Teledetekcyjna ocena monokultur roślin torfowiskowych oraz ich fenotypu celem oceny udziału poszczególnych gatunków roślin w wartościach mierzonych
Type
Project
Date Issued
2023
Author
Michal Antala
Discipline
environmental engineering, mining and energy
Abstract (PL)
Torfowiska stanowią jedne z najważniejszych ekosystemów lądowych ze względu na magazynowanie
znacznych ilości węgla. Z uwagi na fakt, że tereny te są z reguły trudnodostępne ich badanie jest często
dużym wyzwaniem. Dlatego też, teledetekcja jest narzędziem, które znacznie ułatwia monitorowanie
oraz poznanie roślinności torfowiskowej. Chociaż w ostatnich latach poczyniono znaczne postępy w
teledetekcji torfowisk, nowe sygnały, takie jak fluorescencja indukowana słońcem (SIF), stają się coraz
ważniejsze i muszą być uwzględnione w monitorowaniu tych cennych ekosystemów. W
przeciwieństwie do powszechnie stosowanych spektralnych wskaźników roślinności (VIs) opartych na
współczynniku odbicia, SIF wykorzystuje światło emitowane przez rośliny do badania stanu
fizjologicznego roślin. Dzięki temu metoda ta jest bardziej odpowiednia do oceny wpływu stresu na
rośliny. Pomimo tego, że niewiele gatunków może funkcjonować na obszarach podmokłych o niskim
odczynie pH i niskiej zawartości składników pokarmowych, przestrzenna zmienność i niejednorodność
roślinności torfowiskowej jest ogromna. Ponadto, struktura roślinności torfowiskowej może być
podzielona na dwie odrębne grupy: mchów oraz roślin naczyniowych, które mają zupełnie różną
morfologię i fizjologię. Stąd rośliny te wykazują zupełnie inne właściwości spektralne i emisji SIF. Aby
dogłębnie zrozumieć reakcje roślin na zmiany klimatu, niezbędne jest poznanie poszczególnych
sygnałów teledetekcyjnych w przeciągu całego roku. Przeprowadzenia jednodniowych pomiarów
reflektancji poszczególnych gatunków roślin torfowiskowych in-situ jest niewystarczające aby
otrzymane wyniki przełożyć na pełen okres wegetacyjny. Najlepszym sposobem pozwalającym na
uzyskanie informacji o fizjologii roślin na podstawie SIF jest inwersja modeli transferu promieniowania
(RTM). W ten sposób możliwe jest modelowanie aktywność fotosyntetycznej, czy procesów
związanych ze stresem na podstawie widma światła odbijanego przez rośliny. Jednak wykorzystanie
RTM dla mchów, które są najważniejszą grupą roślinności torfotwórczej (GRT), jest bardzo trudne,
ponieważ RTM opracowywane są dla roślin naczyniowych o zupełnie innej fizjologii i morfologii.
Dzięki nowatorskiemu podejściu zaproponowanemu w tym projekcie po raz pierwszy możliwe będzie
przetestowanie i wykorzystanie dwóch bardzo zaawansowanych modeli RTM: Soil-Canopy
Observation of Photosynthesis and Energy (SCOPE) oraz wielowarstwowego modelu SCOPE
(mSCOPE) dla mchów torfowiskowych. Aby ulepszyć i zweryfikować modele, niezbędnym jest
dostarczenie danych o różnych gatunkach GRT. Jednak otrzymanie sygnału SIF oraz spektralnych
wskaźników roślinności dla pojedynczych gatunków lub poziomu zwartej roślinności GRT jest
niemożliwe ze względu na brak naturalnie dużych obszarów homogenicznej roślinności naczyniowej
oraz połaci mchów torfotwórczych. Dlatego też, w niniejszym projekcie badawczym zaproponowano
innowacyjne podejście oparte na hodowli monokultur poszczególnych gatunków roślin
torfotwórczych naczyniowych i mchów, w celu oszacowania udziału sygnałów SIF i VIs w warunkach
naturalnych, tak aby możliwa była wiarygodna weryfikacja ww. modeli. Dodatkowo mierzone będą
zawartość chlorofilu i parametry fluorescencji chlorofilu na poziomie liści w celu korelacji stanu
fizjologicznego roślin z sygnałami teledetekcyjnymi (SIF i VIs). Dzięki takiej kombinacji technik
możliwe będzie zrozumienie nie tylko udziału sygnałów poszczególnych gatunków w mieszanych
sygnałach otrzymywanych w naturalnych warunkach, ale także zależności SIF i VIs każdego
gatunku rośliny torfotwórczej od stanu fizjologii roślin. Jednakże, sygnały SIF i VIs otrzymywane
w warunkach in-situ mogą różnić się od sygnałów z tych samych roślin rosnących w monokulturze ze
względu na brak występowania konkurencji, zacieniania, lub inną dostępność składników odżywczych.
