inverse distance weighting s hodnotou p = 2; iso – všesměrový variogram, ani –anizotropní variogram; sph – sférický model variogramu, exp – exponenci{lní model variogramu; lg20 – lag size 20 m, lg100 – lag size 100 m; range max – maxim{lní rozsah variogramu, range min – minim{lní rozsah anizotropního variogramu při zvoleném směrovém úhlu, sill – pr{h neboli celkový rozptyl, nugget – zbytkový rozptyl, nugget:sill – podíl zbytkového rozptylu na celkovém rozptylu).
164
Tab. 39 Výsledky hodnocení interpolačních postupů a jejich nastavení metodou cross-validation pro měření půdní vodivosti ECa05 na pozemku Pachty s uvedením z{kladních parametrů variogramu měření ECa
ECa05
met. interpolace
logOK
logOK
OK
OK
logOK
logOK
OK
OK
logOK
logOK
OK
OK
logOK
logOK
OK
OK
model variogr.
sph
sph
sph
sph
sph
sph
sph
sph
exp
exp
exp
exp
exp
exp
exp
exp
lag size
lg20
lg20
lg20
lg20
lg100
lg100
lg100
lg100
lg20
lg20
lg20
lg20
lg100
lg100
lg100
lg100
směrovost
iso
ani
iso
ani
iso
ani
iso
ani
iso
ani
iso
ani
iso
ani
iso
ani
ME
0.208
0.166 0.000
-0.003
0.240
1.157
0.011
0.164
0.103 -0.001 -0.004
0.393
1.017
RMSE
9.045
6.010 8.859
6.324
9.211
13.315 11.282 11.800
7.623
4.615
7.596
4.749
9.114
AKSE
3.008
2.452 2.976
2.515
3.035
3.649
3.359
3.435
2.761
2.148
2.756
2.179
3.019
3.583
3.302
3.382
AKSE-RMSE
5.413
5.021 3.239
2.937
5.565
9.444
5.005
4.919
5.266
4.063
3.069
2.287
6.308
9.156
4.635
4.570
MSPE
4.830
4.434 2.323
2.086
4.994
9.044
4.334
4.221
4.709
3.399
2.175
1.350
5.810
8.749
3.923
3.831
RMSP
0.035
0.001 0.000
-0.001
0.039
0.135
0.000
0.002
0.029
0.007
0.000 -0.001
0.057
0.121
0.000
0.002
Range (max)
175.7
237.1 159.7
237.1
177.3
1176.9 1176.9 1176.9
237.1
237.1
213.9
237.1
258.8
Range (min)
175.7
125.5 159.7
114.6
177.3
237.1
132.5
213.9
117.2
258.8
Směr. úhel
27.1
Sill
0.558
Nugget
0.097
Nugget:sill
0.175
0.07
593.7 1176.9
715.0
302.9
296.0
0.56
594.15
56.38 737.25
0.61
132.51
36.4
117.2
20.9
125.56 33.96 119.82
-0.001
24.3
-0.001
0.009
-0.002
12.837 10.901 11.440
8.349 2.889
1176.9 1176.9 1176.9 647.7 1176.9
775.4
307.1
294.1
0.6
648.1
52.30 793.76
19.0
IDWp2
6.73
5.19
0.11
0.43
23.13
22.30
0.05
0.000
4.0
0.0
0.1
0.4
19.11
18.41
0.001 0.198
0.043
0.193
0.001
0.410
0.030
0.082
0.000
0.110
0.000
0.213
0.001
0.365
0.023
OK – ordinary kriging, logOK ordinary kriging s logaritmickou transformací dat, IDW – Inverse distance weighting s hodnotou p = 2; iso – všesměrový variogram, ani –anizotropní variogram; sph – sférický model variogramu, exp – exponenci{lní model variogramu; lg20 – lag size 20 m, lg100 – lag size 100 m; range max – maxim{lní rozsah variogramu, range min – minim{lní rozsah anizotropního variogramu při zvoleném směrovém úhlu, sill – pr{h neboli celkový rozptyl, nugget – zbytkový rozptyl, nugget:sill – podíl zbytkového rozptylu na celkovém rozptylu).
