Vědci z Alberty vyvinuli metodu sledování půdních hub pomocí dronů

Vědci z University of Alberta představili metodu, která by mohla zásadně změnit způsob, jakým lesníci a ekologové sledují zdravotní stav lesních ekosystémů. Tým pod vedením profesora Camerona Carlylea vyvinul přístup kombinující snímky z dronů se strojovým učením, jenž dokáže odhadovat rozmanitost houbových společenstev v lesní půdě bez nutnosti rozsáhlého terénního vzorkování.

Houby žijící v půdě hrají v lesních ekosystémech klíčovou roli – podílejí se na koloběhu živin, pomáhají stromům přijímat vodu a minerály a jsou citlivým indikátorem toho, jak si les jako celek vede. Problém spočívá v tom, že jejich sledování dosud vyžadovalo fyzický sběr vzorků půdy na mnoha místech, což je časově i finančně náročné, zejména na rozlehlých nebo obtížně přístupných územích. Právě tuto překážku se tým z Alberty snažil obejít pomocí kombinace dronových dat a algoritmů strojového učení.

Podle publikace v odborném časopise Forest Ecology and Management dokáže model natrénovaný na datech z dronů odhadnout míru rozmanitosti půdních hub na základě informací, které lze získat dálkově – tedy bez nutnosti opakovaně vysílat do terénu odborníky se vzorkovacím vybavením. Drony přitom snímají charakteristiky vegetace a struktury lesního porostu, které následně algoritmus propojuje se známými vzorci výskytu houbových společenstev.

Carlyle a jeho kolegové vycházeli z předpokladu, že stav a rozmanitost vegetace nad zemí úzce souvisí s tím, co se odehrává v půdě pod ní. Pokud se tuto souvislost podaří dostatečně přesně modelovat, otevírá se možnost sledovat zdraví půdy nepřímo, prostřednictvím snadno dostupných leteckých dat, místo nákladného přímého měření.

Cílem výzkumu je právě snížení potřeby fyzického vzorkování půdy na rozsáhlých lesních plochách, což by mohlo výrazně zrychlit a zlevnit monitoring lesních ekosystémů. Tradiční metody sběru vzorků jsou totiž nejen pracné, ale také poskytují jen bodová data z konkrétních míst, zatímco dronové snímkování umožňuje pokrýt mnohem větší území najednou a opakovaně.

Výzkumníci z University of Alberta zdůrazňují, že podobný přístup by mohl být užitečný zejména pro správce lesů, ochranářské organizace a vědce, kteří potřebují sledovat dlouhodobé změny ve zdraví lesních půd v souvislosti s klimatickými změnami, těžbou dřeva nebo obnovou lesa po požárech či kalamitách. Rychlejší a levnější monitoring by jim umožnil lépe reagovat na negativní trendy dříve, než dojde k výraznému poškození ekosystému.

Metoda kombinující dálkový průzkum s umělou inteligencí není v lesnictví zcela novým konceptem, dosud se však podobné nástroje soustředily spíše na sledování stavu stromů, hustoty porostu nebo rizika požárů. Zaměření na houbovou rozmanitost v půdě představuje méně obvyklý, ale podle autorů studie velmi slibný směr, protože právě půdní mikroorganismy často jako první signalizují problémy, které se na povrchu projeví až s velkým zpožděním.

Tým z Alberty plánuje v dalších fázích výzkumu model dále zpřesňovat a testovat jeho spolehlivost v různých typech lesních porostů a klimatických podmínkách. Cílem je, aby metoda fungovala nejen v podmínkách, pro které byla původně vyvinuta, ale aby ji bylo možné přenést i na jiné lesní oblasti s odlišnou skladbou dřevin a půdy.

Pokud se přístup osvědčí v širším měřítku, mohl by se stát standardním nástrojem pro monitorování lesní půdy nejen v Kanadě, ale i v dalších zemích s rozsáhlými lesními porosty, kde je terénní vzorkování obzvlášť nákladné nebo logisticky náročné. Výzkum tak přispívá k rostoucímu trendu využívání dálkového průzkumu Země a umělé inteligence v ochraně přírody, kde se podobné technologie stále více uplatňují i při sledování biodiverzity, odlesňování nebo dopadů sucha na vegetaci.

Studie publikovaná v Forest Ecology and Management tak nabízí konkrétní příklad toho, jak lze propojit moderní technologie s ekologickým výzkumem způsobem, který má potenciál reálně zjednodušit a zlevnit péči o lesní ekosystémy do budoucna.