Aby rozwiązać ten problem, wykorzystana zostanie bardzo zaawansowana platforma automatycznego
fenotypowania, która umożliwia pomiar reflektancji i fluorescencji chlorofilu oraz obliczenie wartości
VIs i parametrów fotosyntezy z pojedynczych punktów, a także średniej dla całej badanej roślinności.
W ten sposób możliwe będą pomiary sygnałów VIs z roślinności GRT uprawianych w uprawach
mieszanych i porównanie ich z monokulturami. Zgodnie z naszą najlepszą wiedzą będzie to
pierwszy przypadek zastosowania automatycznego fenotypowania roślinności torfowiskowej.
Ogólnie rzecz biorąc, automatyczne fenotypowanie ekosystemów jest bardzo nietypowe ze względu na
duże rozmiary roślin w wielu ekosystemach i brak odpowiedniej infrastruktury badawczej. Zaletą
roślinności torfowiskowej jest to, że rośliny są niewielkich rozmiarów oraz fakt, że na niewielkim
obszarze współistnieją gatunki o bardzo różnej fizjologii i morfologii. Dlatego, torfowisko jest idealnym
ekosystemem modelowym do automatycznego fenotypowania. Proponowane badania przyczynią się
do rozwoju zautomatyzowanego fenotypowania w kontrolowanych warunkach środowiskowych
dla roślinności torfowiskowej.
znacznych ilości węgla. Z uwagi na fakt, że tereny te są z reguły trudnodostępne ich badanie jest często
dużym wyzwaniem. Dlatego też, teledetekcja jest narzędziem, które znacznie ułatwia monitorowanie
oraz poznanie roślinności torfowiskowej. Chociaż w ostatnich latach poczyniono znaczne postępy w
teledetekcji torfowisk, nowe sygnały, takie jak fluorescencja indukowana słońcem (SIF), stają się coraz
ważniejsze i muszą być uwzględnione w monitorowaniu tych cennych ekosystemów. W
przeciwieństwie do powszechnie stosowanych spektralnych wskaźników roślinności (VIs) opartych na
współczynniku odbicia, SIF wykorzystuje światło emitowane przez rośliny do badania stanu
fizjologicznego roślin. Dzięki temu metoda ta jest bardziej odpowiednia do oceny wpływu stresu na
rośliny. Pomimo tego, że niewiele gatunków może funkcjonować na obszarach podmokłych o niskim
odczynie pH i niskiej zawartości składników pokarmowych, przestrzenna zmienność i niejednorodność
roślinności torfowiskowej jest ogromna. Ponadto, struktura roślinności torfowiskowej może być
podzielona na dwie odrębne grupy: mchów oraz roślin naczyniowych, które mają zupełnie różną
morfologię i fizjologię. Stąd rośliny te wykazują zupełnie inne właściwości spektralne i emisji SIF. Aby
dogłębnie zrozumieć reakcje roślin na zmiany klimatu, niezbędne jest poznanie poszczególnych
sygnałów teledetekcyjnych w przeciągu całego roku. Przeprowadzenia jednodniowych pomiarów
reflektancji poszczególnych gatunków roślin torfowiskowych in-situ jest niewystarczające aby
otrzymane wyniki przełożyć na pełen okres wegetacyjny. Najlepszym sposobem pozwalającym na
uzyskanie informacji o fizjologii roślin na podstawie SIF jest inwersja modeli transferu promieniowania
(RTM). W ten sposób możliwe jest modelowanie aktywność fotosyntetycznej, czy procesów
związanych ze stresem na podstawie widma światła odbijanego przez rośliny. Jednak wykorzystanie
RTM dla mchów, które są najważniejszą grupą roślinności torfotwórczej (GRT), jest bardzo trudne,
ponieważ RTM opracowywane są dla roślin naczyniowych o zupełnie innej fizjologii i morfologii.
