Nutika veemajandusliku maastiku loomine

Projekt keskendub looduspõhiste lahenduste (märgalad, kaldakaitseribad) planeerimisele põllumajandusliku hajureostuse vähendajatena. Projekti eesmärkideks on:

1. Luua keskkonnaandmete andmekuup, mis sisaldab olulisemaid kaugseire, mulla, topograafilisi andmeid, mis on vajalikud veekvaliteedi modelleerimiseks Eestis, Baltikumis ja Euroopas.

2. Tuvastada masinõppemudelitega põllumjandusliku reostuse tulipunktid.

3. Leida sobivusanalüüsi abil maastikus kohad, kus oleks võimalik põllumajanduslikus maastikus märgalasid kõige lihtsam taastada ning kuhu rajada veekogude puhverribad, et neid kasutada toitainete ärakande vähendamisel.

4. Luua maastiku tasandil planeerimiseks ruumilised andmekihid, mis aitavad planeerida märgalade taastamist ja veekogude puhverribade rajamist põllumajanduslikesse maastikesse nii, et need oleksid kõige efektiivsemad hajureostuse vähendamisel ning samas ei oleks väga viljaka põllumaa peal.

• Evelyn Uuemaa
• Holger Virro
• Merle Muru
• Yonas Balcha
• Marta Jemeljanova
• Pamela Guaman Pintado

Eesti keskkonna andmekuup koondab endasse erinevad kaugseire andmed (Sentinel-1, Sentinel-2) ja keskkonnaalased andmed, mis on vajalikud käesoleva projekti raames tehtava veekvaliteedi modelleerimiseks ja looduspõhiste lahenduste planeerimiseks kui ka Kestliku maakasutuse tippkeskuse raames läbi viidava elurikkuse ja süsinikuringe modelleerimiseks.

Link andmekuubile: https://geokuup.ee/

Veekogude puhverribade planeerimine

Puhverribad on väga multifunktsionaalsed maastikuelemendid, mis pakuvad väga erinevaid ökosüsteemi teenuseid alates pindmise veevoolu filtreerimisest põllumajanduslikus kasutuses olevate veekogude ääres kuni mikrokliima parandamise ja elupaikade loomiseni.

Hajureostuse vähendamise seisukohalt on olulised lämmastikku ja fosforit eemaldavad protsessid, mis leiavad aset puhverribades. Puhverriba efektiivsus sõltub eelkõige selle laiusest ja taimkatte struktuurist. Puhverribad suudavad pindmise veevooluga veekogusse sattuvate osakeste hulka vähendada 67–90% (Polyakov jt. 2005) ning seejuures on esimesed 2–6m kõige efektiivsemad.

Pinnaveekogude reostuse vältimiseks ja vähendamiseks on seadusega kehtestatud veekaitsevööndid. Veekaitsevööndi ulatus on sätestatud Veeseadusega ja sõltuvalt veekogust on need vastavalt 1, 10 või 20 m veepiirist. Sõltuvalt keskkonnatingimustest (muld, reljeef) on mõnikord vajalik veekaitsevööndist laiem puhverriba ja mõningates kohtades võib olla veekaitsevöönd laiem kui vajalik.

Samas on puhverribade rajamine kulukas ning põllumeestele mitte väga meelt mööda, kuna kaitseribade alune maa jääb põllumajanduslikust tootmisest välja. Seetõttu on mõistlik tuvastada kohad, kus veekaitsevööndites on kõige suurem oht, et toitained kantakse põllult veekogudesse.

Puhverribade soovitusliku laiuse WMS-teenus

Soovitusliku laiuse arvutamisel on lähtutud mulla omadustest ja nõlvakaldest.

Märgalade taastamise planeerimine põllumajanduslikku maastikku

Kraavide tuvastamine süvaõppega

https://novaator.err.ee/1609685099/tehisaru-aitab-eesti-teadlastel-kaardistamata-kuivenduskraave-tuvastada

Täieneb

• Uuemaa, Evelyn; Virro, Holger; Muru, Merle (2025). Tehisaru aitab Eesti teadlastel kaardistamata kuivenduskraave tuvastada. Novaator.

