Lisa 3

JÄÄKSOODE VEEREŽIIMI TAASTAMISE KOMPLEKSUURINGU LÕPPARUANNE 1. PROJEKTI KESTUS Algus

(kuu/aasta): 24.04.2017 Lõpp:

(kuu/aasta) 01.09.2023

2. PROJEKTI TAOTLEJA (teadusasutus): Tartu Ülikool

Telefon: +372 7 375826

Aadress: Ülikooli 18, 50090 Tartu

Registrikood: 74001073

Panga rekvisiidid: SEB Pank AS, Tornimäe 2, 15010 TALLINN, arvelduskonto (IBAN): EE281010102000234007 , SWIFT/BIC: EEUHEE2X , käibemaksukohustuslase nr (VAT number): EE100030417 , tehingupartneri kood (TP kood): 605201 3. PROJEKTI JUHT: Ain Kull

(Ees- ja perekonnanimi) kaasprofessor, PhD (Amet, teaduskraad)

4. PROJEKTI PÕHITÄITJAD ARUANDEPERIOODI VÄLTEL Projekti põhitäitjad:

Ees- ja perekonnanimi Teaduskraad Ametikoht 1. Ain Kull PhD loodusgeograafia kaasprofessor 2. Valentina Sagris PhD geoinformaatika teadur 3. Edgar Karofeld PhD rakendusökoloogia kaasprofessor 4. Kai Vellak PhD taimeökoloogia kaasprofessor 5. Alar Läänelaid PhD maastikuökoloogia emeriitdotsent 6. Gert Veber PhD loodusgeograafia teadur 7. Marko Kohv PhD rakendusgeoloogia teadur 8. Mae Uri Dipl./BSc spetsialist (keemik) 9. Edgar Sepp MSc, doktorant geoinformaatika spetsialist 10. Martin Maddison PhD keskkonnatehnoloogia kaasprofessor 11. Ivika Ostonen-Märtin PhD juureökoloogia professor 12. Kristina Sohar PhD loodusgeograafia teadur 13. Iuliia Burdun PhD doktorant, kaitsnud PhD 2020 14. Tauri Tampuu PhD doktorant, kaitsnud PhD 2022 Projektiga seotud abitööjõud: 1. Kärt Erikson BSc/MSc magistrant (2023) / doktorant (2023 sept.) 2. Birgit Viru MSc/PhD doktorant, kaitsnud PhD 2020 5. PROJEKTI KULUD ARUANDEPERIOODIL 2023.a. 69267,18 eurot

Kokku

Töötasud (põhitäitjad +abitööjõud) 40702.70 Sotsiaalmaks 13408.58 Töötuskindlustusmaks 325.08 Ostetud teenused 4879.82 Lähetuskulud 4750.46 Materjalid, tarvikud, masinad, seadmed 5087.24 Muud kulud 113.30 Kokku 69267.18

Ostetud teenuste selgitus 4879.82 Mulla- ja veekeemia analüüsid biogeokeemia

laboris Lähetuskulude selgitus 4750.46 Kõik lähetused on seotud uurimisaladel

gaasi- ning veeproovide regulaarse kogumisega, drooniseire ja taimkatteseirega

Materjalide, tarvikute, masinate ja seadmete selgitus

5087.24 Fotosünteetiliselt aktiivse kiirguse mõõtmise andurid ja temperatuuriandurid. Soetati mõõteseadmetele patareisid ja akusid, seadmete hooldusmaterjale, mõõdulinte, teipe jmt. tarvikuid

Muude kulude selgitus 113.3 Kummikud, töökindad välitöödeks. Kulurida ei kajasta Tartu Ülikooli üldkulueraldist (20%) RMK-lt 2023.a. esitatud aruannete eest (arvestuslik summa 16328.22), mis kajastub eelarves pärast aruande heakskiitmist ja lepingutasu laekumist tartu Ülikoolile.