165
Tab. 40 Výsledky hodnocení interpolačních postupů a jejich nastavení metodou cross-validation pro měření půdní vodivosti ECa07 na pozemku H{j s uvedením z{kladních parametrů variogramu měření ECa
ECa07
metoda interpolace logOK
logOK
OK
OK
logOK
logOK
OK
OK
logOK
logOK
OK
OK
logOK
logOK
OK
OK
model variogramu
sph
sph
sph
sph
sph
sph
sph
sph
exp
exp
exp
exp
exp
exp
exp
exp
lag size
lg20
lg20
lg20
lg20
lg100
lg100
lg100
lg100
lg20
lg20
lg20
lg20
lg100
lg100
lg100
lg100
směrovost
iso
ani
iso
ani
iso
ani
iso
ani
iso
ani
iso
ani
iso
ani
iso
ani
ME
0.034
0.035 0.001 0.001
0.057
0.047 0.001
0.001
0.034
0.080 0.002
0.002
0.106
0.100
0.001
0.002
0.009
RMSE
0.867
0.864 0.860 0.859
0.868
0.865 0.860
0.859
0.867
0.867 0.860
0.858
0.874
0.871
0.860
0.859
0.886
AKSE
1.545
1.513 0.964 0.948
2.607
2.158 1.163
1.050
1.545
2.090 1.333
1.316
3.070
2.880
1.491
1.442
AKSE-RMSE
0.695
0.646 0.076 0.046
2.103
1.548 0.426
0.235
0.695
1.463 0.692
0.667
2.641
2.425
0.916
0.849
MSPE
0.011
0.010 0.000 0.001
0.015
0.015 0.000
0.000
0.011
0.030 0.000
0.001
0.029
0.029
0.000
0.000
RMSP
0.850
0.867 0.888 0.902
0.504
0.610 0.736
0.814
0.850
0.626 0.641
0.648
0.429
0.455
0.574
0.593
Range (max)
237.1
237.1 237.1 237.1
930.1
930.1 930.1
930.1
237.1
237.1 237.1
237.1
930.1
930.1
930.1
930.1
Range (min)
237.1
205.4 237.1 207.1
930.1
625.5 930.1
626.6
237.1
190.8 237.1
192.5
930.1
727.7
930.1
736.1
282.3
277.2
280.9
276.3
Směr. úhel
281.4
276.5
Sill
0.08
205.41
14
207
0
Nugget
0.00
0.00
0
0
0
0.000 0.000 0.000
0.000
Nugget:sill
0.000
626 82.48
281.3
276.1
626.56
0.08
190.81 13.91
192.54
0.37
727.67
67.83
736.13
0.000
0.000
0.000
0.000 0.000
0.000
0.000
0.000
0.000
0.000
0.000 0.000
0.000
0.000
0.000 0.000
0.000
0.000
0.000
0.000
0.000
0
IDWp2
OK – ordinary kriging, logOK ordinary kriging s logaritmickou transformací dat, IDW – Inverse distance weighting s hodnotou p = 2; iso – všesměrový variogram, ani –anizotropní variogram; sph – sférický model variogramu, exp – exponenci{lní model variogramu; lg20 – lag size 20 m, lg100 – lag size 100 m; range max – maxim{lní rozsah variogramu, range min – minim{lní rozsah anizotropního variogramu při zvoleném směrovém úhlu, sill – pr{h neboli celkový rozptyl, nugget – zbytkový rozptyl, nugget:sill – podíl zbytkového rozptylu na celkovém rozptylu).
166
Tab. 41 Výsledky hodnocení interpolačních postupů a jejich nastavení metodou cross-validation pro měření půdní vodivosti ECa09 na pozemku H{j s uvedením z{kladních parametrů variogramu měření ECa
ECa09
metoda interpolace logOK logOK
OK
OK
OK
OK
OK
OK
OK
OK
model variogramu
sph
sph
sph
sph
sph
sph
sph
sph
exp
exp
exp
exp
exp
exp
exp
exp
lag size
lg20
lg20
lg20
lg20
lg100
lg100
lg100
lg100
lg20
lg20
lg20
lg20
lg100
lg100
lg100
lg100
směrovost
iso
ani
iso
ani
iso
ani
iso
ani
iso
ani
iso
ani
iso
ani
iso
ani
ME
0.080
0.088
0.014
0.011
0.259
0.209
-0.059
-0.031
0.065
0.073
0.036
0.019
0.217
0.121 -0.031 -0.011
0.122
RMSE
3.314
3.486
3.149
3.247
5.019
5.222
5.062
5.429
2.464
3.009
2.315
2.643
4.510
4.309
4.435
4.518
2.833
AKSE
5.463
5.692
5.463
5.525
8.914
8.509
9.551
9.185
4.027
4.999
3.555
4.420
8.140
6.903
8.577
7.796
AKSE-RMSE
4.889
5.115
4.882
4.933
8.389
7.936
9.021
8.594
3.425
4.433
2.848
3.809
7.624
6.320
8.059
7.217
MSPE
0.015
0.017
0.001
0.001
0.045
0.033
-0.006
-0.003
0.014
0.016
0.006
0.002
0.038
0.020 -0.004 -0.001
RMSP
0.574
0.577
0.581
0.592
0.526
0.573
0.530
0.591
0.602
0.566
0.708
0.611
0.517
0.583
0.518
0.580
Range (max)
122.3
149.5 114.667
138.6
435.0
961.8
389.5
961.8
143.2
237.1
128.1
192.7
459.0
961.8
351.2
961.8
Range (min)
122.3