• Virro, Holger; Kmoch, Alexander; Lidberg, William; Muru, Merle; Chan, Wai Tik; Moges, Desalew Meseret; Uuemaa, Evelyn (2025). Detection of drainage ditches from LiDAR DTM using U-Net and transfer learning. Big Earth Data, 1−12. DOI: 10.1080/20964471.2025.2491177.

• Kmoch, Alexander; Harrison, Clay Taylor; Choi, Jeonghwan; Uuemaa, Evelyn (2025). Spatial autocorrelation in machine learning for modelling soil organic carbon. Ecological Informatics, 103057. DOI: 10.1016/j.ecoinf.2025.103057.

• Moges, Desalew Meseret; Virro, Holger; Kmoch, Alexander; Cibin, Raj; Rohith, Rohith A. N.; Martínez-Salvador, Alberto; Conesa-García, Carmelo; Uuemaa, Evelyn (2024). Streamflow Prediction with Time-Lag-Informed Random Forest and Its Performance Compared to SWAT in Diverse Catchments. Water, 16 (19), 2805. DOI: 10.3390/w16192805.

• Jemeljanova, Marta; Kmoch, Alexander; Uuemaa, Evelyn (2024). Adapting machine learning for environmental spatial data - A review. Ecological Informatics, 81, ARTN 102634. DOI: 10.1016/j.ecoinf.2024.102634.

• Marco Minghini, Evelyn Uuemaa, and Marco Ciolli (Ed.) (2024). Marco Minghini, Evelyn Uuemaa, and Marco Ciolli. Preface: Proceedings of the FOSS4G 2024 Academic Track–Digital Revolution. DOI: 10.5194/isprs-archives-XLVIII-4-W12-2024-1-2024.

• Kmoch, A.; Bovy, B.; Magin, J.; Abernathey, R.; Coca-Castro, A.; Strobl, P.; Fouilloux, A.; Loos, D.; Uuemaa, E.; Chan, W.T.; Delouis, J.M.; Odaka, T. (2024). XDGGS: A community-developed Xarray package to support planetary DGGS data cube computations. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences - ISPRS Archives, 48. Copernicus Publications, 75−80. DOI: 10.5194/isprs-archives-XLVIII-4-W12-2024-75-2024.

• Moges, Desalew Meseret; Virro, Holger; Kmoch, Alexander; Cibin, Raj; Rohith, A. N.; Martinez-Salvador, Alberto; Conesa-Garcia, Carmelo; Uuemaa, Evelyn (2023). How does the choice of DEMs affect catchment hydrological modeling? The Science of The Total Environment, 892, ARTN 164627. DOI: 10.1016/j.scitotenv.2023.164627.

• Toming, Kaire; Liu, Hui; Soomets, Tuuli; Uuemaa, Evelyn; Nõges, Tiina; Kutser, Tiit (2024). Estimation of the Biogeochemical and Physical Properties of Lakes Based on Remote Sensing and Artificial Intelligence Applications. Remote Sensing, 16 (3), 464. DOI: 10.3390/rs16030464.

• Burdun, Iuliia; Bechtold, Michel; Aurela, Mika; De Lannoy, Gabrielle; Desai, Ankur R.; Humphreys, Elyn; Kareksela, Santtu; Komisarenko, Viacheslav; Liimatainen, Maarit; Marttila, Hannu; Minkkinen, Kari; Nilsson, Mats B.; Ojanen, Paavo; Salko, Sini-Selina; Tuittila, Eeva-Stiina; Uuemaa, Evelyn; Rautiainen, Miina (2023). Hidden becomes clear: Optical remote sensing of vegetation reveals water table dynamics in northern peatlands. Remote Sensing of Environment, 296, ARTN 113736. DOI: 10.1016/j.rse.2023.113736.