6. PROJEKTI TÄITMISE LÕPPARUANNE Rakendusuuringu „Ammendatud turbamaardlate vee-režiimi taastamise kompleksuuringu metoodika väljatöötamine ja uuringu läbiviimine“ eesmärgiks oli perioodil 2017 – 2023 luua jääksoode seisundi ja korrastamisjärgsete muutuste seiramise metoodika, rajada valimisse kuuluvas viies jääksoos seirealad ning viia läbi kogu perioodi hõlmav kompleksseire. Lõpparuandes antakse ülevaade projekti raames 2017.a. aprillist kuni 2023.a. septembrini Laiuse, Kõima, Maima, Kildemaa ja Ess-soo jääksoodes läbi viidud tegevustest ja esmastest tulemustest ning tuuakse välja peamised seire käigus tehtud tähelepanekud korrastamistööde edukust mõjutavatest teguritest. Koondaruandes käsitletud teemade detailsem analüüs (eeskätt metoodika osas) on esitatud aruande lõpus viidatud lisana esitatud artiklites ja lisamaterjalides. Seirealade rajamine, seire ja korrastamistööde ajajoon Eelneva ruumianalüüsi ning välitööde tulemuste põhjal valiti RMK poolt korrastatavate jääksoode hulgast seiratavateks aladeks Laiuse, Ess-soo, Maima, Kõima ja Kildemaa jääksood. Neist Maima ja Ess-soo moodustavad väga sarnase paari, kus on esindatud mahajäetud freesturbaväljad ja iseseisvalt taimestunud turbavõtuaugud ning nende vahel kuivemad metsastuvad tervikud ning Ess-soos ka freesturbavälja laiendamiseks eelkuivendusega kuid algse rabataimestiku eemaldamiseta ala. Selle paari puhul oli eesmärgiks korrastamistööde käigus võrrelda Lääne-Eesti ja Kagu-Eesti erinevusi (ilmastik, pealiskorraga seotud mõjutused turba- ning veeomadustele) järgnevate töötlustega aladel:

a) võrdlusalad (korrastamistööde käigus mõjutamata veerežiim ja taimestik); b) madalaveeline veekogu loodusliku taimestumisega; c) alad pinnaspaisudega stabiliseeritava veerežiimiga, kus taimestik areneb iseseisvalt; d) alad lausalise kraavide täitmisega stabiliseeritava veerežiimiga, kus taimestik areneb iseseisvalt; e) alad pinnaspaisudega stabiliseeritava veerežiimiga, kus turbasambla fragmentide siirdamisega

kiirendatakse taimestumist; f) alad lausalise kraavide täitmisega stabiliseeritava veerežiimiga, kus turbasambla fragmentide

siirdamisega kiirendatakse taimestumist. Laiuse jääksoo puhul oli kobraste tegevuse tulemusena lõunapoolses jääksoo osas kujunenud madalaveeline veekogu, põhjapoolses osas aga mahajäetud freesturbaväljal suhteliselt suure ida- läänesuunalise kõrgusgradiendiga vähe kuni mõõdukalt taimestunud ala. Korrastamistööde käigus säilitati loodusliku taimestumise teel soostuv veekogu, põhjapoolne freesturbaala jagati aga neljaks erineva veetasemega osaks, kus idapoolses osas on maapinna suhtes kõige sügavam veetase ning läänepoolses osas veetase maapinnale lähedane ning keskel võrdlusala. Kõikjal peale võrdlusala eemaldati puurinne ning veetase stabiliseeriti kraavidele rajatud pinnaspaisudega. Läänepoolsel ala rajati veetaseme tõstmise tõttu laienenud veepeegliga kraavidega alal ka raiejääkidest lainerahusti. Taimestiku puhul eeldati looduslikku arengut. Kildemaa jääksoo hõlmas nii mahajäetud freesturbavälja kui rabapoolses osas ka freesturbavälja laiendamiseks eelkuivendusega kuid algse rabataimestiku eemaldamiseta ala, mis on lausaliselt