110.8 114.667
102.1
435.0
326.3
389.5
288.3
143.2
142.2
128.1
118.7
459.0
260.5
351.2
230.4
Směr. úhel Sill
12.4
logOK logOK
18.8
0.05 110.81 116.156 124.109
352.6
logOK logOK
351.4
354.0
logOK logOK
1.7
355.1
353.9
0.054 326.339 130.914 366.718
0.047 142.202 119.18 128.86
0.06
260 131.71
284
Nugget
0.009
0.011 20.7472
21.988
0.032
0.028
84.823
78.376
0.003
0.007
2.661
10.20
0.03
0 64.729
54
Nugget:sill
0.208
0.000 0.17862
0.177
0.583
0.000
0.648
0.214
0.062
0.000
0.022
0.079
0.455
0.000
IDWp2
0.491
0.00
0.189
OK – ordinary kriging, logOK ordinary kriging s logaritmickou transformací dat, IDW – Inverse distance weighting s hodnotou p = 2; iso – všesměrový variogram, ani –anizotropní variogram; sph – sférický model variogramu, exp – exponenci{lní model variogramu; lg20 – lag size 20 m, lg100 – lag size 100 m; range max – maxim{lní rozsah variogramu, range min – minim{lní rozsah anizotropního variogramu při zvoleném směrovém úhlu, sill – pr{h neboli celkový rozptyl, nugget – zbytkový rozptyl, nugget:sill – podíl zbytkového rozptylu na celkovém rozptylu).
167
Příloha č. 2 Výsledky porovn{ní přímých a nepřímých metod
168
Termo_08
0.684 -0.753 -0.749 0.762 0.605 0.314 0.647 -0.671 0.980 0.990 1 0.995 -0.036 -0.614
MS_08_PCAc2
0.665 -0.732 -0.736 0.771 0.617 0.328 0.659 -0.662 0.985 1 0.990 0.997 0.009 -0.623
MS_08_PCAc1
MS_08_G
0.496 0.355 0.131 0.395 -0.564 0.687 -0.588 -0.428 -0.176 -0.474 0.633 -0.706 -0.614 -0.463 -0.216 -0.506 0.607 -0.704 1 0.965 0.816 0.981 -0.200 0.775 0.965 1 0.935 0.997 0.059 0.636 0.816 0.935 1 0.912 0.402 0.359 0.981 0.997 0.912 1 -0.007 0.672 -0.200 0.059 0.402 -0.007 1 -0.613 0.775 0.636 0.359 0.672 -0.613 1 0.771 0.617 0.328 0.659 -0.662 0.985 0.762 0.605 0.314 0.647 -0.671 0.980 0.773 0.622 0.336 0.663 -0.652 0.993 0.095 0.184 0.242 0.155 0.270 0.157 -0.453 -0.339 -0.125 -0.366 0.500 -0.570
MS_08_R
MS_08_NIR
DSLR_08_PCAc2
-0.542 0.891 1 -0.614 -0.463 -0.216 -0.506 0.607 -0.704 -0.736 -0.749 -0.733 0.182 0.512
DSLR_08_PCAc1
-0.576 1 0.891 -0.588 -0.428 -0.176 -0.474 0.633 -0.706 -0.732 -0.753 -0.734 0.179 0.506
DSLR_08_B
ECa05
1 -0.576 -0.542 0.496 0.355 0.131 0.395 -0.564 0.687 0.665 0.684 0.681 0.097 -0.253
DSLR_08_G
ECa04
DEM ECa04 ECa05 DSLR_08_R DSLR_08_G DSLR_08_B DSLR_08_PCAc1 DSLR_08_PCAc2 MS_08_NIR MS_08_R MS_08_G MS_08_PCAc1 MS_08_PCAc2 Termo_08
DEM
Nepřím{ měření na pozemku Pachty
DSLR_08_R
Tab. 42 Korelační koeficienty porovn{ní nepřímých metod na pozemku Pachty
0.681 0.097 -0.253 -0.734 0.179 0.506 -0.733 0.182 0.512 0.773 0.095 -0.453 0.622 0.184 -0.339 0.336 0.242 -0.125 0.663 0.155 -0.366 -0.652 0.270 0.500 0.993 0.157 -0.570 0.997 0.009 -0.623 0.995 -0.036 -0.614 1 0.043 -0.606 0.043 1 0.231 -0.606 0.231 1
-0.387 0.285 0.260 0.206 0.268 -0.237 0.226 0.125 0.004 0.166 0.168 0.115 0.161 -0.135 -0.008 -0.012 1 -0.053 -0.063 -0.078 -0.059 -0.074 -0.077 -0.038 -0.053 1 0.990 0.943 0.996 -0.207 0.561 0.236 -0.063 0.990 1 0.976 0.998 -0.078 0.562 0.239 -0.078 0.943 0.976 1 0.967 0.125 0.540 0.230 -0.059 0.996 0.998 0.967 1 -0.125 0.562 0.238 -0.074 -0.207 -0.078 0.125 -0.125 1 -0.082 -0.024 -0.077 0.561 0.562 0.540 0.562 -0.082 1 0.899 -0.038 0.236 0.239 0.230 0.238 -0.024 0.899 1 -0.029 0.205 0.209 0.203 0.207 -0.011 0.883 0.998 -0.038 0.251 0.254 0.246 0.253 -0.023 0.908 0.999 -0.110 0.829 0.825 0.789 0.828 -0.150 0.582 0.169 0.351 -0.130 -0.145 -0.157 -0.139 -0.078 -0.055 -0.041
169
0.087 -0.021 -0.029 0.205 0.209 0.203 0.207 -0.011 0.883 0.998 1 0.998 0.133 -0.019
Termo_08
MS_08_PCAc2
MS_08_PCAc1
MS_08_G
MS_08_R
MS_08_NIR
DSLR_08_PCAc2
DSLR_08_PCAc1
DSLR_08_B