Dzięki nowatorskiemu podejściu zaproponowanemu w tym projekcie po raz pierwszy możliwe będzie
przetestowanie i wykorzystanie dwóch bardzo zaawansowanych modeli RTM: Soil-Canopy
Observation of Photosynthesis and Energy (SCOPE) oraz wielowarstwowego modelu SCOPE
(mSCOPE) dla mchów torfowiskowych. Aby ulepszyć i zweryfikować modele, niezbędnym jest
dostarczenie danych o różnych gatunkach GRT. Jednak otrzymanie sygnału SIF oraz spektralnych
wskaźników roślinności dla pojedynczych gatunków lub poziomu zwartej roślinności GRT jest
niemożliwe ze względu na brak naturalnie dużych obszarów homogenicznej roślinności naczyniowej
oraz połaci mchów torfotwórczych. Dlatego też, w niniejszym projekcie badawczym zaproponowano
innowacyjne podejście oparte na hodowli monokultur poszczególnych gatunków roślin
torfotwórczych naczyniowych i mchów, w celu oszacowania udziału sygnałów SIF i VIs w warunkach
naturalnych, tak aby możliwa była wiarygodna weryfikacja ww. modeli. Dodatkowo mierzone będą
zawartość chlorofilu i parametry fluorescencji chlorofilu na poziomie liści w celu korelacji stanu
fizjologicznego roślin z sygnałami teledetekcyjnymi (SIF i VIs). Dzięki takiej kombinacji technik
możliwe będzie zrozumienie nie tylko udziału sygnałów poszczególnych gatunków w mieszanych
sygnałach otrzymywanych w naturalnych warunkach, ale także zależności SIF i VIs każdego
gatunku rośliny torfotwórczej od stanu fizjologii roślin. Jednakże, sygnały SIF i VIs otrzymywane
w warunkach in-situ mogą różnić się od sygnałów z tych samych roślin rosnących w monokulturze ze
względu na brak występowania konkurencji, zacieniania, lub inną dostępność składników odżywczych.
Aby rozwiązać ten problem, wykorzystana zostanie bardzo zaawansowana platforma automatycznego
fenotypowania, która umożliwia pomiar reflektancji i fluorescencji chlorofilu oraz obliczenie wartości
VIs i parametrów fotosyntezy z pojedynczych punktów, a także średniej dla całej badanej roślinności.
W ten sposób możliwe będą pomiary sygnałów VIs z roślinności GRT uprawianych w uprawach
mieszanych i porównanie ich z monokulturami. Zgodnie z naszą najlepszą wiedzą będzie to
pierwszy przypadek zastosowania automatycznego fenotypowania roślinności torfowiskowej.
Ogólnie rzecz biorąc, automatyczne fenotypowanie ekosystemów jest bardzo nietypowe ze względu na
duże rozmiary roślin w wielu ekosystemach i brak odpowiedniej infrastruktury badawczej. Zaletą
roślinności torfowiskowej jest to, że rośliny są niewielkich rozmiarów oraz fakt, że na niewielkim
obszarze współistnieją gatunki o bardzo różnej fizjologii i morfologii. Dlatego, torfowisko jest idealnym
ekosystemem modelowym do automatycznego fenotypowania. Proponowane badania przyczynią się
do rozwoju zautomatyzowanego fenotypowania w kontrolowanych warunkach środowiskowych
dla roślinności torfowiskowej.
Abstract (EN)
Peatlands are one of the world's most important ecosystems, but they are very challenging to study and understand.
The remoteness of a majority of peatlands and difficult terrain make them challenging to study. Therefore, remote
sensing is a welcomed help in monitoring and understanding the peatland vegetation. Although significant progress in
remote sensing of peatlands has been made in the last years, new signals, like Sun-Induced Fluorescence (SIF), are
getting more important and need to be incorporated into peatland monitoring. Despite few species can grow in the
waterlogged, low pH, and low nutrient content conditions of peatlands, the spatial heterogeneity of vegetation is huge.
In addition, the vegetation consists of two distinct layers: mosses and vascular plants, which have different morphology
and physiology
The remoteness of a majority of peatlands and difficult terrain make them challenging to study. Therefore, remote
sensing is a welcomed help in monitoring and understanding the peatland vegetation. Although significant progress in
remote sensing of peatlands has been made in the last years, new signals, like Sun-Induced Fluorescence (SIF), are
getting more important and need to be incorporated into peatland monitoring. Despite few species can grow in the
waterlogged, low pH, and low nutrient content conditions of peatlands, the spatial heterogeneity of vegetation is huge.
In addition, the vegetation consists of two distinct layers: mosses and vascular plants, which have different morphology
and physiology
hence reflectance and SIF emission properties differ. To understand the reactions of different plants to
climatic variables, we first need to know their contribution to remotely sensed parameters throughout the year. The
reflectance of various peatland inhabiting species and SIF of peatland communities have been examined, but the oneday
studies are not enough for all-year-round monitoring. The best way to obtain information about the plants'
physiology from reflectance and SIF is through modeling, particularly by radiative transfer models (RTMs) inversion.