puurindega kaetud (sarnane Ess-soo vastavale alale). Korrastamismeetmena oli kavandatud kraavide sulgemine pinnaspaisudega, tihedama puistu raadamine ning taimestiku iseseisev areng stabiliseeritud veerežiimi tingimustes. Kõima jääksoos oli korrastamisalal nii turbavõtuaukudega ala (sarnane Maimaja Ess-soo vastava tüübiga) kui ka eelkuivendusega ala (sarnane Kildemaa ja Ess-soo vastavale tüübile kuid oluliselt kõrgema veetasemega ning vähem metsastunud). Kõima uurimisala oli lausaliselt rabaliikidega taimestunud ja vajas korrastamistööde käigus vaid pinnaspaisudega kraavide sulgemist veetaseme taastamiseks ning tervikutel ja kraavide servades puurinde eemaldamist/harvendamist. 2017.a. suvel viidi seiratavates jääksoodes läbi turbalasundi sondeerimine, mille käigus hinnati turbalasundi tüseduse ruumilist varieeruvust ning määrati organoleptiliselt turba tüüp ning lagunemisaste (joonis 1). Jääklasundi omaduste ning taimestumise iseloomu järgi valiti igas jääksoos (v.a. Laiuse) kaks algseisu kõige paremini esindavat piirkonda võrdlusaladeks, kus kogu uuringu raames muudatusi ei tehta ja mille suhtes võrreldakse korrastatavate alade muutusi.

Joonis 1. Üldvaade võrdlusaladele Kõima (vasakul) ja Maima (paremal) jääksoos ning vastavalt kumbagi jääksoo võrdlusalade A ja B turbaprofiilidele. 2017.a. augustis rajati kõigil uuringualadel võrdlusalad (alad mis jäävad muutumatuks ka korrastamistööde käigus ehk referentsalad). Neile aladele installeeriti turbaveevaatluskaevud (Ess-soo 3 tk, Laiuse 2 tk, Maima 2 tk, Kõima 2 tk, Kildemaa 2 tk), veetaseme mõõtekaevud ning gaasivoogude mõõtmise püsivahendid. Samal kuul alustati igakuiste vee- ja gaasiproovide kogumist. Igakuiselt (Laiuse ja Ess-soo puhul ka kaks korda kuus) koguti võrdlusaladelt gaasiproovid (CO2, N2O, CH4), mõõdeti vaatluskaevudes ning kraavides veetase, portatiivsete seadmetega O2 sisaldus (mg/l) ning küllastatustase (O2%), pH, konduktiivsus (µS/cm), ORP (mV) ja koguti veeproovid laboratoorseteks analüüsideks. Laboratoorselt määrati igakuiselt vaatluskaevudest ning võrdlusaladega piirnevatest kraavidest kogutud veeproovidest üldsüsiniku ja üldlämmastiku, lahustunud üldsüsiniku, lahustunud orgaanilise süsiniku, lahustunud anorgaanilise süsiniku ning lahustunud üldlämmastiku sisaldus. 2018.a. suvel alustati taimkatte maapealse seire välitöid kõigis viies jääksoos (Kõima, Maima, Laiuse, Kildema ja Ess-soo), kus võrdlusaladel ja erineva planeeritava korrastamismeetodiga aladel märgistati 1x1 m püsiruudud (kokku 156), võeti nende nurgapostide koordinaadid (RTK, kasutati ka drooniseirel ankurpunktidena). Taimkatteseire püsiruudud fotografeeriti ja neil teostati taimkatte analüüs (üldkatvus, eri rinnete ja taimeliikide esinemine ja katvus). 2017-2020. a. osaleti jääksoode korrastamisprojektide koostamisel ja anti sisend projekteerijatele. 2019.a. suvel-sügisel korrastati Laiuse ja Kõima jääksood. 2020.a. rajati korrastatud Laiuse ja Kõima jääksoodes täiendavad püsiproovialad, installeeriti korrastatud aladele täiendavad piesomeetrid ning vaatluskaevud ja rajati täiendavad gaasivoogude mõõtmise alad (sh. täiendavad ujuvkambrid kraavidele ning veekogule). Neil aladel alustati igakuist seiret ning proovialadele rajatud ülevooludel veeseiret. 2020.a suvel-sügisel korrastati Maima jääksoo, oktoobris installeeriti korrastatud aladele täiendavad piesomeetrid ning vaatluskaevud ja rajati täiendavad gaasivoogude mõõtmise alad. 2021.a. suvel parandati Laiuse jääksoos eraldusvalli kõrge veetasemega ala ja kontrollala vahel ning korrigeeriti kahel alal (reguleerimatute) ülevoolude kõrgust. 2021.a. sügisel-talvel korrastati Ess-soo jääksoo ning alates 2021.a. novembrist alustati