0.256 1 0.004 0.166 0.168 0.115 0.161 -0.135 -0.008 -0.012 -0.021 -0.016 0.016 -0.527
DSLR_08_G
1 0.256 -0.387 0.285 0.260 0.206 0.268 -0.237 0.226 0.125 0.087 0.117 0.313 -0.553
DSLR_08_R
ECa07
DEM ECa07 ECa09 DSLR_08_R DSLR_08_G DSLR_08_B DSLR_08_PCAc1 DSLR_08_PCAc2 MS_08_NIR MS_08_R MS_08_G MS_08_PCAc1 MS_08_PCAc2 Termo_08
DEM
Nepřím{ měření na pozemku Pachty
ECa09
Tab. 43 Korelační koeficienty porovn{ní nepřímých metod na pozemku H{j
0.117 0.313 -0.553 -0.016 0.016 -0.527 -0.038 -0.110 0.351 0.251 0.829 -0.130 0.254 0.825 -0.145 0.246 0.789 -0.157 0.253 0.828 -0.139 -0.023 -0.150 -0.078 0.908 0.582 -0.055 0.999 0.169 -0.041 0.998 0.133 -0.019 1 0.188 -0.033 0.188 1 -0.075 -0.033 -0.075 1
ANNOTATION A traditional measurement of spatial variability in soil conditions using soil sampling is not too useful for purposes of this system because of cost and labour consumption. The aim of the present work was to test indirect methods for rapid, inexpensive and at the same time, precise description of spatial variability in selected agronomically relevant soil characteristics. The testing was conducted in two experimental fields of the area of 53 and 38 ha with different site conditions. Soil sampling in a regular 50-m sampling grid revealed a different level of spatial variability at both locations. The indirect methods tested in both fields were soil electrical conductivity (ECa), aerial imaging (visible, NIR spectrum and thermography) and a digital elevation model (DEM). Different results were obtained at both locations, stronger correlations with results of soil sampling were found at the site with higher heterogeneity. ECa and aerial imaging demonstrated a similar potential of detecting the change in soil characteristics because they are significantly affected by soil factors such as soil texture, moisture and organic matter. From a practical point of view, the indirect methods mentioned provided similar results, except of DEM with lower correlations. A comparison of sampling designs in a pH level showed higher errors of prediction of soil maps for regular grids with a lower sampling density. Based on the results of ECa and PCA analysis of aerial images and DEM, the optimization of the sampling designs, except one, reached the identical prediction accuracy like the 100-m regular grid, however at 25% reduction of the sample number in subjective optimization, and 38% or 48% reduction at the optimization using ESAP-RSSD software. In addition to the grid optimization, a mode of spatial interpolation was also verified. For regular grids with a low level of spatial dependence, kriging without nugget effect showed to be a suitable method in the field with higher heterogeneity. Similarly, additional use of the results of the indirect methods at interpolation using a cokriging method provided more reliable for the field mentioned, but not for the other field due to a weak correlation with indirect methods. The results suggest that not only the sampling density but as well as the sampling design are of crucial importance for a final accuracy of soil maps generated from soil sampling. The optimization of the sampling grid using indirect methods enables achieving a considerable reduction in a sample number at keeping final accuracy of soil maps even at a low level of the correlation between indirect and direct methods. However, the indirect methods can also be employed after soil sampling in a regular grid, where sensor measurements lead to increasing accuracy of prediction values at non-sampled areas of the field.