However, utilization of RTMs for mosses is very challenging, as RTMs are developed for vascular plants, which have
different morphology and physiology. Thanks to the novel approach proposed in this project, the use, and reliability of
Soil-Canopy Observation of Photosynthesis and Energy (SCOPE) and multi-layer SCOPE (mSCOPE) as well as empirical
methods for peatland mosses can be tested for the first time. To develop and verify the models, data about different
species and plant functional groups (PFGs) must be collected. Yet, the data about the SIF and reflectance-based
vegetation indices (VIs) from single species or PFG canopy cannot be obtained from natural vegetation as there are not
big enough patches of single species or PFG in nature. Therefore, a new approach, based on growing monocultures of
individual species and plant functional groups (PFGs), is proposed in this research proposal to estimate the contribution
of canopy level SIF and VIs of different PFGs to mixed vegetation signals and to obtain data for reliable verification of
models. Additionally, chlorophyll content and leaf-level chlorophyll fluorescence-based parameters will be measured to
correlate the physiological status of plants with remotely sensed signals (SIF and VIs). Thanks to this combination of
techniques, we will be able to understand not only species' contribution to mixed vegetation canopy signals but also the
dependency of each PFG's SIF and VIs on plant physiology. However, remotely sensed signals (SIF and VIs) measured
from PFG monocultures may differ from the signals from the same PFG growing in the mixed canopy due to
competition, shading, or different nutrient availability. To address this issue, we will make use of a very sophisticated
automatic phenotyping platform, which makes it possible to measure reflectance and chlorophyll fluorescence and
calculate VIs and photosynthetic parameters from single points as well as an average of whole vegetation. In this way,
we will be able to measure VIs from PFGs grown in mixed vegetation and compare them with monocultures. To our best
knowledge, this will be the first time when automatic phenotyping is used for peatland vegetation. Automatic
ecosystem phenotyping, in general, is very unusual due to the large dimensions of plants in many ecosystems and the
lack of suitable infrastructure. The advantage of peatland vegetation is that the plants are of small dimensions, and
physiologically and morphologically very different species coexist in a small area. Therefore, it is a perfect model
ecosystem for automatic ecosystem phenotyping, and the proposed research will contribute to the development of this
technique and pioneer the methods for peatland vegetation automated phenotyping in controlled conditions.
climatic variables, we first need to know their contribution to remotely sensed parameters throughout the year. The
reflectance of various peatland inhabiting species and SIF of peatland communities have been examined, but the oneday
studies are not enough for all-year-round monitoring. The best way to obtain information about the plants'
physiology from reflectance and SIF is through modeling, particularly by radiative transfer models (RTMs) inversion.
However, utilization of RTMs for mosses is very challenging, as RTMs are developed for vascular plants, which have
different morphology and physiology. Thanks to the novel approach proposed in this project, the use, and reliability of
Soil-Canopy Observation of Photosynthesis and Energy (SCOPE) and multi-layer SCOPE (mSCOPE) as well as empirical
methods for peatland mosses can be tested for the first time. To develop and verify the models, data about different
species and plant functional groups (PFGs) must be collected. Yet, the data about the SIF and reflectance-based
vegetation indices (VIs) from single species or PFG canopy cannot be obtained from natural vegetation as there are not
big enough patches of single species or PFG in nature. Therefore, a new approach, based on growing monocultures of
individual species and plant functional groups (PFGs), is proposed in this research proposal to estimate the contribution
of canopy level SIF and VIs of different PFGs to mixed vegetation signals and to obtain data for reliable verification of
models. Additionally, chlorophyll content and leaf-level chlorophyll fluorescence-based parameters will be measured to
correlate the physiological status of plants with remotely sensed signals (SIF and VIs). Thanks to this combination of
techniques, we will be able to understand not only species' contribution to mixed vegetation canopy signals but also the
dependency of each PFG's SIF and VIs on plant physiology. However, remotely sensed signals (SIF and VIs) measured
from PFG monocultures may differ from the signals from the same PFG growing in the mixed canopy due to
competition, shading, or different nutrient availability. To address this issue, we will make use of a very sophisticated
automatic phenotyping platform, which makes it possible to measure reflectance and chlorophyll fluorescence and
calculate VIs and photosynthetic parameters from single points as well as an average of whole vegetation. In this way,
we will be able to measure VIs from PFGs grown in mixed vegetation and compare them with monocultures. To our best
knowledge, this will be the first time when automatic phenotyping is used for peatland vegetation. Automatic
ecosystem phenotyping, in general, is very unusual due to the large dimensions of plants in many ecosystems and the
lack of suitable infrastructure. The advantage of peatland vegetation is that the plants are of small dimensions, and
physiologically and morphologically very different species coexist in a small area. Therefore, it is a perfect model
ecosystem for automatic ecosystem phenotyping, and the proposed research will contribute to the development of this
technique and pioneer the methods for peatland vegetation automated phenotyping in controlled conditions.