korrastamisjärgset seiret värskelt rajatud ülevooludest. 2022.a. kevadel installeeriti Ess-soos korrastatud aladele täiendavad piesomeetrid, vaatluskaevud ja rajati täiendavad gaasivoogude mõõtmise alad ning alustati korralist igakuist seiret. 2023.a. augustis alustati Kildemaa jääksoo korrastamist. Uuringuperioodi ilmastiku ülevaade Ilmastik mõjutab oluliselt soode veerežiimi aastatevahelist muutlikkust ning seeläbi nii veega toitainete ärakannet, ökosüsteemi gaasivahetust kui ka taimestiku arengut. Looduslikus seisundis sood on suhteliselt suure puhverdamisvõimega, jääksood aga vähese puhverdamisvõimega ning eriti tundlikud on ilmastiku suhtes värskelt korrastatud alad. Kuna aastate lõikes on ilmastik olnud väga erinev, tuleb seda silmas pidada ka aastatevahelisi veetaseme, gaasivoo ning ärakande väärtusi võrreldes ning korrastamistööde üldise edukuse hindamisel. Kui korrastamiseelsel perioodil oli väga põuane vaid 2018 aasta (mis järgnes keskmisest vihmasemale 2017 lõpule), siis korrastamisjärgne periood oli oluliselt kuivem nii 2021, 2022 kui ka 2023 juulini. Uurimisperioodi iseloomustab pikaajalisest keskmisest kõrgem õhutemperatuur (joonis 2). Eriti soojad olid 2019 ja 2020 aastad, mil talvekuudel oli kuu keskmine temperatuur normist isegi kuni 6 kraadi soojem. Soojemad talvekuud tähendasid sagedasi sulaperioode ja kevadel väiksemat lumeveevaru, mistõttu soo veetase sõltus juba varakevadest alates peamiselt sademete hulgast ning päikesekiirguse intensiivsusest.

Joonis 2. Kuu keskmise õhutemperatuuri (joonisel heleroheliste tulpadena) erinevus ( ̊C) uurimisperioodil võrreldes pikaajalise keskmise kliimanormiga (joongraafik). Samblafragmentidega jääksoode korrastamine toimus 2020.a. (Maima) ja 2021.a. (Ess-soo), seetõttu on eriti oluline tähelepanu pöörata perioodi 2021-2023 ilmastikule. Talv algas suhteliselt varakult 2021.a. keskmisest külmema detsembriga kuid maapind külmus varase lumikatte (novembris) tõttu vaid osaliselt ja keskmisest soojem talve jätk (joonis 2) soodustas nii lume sulamist kui külmumata pinnasest gaasivoo eritumist. Korrastamisalade seisukohast oli aga kõige olulisem sulailmadega lumeveevaru kahanemine ja (pool)külmunud pinnasel tekkinud lombid, mis tuule tekitatud lainetusega uhtusid samblafargmentide katteks laotatud põhu vaaludesse. Talvistele keskmiselähedastele sajuhulkadele järgnes aga 2022.a. erakordselt kuiv märts (joonis 3) ning kogu järgneva aasta jooksul oli iga kuu sademete hulk ligi 40% väiksem pikaajalisest kuu sademete normist. Vaid kahel järgneval talvekuul oli sademeid keskmisest enam, kuid 2023.a. kevad algas taas väga tugeva põuaga kui sademeid langes kuude lõikes vaid 30-40 pikaajalisest normist.

