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 põllumajandusliku 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.

Eesti keskkonna andmekuup

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% ning seejuures on esimesed 2–6m kõige efektiivsemad.

Pinnaveekogude reostuse vältimiseks ja vähendamiseks on Eestis 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 põllumeeste seisukohal mitte eriti praktiline tegevus, kuna kaitseribade alune maa jääb põllumajanduslikust tootmisest välja. Seetõttu on mõistlik tuvastada kohad, kus veekaitsevööndites on kõige suurem oht, et toitained kantakse põllult veekogudesse. Seda saab teha lähtuvalt mulla ja reljeefi omadustest. Üldiselt on oht toitainete veekogusse kandumiseks suurem järsematel nõlvadel ja savikamatel muldadel. Oleme välja arvutanud mulla ja reljeefiomadustest lähtuvalt kui lai võiks soovituslikult puhverriba olla juhul kui veekogu ääres on põllumaa. Puhverribad on arvutatud kõikide veekaitsevööndi kohustusega veekogude äärde, aga kui seal põllumaad ei ole, siis ei pruugi puhverriba üldse vajalik olla.

Vaata soovituslikke puhverriba laiuseid Eesti keskkonna andmekuubi rakendusest või kasuta WMS teenust (https://maps.landscape-geoinformatics.org/geoserver/veemajandus/wms) nende kuvamiseks GIS-programmis (ArcGIS või QGIS).

Märgalade taastamise planeerimine põllumajanduslikku maastikku

Märgalad on ühed looduspõhised lahendused, mida saab osavalt maastikku planeerides kasutada vähendamaks toitainete hulka veekogudes. Eesti ala on olnud ajalooliselt üsna tihedalt märgaladega kaetud ja viimase paarisaja aasta jooksul oleme neid intensiivselt kuivendanud. Paljudes kohtades põllumajandusmaadel ojade ja kraavide ümbruses on aga endiselt kunagised märgalad maastikus märgata ja tihtilugu ei pruugi seal põllukultuurid hästi kasvada, kuna endiselt on liigniiske. Sellised alad võivad olla sobilikud väikeste märgalade taastamiseks. Käesoleva projekti raames oleme erinevate kaardikihtide abil tuvastanud need alad, mis oleksid märgalade taastamiseks ojadel/kraavidel sobivad.

Vaata veekogude kallastele märgalade taastamiseks sobilikke alasid Eesti keskkonna andmekuubi rakendusest või kasuta WMS teenust (https://maps.landscape-geoinformatics.org/geoserver/veemajandus/wms) nende kuvamiseks GIS-programmis (ArcGIS või QGIS).

Kraavide tuvastamine süvaõppega

Eesti on tihedalt kaetud kuivenduskraavidega ja nende täpse asukoha teadmine on oluline nii kasvhoonegaaside emissioonide hindamise kui ka toitainete ärakande seisukohalt. Üldiselt on toitainete ärakanne suurem nendest põllumajandusmaastikest, kus on tihedam kraavidevõrk, sest toitained jõuavad põllult kiiremini veekogusse. Kuigi Eesti Topograafia Andmekogu (Maa- ja Ruumiamet) on väga detailne ja põhjalik, siis sellest hoolimata on sealt puudu paljud kuivenduskraavid. Mitme projekti (sh käesoleva projekti) koostöös arendasime välja süvaõppe mudeli, mis võimaldab reljeefimudelist tuvastada kraave.

Loe täpsemalt Novaatori artiklist.

TÜ maastikugeoinformaatika töörühm esitles 15. ja 16. mail 2025 Tartu planeerimiskonverentsil 🗺️ Eesti keskkonna andmekuubi (https://geokuup.ee/) esialgset arendust. Portaali eesmärk on pakkuda struktureeritud raamistikku keskkonnaandmetele juurdepääsuks ja nende analüüsimiseks. 📊

Lisaks demonstreerisime andmekihte, mille abil toetada looduspõhiste lahenduste planeerimist, keskendudes eelkõige märgalade 🏞️ ja veekogude puhverribade 🌱 taastamisele ja loomisele.

Projekti tutvustav infovoldik.

• 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.