Ga door naar hoofdcontent
ArtikelenBraziliaans suikerriet vanuit de ruimte
De kracht van het combineren van optische beelden en radarbeelden

Braziliaans suikerriet vanuit de ruimte

Dinsdag 1 september 2020Afbeelding Braziliaans suikerriet vanuit de ruimte

Suikerriet is wereldwijd het meest geproduceerde gewas en na maïs de voornaamste bron voor bioenergie. Suikerriet levert 100 ton biomassa per hectare, veel meer dan andere gewassen. Dat is niet verwonderlijk gezien de uitstekende eigenschappen van suikerriet: uit één hectare suikerriet komt grofweg 8000 liter ethanol, uit maïs de helft. Daarnaast levert elke eenheid energie die je stopt in de productie ruwweg tien eenheden energie op, terwijl dat voor maïs minder dan twee is.

Brazilië heeft de afgelopen tientallen jaren flink geïnvesteerd in de productie van suikerriet voor suiker en ethanol en is met afstand de grootste producent wereldwijd. De staat São Paulo (3% van de oppervlakte van Brazilië) neemt 60% van die productie voor zijn rekening. De suikerrietgronden zijn in de afgelopen twintig jaar meer dan verdubbeld tot ongeveer zes miljoen hectares, dat neerkomt op anderhalf keer Nederland. Zo’n expansie heeft echter negatieve consequenties: het gaat ten koste van weilanden voor vee en de monocultuur heeft effecten op biodiversiteit en watergebruik. Daar staat tegenover dat Brazilië minder afhankelijk is van fossiele brandstoffen: ethanol uit suikerriet neemt meer dan de helft van de brandstof voor benzinevoertuigen voor zijn rekening. Ook levert het werkgelegenheid op en exporteert het land zowel ethanol als suiker.

Suikerriet wordt dikwijls genoemd als een oplossing in de wereldwijde ambitie voor een meer CO2-neutrale samenleving. In die context valt dit PhD-onderzoek dat is uitgevoerd in een breder verband van onderzoeken die gezamenlijk streven naar het bijdragen aan een biobased society: een samenleving waar de grondstoffen voor de productie van chemicaliën, materialen en energie afkomstig zijn van biomassa die gewonnen wordt op een concurrerende en duurzame manier.

Suikerriet heeft een (sub)tropisch klimaat nodig met veel zon, regen, warmte en de juiste grond. De plant groeit binnen een jaar tot vier meter hoog, en na de oogst vanzelf weer opnieuw. Dit herhaalt zich zo’n zeven keer totdat de productiviteit van de plant niet meer rendabel is en het een jaar rust krijgt.

Figuur 1 – De staat São Paulo landbedekkingskaart van 2015 geproduceerd tijdens het onderzoek op basis van Landsat-data met het Hidden Markov Model.

Opzet onderzoek

Het doel van dit specifieke deelonderzoek is het gebruik van aardobservatiedata om expansie van bio-energiegewassen over lange tijdsreeksen en over grote gebieden in kaart te brengen, en het monitoren van de productiviteit. Om het onderzoek verder in te richten hebben we gekozen voor het combineren van Synthetic Aperture Radar (SAR) en verkregen we optische data uit satellietsensoren voor het mappen en monitoren van suikerriet in de staat São Paulo. Zo krijgen we nieuwe inzichten in technieken en methodieken die bijdragen aan het kosten-efficiënt monitoren van de productiviteit van suikerriet en van grootschalige toename van suikerrietplantages over lange tijdreeksen.

De thesis bestaat uit drie gepubliceerde artikelen: een verstuurd artikel, twee gepubliceerde conferentie- artikelen en twee gepubliceerde datasets. Grofweg kan de thesis worden opgedeeld in twee hoofdonderzoeken: onderzoek naar productiviteitsmonitoring van suikerriet en onderzoek naar het in kaart brengen van de expansie van suikerriet in tijd en ruimte. Het eerste hoofdonderzoek bevat een gedetailleerde uitleg over hoe we duizenden metingen hebben verricht tijdens een jaarlange veldcampagne in verschillende suikerrietvelden in de staat São Paulo, de resultaten die daaruit zijn gekomen en welke statistische onzekerheden daarmee gepaard gaan.