Joonis 3. Kuu keskmise sademete summa (joonisel tumesiniste tulpadena) erinevus (%)uuringuperioodil võrreldes pikaajalise kuu keskmise sademete summaga (joongraafik; kuu sademete summa millimeetrites). Keskmisest kõrgem õhutemperatuur, erakordselt väike sademete hulk (132 mm normist vähem 2022.a.) ja keskmisest päikeselisem ilm (eriti 2023 aprillist juunini; joonis 4) tingis intensiivse evapotranspiratsiooni tõttu maist alates kiire veetaseme alanemise (auramine ületas sademete hulka juba märtsist) ja kuivastressi 2021.a. samblafragmentide laotamisega korrastatud uurimisaladel Ess-soo jääksoos, aga ka 2020.a. sarnaselt korrastatud Maima uurimisaladel.

Joonis 4. Kuu keskmine päikesepaiste kestuse summa (joonisel kollaste tulpadena) erinevus (%) uuringuperioodil võrreldes pikaajalise kuu keskmise päikesepaistega tundide summaga (joongraafik; kuu päikesepaistega tundide summa). Kuivale 2022. aastale järgnenud väga kuiv, päikeseline ja suhteliselt tuuline 2023.a. kevad tõi kaasa väga kiire veetaseme alanemise ning samblafragmentide kasvu pidurdumise või isegi kohati hukkumise. Maima jääksoos Ala 9 (kood P) kannatas 2020.a. suhteliselt hästi kasvama läinud turbasammal tugeva talvise külmakohrutuse all. Külmakohrutusest on Maimas iga talv olnud tugevalt mõjutatud ka võrdlusala 1 (Ala 6-2) ja Ala 8 (kood O). Ess-soos on külmakohrutuse mõju olnud väiksem, kõige enam on seal mõjutatud olnud ala 4 (kood F).

TULEMUSED Pinna- ja turbavesi Nii turbavees kui jääksoo kraavides on süsinik ja lämmastik valdavalt lahustunud vormis (vastavalt 92% ja 92% üldsüsinikust ja üldlämmastikust), lahustunud ja lahustumata vormid aga omavahel tugevalt korreleeritud. Lämmastiku ja süsinikusisaldus oli mõõtmisperioodil kõrgem turbavees, kraavides oli pindmise äravoolu ja sademetevee tõttu toimunud vähesel määral lahjendumine. Küll aga on nii kraavi- kui turbavees lahustunud süsiniku (DC) ja lahustunud lämmastiku (DN) suhe väga heaks turba mineraliseerumise indikaatoriks: DC/DN suhe on seda kõrgem ja regressioonvõrrandi seos tugevam, mida enam on ala häiritud (joonis 5).

Maima

y = 11.953Ln(x) + 27.244 R2 = 0.6754

10

20

30

40

50

60

70

0.0 1.0 2.0 3.0 4.0 5.0

Dissolved N (mg/l)

D is

so lv

ed C

(m g/

l)

Kildemaa

y = 19.46Ln(x) + 39.445 R2 = 0.7029

0

10

20

30

40

50

60

70

0.0 1.0 2.0 3.0 4.0 5.0 Dissolved N (mg/l)

D is

so lv

ed C

(m g/

l)

Joonis 5. Lahustunud süsiniku ja lahustunud üldlämmastiku vaheline seos Kildemaa ja Maima jääksoo näitel. Veekvaliteedi ruumilise autokorrelatsiooni hindamiseks koguti veeproovid nii tootmisväljakutevahelistest kraavidest, piirdekraavidest kui väljavooludest 2018 ja 2019 mais ning 2019 septembris. Veeproovide tulemused näitavad tugevat autokorrelatsiooni lahustunud süsiniku kontsentratsiooni (joonis 6) ja mõõdukat korrelatsiooni lahustunud üldlämmastiku (joonis 7) osas. Lahustunud süsinik on kõigi seirealade puhul orgaanilise süsinikuna. Vaid Maima jääksoos esines kevadel ning sügisel pikema vihmaperioodi järel anorgaanilist süsinikku (karbonaadina) Ala 5 (kood B) ja 6-1 (võrdlusala 2) seirekaevudes. Korrastamisjärgselt on 2021-2023 aastatel Ala 5 seirekaevus põhjaveeline toide suurenenud ning anorgaanilise süsiniku (DIC) ja lahustunud lämmastiku (DN) osakaal suurenenud. Eeldatavasti on see seotud pinnaspaisude jaoks liiga sügavalt ekskavaatoriga materjali võtmisel veepidemeks olnud hästilagunenud turbakihi rikkumisest.

Joonis 6. Lahustunud süsiniku (DC) kontsentratsioon (mg/l C) jääksoo kraavi- ja turbavees Ess-soo ning Kildemaa uurimisalade näitel.

Joonis 7. Lahustunud lämmastiku (DN) kontsentratsioon jääksoo kraavivees. Lahustunud lämmastiku sisaldus on väga madal (joonis 7) nii kraavides kui turbavees. Kui DC kontsentratsioon sõltus taimestumisest mõõdukalt ja olulisem oli kraavituse seisukord, siis toitainevaeses keskkonnas on lahustunud lämmastiku kontsentratsioon selgelt madalam taimestunud kraavides ning eriti madal piirkondades kus maapind on lausaliselt kaetud taimestikuga. Korrastamistööde mõju toitainete ja lahustunud süsiniku ärakandele on lühiajaline kui tööde käigus ei mõjutata põhjaveetoitelisust. Maima jääksoos suurenes lahustunud lämmastiku kontsentratsioon (joonis 8) kõige enam alal 5 (Maima B) ja 10 (Maima D). P ja E alal võib osaliselt kõrgemat DN fooni korrastamisjärgselt selgitada ka samblafragmentide laotamise järel laguneva orgaanilise ainega (kattepõhk ning surnud fragmendid).

Joonis 8. Lahustunud lämmastiku kontsentratsiooni muutus uuringuperioodi jooksul Maima jääksoos. Kuigi ka Laiuse jääksoo on toitainerikkam ja osaliselt põhjaveelise toitega, on seal korrastamisjärgsel ajal (pärast 2019 sügist) lahustunud lämmastiku sisaldus kerges langustrendis (joonis 9) ja selgitatav kiiresti areneva taimkattega ja vähese äravooluga. Kui vesi on pikema viibeajaga, siis tarbitakse lämmastikku nii taimestiku poolt kui sõltuvalt redokspotentsiaalist denitrifikatsiooni/nitrifikatsiooni protsessides. Võrdlusalal kus muutused on olnud väikesed, on ka DN püsinud stabiilsena.

Joonis 9. Lahustunud lämmastiku kontsentratsiooni muutus uuringuperioodi jooksul Maima jääksoos. Ess-soo ja Kildemaa uurimisaladel on DN sisaldus vees madal ja aastatevahelised erinevused statistiliselt ebaolulised. Küll aga on selgelt tuvastatav aastaajaline käik kõrgema kontsentratsiooniga suvekuudel, ning kuivematel aastatel (2018, 2022, 2023).

Joonis 10. Lahustunud lämmastiku kontsentratsiooni muutus uuringuperioodi jooksul Ess-soo ja Kildemaa jääksoos. Lahustunud orgaanilise süsiniku sisaldus on Maima jääksoos võrdlusalal 1 jäänud muutumatuks, võrdlusalal Maima 2 langes korrastamistööde käigus põhjaveelise toite lisandumisel väga madalale (joonis 11), aga teistel aladel on sarnane võrdlusalaga 1.