Figuur 2 – Beschikbare Sentinel-1 Interferometric Wide-mode-observaties.
Figuur 3 – De twee meest voorkomende grondtypen in de staat São Paulo.

Daaropvolgend beschrijven we hoe we die metingen hebben gerelateerd aan SAR-data van Sentinel-1, Radarsat-2 en ALOS-2 en aan optische data van Landsat en Worldview voor het monitoren van de productiviteit. Het hoofdonderzoek bevat een analyse van de gevoeligheid van deze data voor de biomassa-aangroei van suikerriet, neerslag en configuratie van de SAR-sensoren. Daarnaast zijn de spatiële patronen in de satellietbeelden van de verschillende sensoren geanalyseerd op consistentie in tijd, teneinde tijdscriteria af te leiden die aangeven wanneer satellietmetingen het meest effectief kunnen worden ingezet voor het monitoren van de productie.

Figuur 4 – Afnamekaart (links) en toenamekaart (rechts) van São Paulo staat tussen 2005 en 2015. Het laat de grootschalige expansie zien van suikerriet ten koste van grasland, voornamelijk in het westelijke deel van de staat. De kaart van Nederland geeft de grootte aan van de staat. Het noorden is boven.

In kaart brengen expansie suikerriet

Het tweede hoofdonderzoek beschrijft hoe we de SAR-data en optische data hebben gekoppeld voor het mappen van suikerriet in heel São Paulo over meerdere jaren. Hiervoor hebben we een specifiek Bayesiaans model genaamd Hidden Markov Model (HMM) gebruikt, dat de mogelijkheid biedt om het stadium waarin de vegetatie zich verkeert consistent in tijd te volgen ongeacht de beschikbaarheid van satellietmetingen. Dit is belangrijk voor deze (sub)tropische regio’s waar optische observaties regelmatig ontbreken door het wolkendek. Specifieke aandacht is er voor de invloed van neerslag wanneer satellietmetingen worden verricht op de prestatie van het model en aan condities van vegetatie waardoor verwarring in classificatie ontstaat tussen verschillende typen landbedekking. Het onderzoek geeft ook gedetailleerde inzichten in wanneer SAR-satellietmetingen beter presteren dan optische satellietmetingen en vice versa, en welke voordelen de combinatie van deze twee met zich meebrengt. Binnen dit hoofdonderzoek beschrijven we ook een techniek die gebruik maakt van fluctuaties in SAR-metingen die worden veroorzaakt door vochtigheid van het (grond- en plant-)oppervlak om zodoende de classificatie van vegetatiecondities te verbeteren. Dit biedt de verrassende conclusie dat de beste classificatie-resultaten worden verkregen wanneer verschillen in vochtigheid optreden tussen opeenvolgende SAR-observaties. Als deze informatie wordt gecombineerd met kennis van grondtypen kunnen de resultaten zelfs nog verder worden verbeterd. Voor dit onderzoek is gebruik gemaakt van landbedekkingskaarten die zijn gemaakt met behulp van het Hidden Markov Model over heel São Paulo staat, zie figuur 1.

Tenslotte geven we in de conclusies van de thesis een aantal concrete voorbeelden van de potentiële waarde van landbedekkingskaarten voor de gebruiker. Dit varieert van een gedetailleerde kaart die het effect van ernstige droogte op een stuwmeer blootlegt tot een regionale kaart van São Paulo staat die de grootschalige toe- en afname laat zien van de landbedekking over tien jaar, zie figuur 4.

Voor de onderzoeken die zijn uitgevoerd voor het monitoren van landbedekking en het classificeren van vegetatie hebben we high performance computing gebruikt vanwege de aanzienlijke omvang van observatiedata en de complexiteit van de toegepaste technieken. Hiervoor is voornamelijk gebruik gemaakt van de Nederlandse supercomputer van SURF en Google Earth Engine.

Afbeelding voor Ramses Molijn

Ramses Molijn

Volledige biografie