Joonis 10. Lahustunud orgaanilise süsiniku kontsentratsiooni muutus uuringuperioodi jooksul Maima jääksoos. Sarnase selge aastase käiguga kuid olulise trendita on DOC sisalduse käik ka teiste uurimisalade puhul (Laiuse, Ess-soo, Kildemaa, Kõima). Ess-soost võetud puursüdamiku 8-kuune laboratoorne inkubatsioonikatse näitab, et temperatuuri seos DOC-ga pole erinevalt CO2 voost lineaarne, aga 25 C ületav temperatuur suurendab oluliselt DOC teket turbas, olles samas sõltuvuses veetasemest/aereeritusest (Palviainen et al., 2023). Laiuse jääksoos tuleb esile korrastamistööde järgselt madalaveelise veekogu DOC sisalduse langus ja stabiliseerumine 60 mg/li tasandi lähedal.

Joonis 11. Lahustunud orgaanilise süsiniku kontsentratsiooni muutus uuringuperioodi jooksul Laiuse jääksoos.

Vaatamata suhteliselt kõrgemale kontsentratsioonile nii DN kui DOC osas, ei ole ärakanne korrastatud jääksoost suur kuna vee äravool korrastatud aladel on viimastel aastatel (ülevoolu rajamisest saati) olnud vaid lühikesel perioodil talviste sulade ajal ning kevadel lume sulamise järel, mil kontsentratsioonid on keskmisest madalamad. Laiuse jääksoo ülevoolude puhul on äravool vaid märtsis-aprillis, läänepoolses ülevoolus (madalaveelise veekogu ja Lehtmetsa raba vesi) kuni 4 kuud (märtsist juunini). Sarnane on äravoolu periood ka Maima ning Ess-soo puhul. Kõima edelapoolse kraavi äravoolu pole võimalik hinnata kuna vesi valgub ühtlaselt metsa alla. Kirdepoolses äravoolus liigub vesi novembrist maini. Täpse äravoolu koguse hindamine on takistatud kuna Ess-soos viis 30. augusti sadu ülevoolu kõrvalt pinnase ja mitmel sügiskuul puudus äravoolu mõõtmine, Laiuse läänepoolsel ülevoolul muutis kobras V-ülevoolu kuju ja suurust ning Maimal on suure veetaseme kõikumise tõttu olnud vaja vähemalt kaks korda aastas ülevoolu kõrgust reguleerida. Vooluhulga ja kontsentratsiooni järgi hinnates on süsiniku ärakanne DOC kujul jääksoodest vahemikus 62-87 kg/ha*aastas. Mullastik Korrastamistöödega seotud muutused mulla keemilistes omadustes on väga väikesed ja üldjuhul statistiliselt ebaolulised (joonis 12). Ainus oluline muutus on seotud Maima jääksoo mulla happesusega, kus ilmselt on põhjuseks vettpidava turbakihi häirimine ja selle tulemusena suurem põhjavee sissevool alale (eriti Ala 5 (B), aga ka 2 (L), 10 (D) ning 11 (E). Teiste parameetrite osas olulisi muutusi ei toimunud, aga pinnasetööde tõttu suurenes ruumiline varieeruvus. Samblafragmentide laotamisega alal tõusis pindmises kihis süsinikusisaldus keskmiselt ligi 1% võrra, kuid pole selge kas seda tingis täiendav orgaanilise aine lisandumine (sammal, põhk) või eelnevalt osaliselt mineraliseerunud pinnase koorimine.

Joonis 12. Mulla pH, üldfosfori ja üldlämmastiku sisalduse muutus korrastamistööde käigus. Maima jääksoos mulla pH muutuse ja põhjaveelise toitumuse suurenemise vahelist seost kinnitab ka lahustunud anorgaanilise lämmastiku (DN) sisalduse suurenemine poorivees ning kraavides (joonis 8). DN sisaldus on suurenenud samadel aladel (B, D, E) kus tõusis mulla pH sisaldus ning poorivee karbonaatiooni sisaldus, aga muutus ei avaldu võrdlusalal ega selle juures kraavi vees. Jääksoode mullaanalüüsi andmeid kasutati üleriigilise suuremõõtkavalise mulla fosforisisalduse kaardi koostamisel. Valminud kaart on GIS andmestikuna vabavaraliseks kasutamiseks ja metoodika osas detailsemalt kirjeldatud artiklis: Kull, Anne; Kikas, Tambet; Penu, Priit; Kull, Ain (2023). Modeling Topsoil Phosphorus—From Observation-Based Statistical Approach to Land-Use and Soil-Based High- Resolution Mapping. Agronomy, 13 (5), 1183. DOI: 10.3390/agronomy13051183. Biomassi lagunemiskatsed Jääksoodes viidi läbi standardiseeritud teekotikatse rohelise ning punase (rooibos) teega ning Laiuse ja Ess-soo jääksoodes korrastamisjärgselt maa-aluse ja maapealse biomassi lagunemiskatsed. Standardiseeritud teekottide (punane e. rooibos ja rohelise tee) katse esmased tulemused Laiuse jääksoos alustatud eksperimendist lubavad oodata selget seost nii veetasemega kui taimestikuga (joonis 13). Esimese aasta massikadu on Maima ja Kildemaa jääksoos punase tee puhul sarnane Laiuse jääksoos teekottide massikaoga, kuid erinevus rohelise ja punase tee vahel on väiksem. Kildemaa jääksoos on lagunemine mõnevõrra kiirem kui Maima uurimisaladel, eriti rohelise tee osas.

Joonis 13. Vasakul teekottide paigutuse skeem katsealadel, parempoolsel joonisel punase ja rohelise tee jääkmass 3 kuu, 6 kuu, 1 aasta, 1,5 aasta ja 2 aasta pärast Laiuse võrdlusalal (control), rabametsas (Raba), kuivenduse mõjuga rabametsa servas (Kuivendatud mets) ja pinnaspaisudega korrastatud keskmise veetasemega uurimisalal (Keskmine veetase; korrastamisprojektis Ala 2, uurimisala kood Laiuse E) ning alumisel joonisel jääkmass esimese aasta lõpuks Maima ning Kildemaa võrdlusaladel. Rohelise tee lämmastikusisaldus on kõrgem (3-5%) ja imiteerib peenjuurte lagunemist ning on happelises pinnases suhteliselt suure hajuvusega. Punane tee imiteerib rohkem okaste varist ning selle lagunemine on erineva taimestiku ning veerežiimiga aladel ühtlasem. See viitab ka voortevahelises Laiuse jääksoos (turba pH 2.5-3.5, mediaan 3.1) lagundavate mikroorganismide ühtlast aktiivsust erinevates kooslustes ja rohelise teega võrreldes suhteliselt madalamat leostumiskadu, eriti esimese 6 kuu jooksul. Tulemuste põhjalikum analüüs koos kõigi keskkonnategurite (temperatuur, veetase, mullakeemia, sademed jmt) toimub koostöös Iiri ning Rootsi teadlastega ja võrdluses nende sarnaste katsete andmetega. Sarnaselt 2021.a. varakevadel Laiuse jääksoos alustatud maa-aluse ja maapealse biomassi lagunemiskatsetega laiendati 2022.a. katset värskelt korrastatud Ess-soo alale. Lagunemiskatsesse lisati standardiseeritud teekotikatsele ka eraldi proovid männi ja sookase ning villpea, jõhvika ja mustika/sinika peenjuurte ning varisega. Lagunemiskatsed (vahetult maapinnal ning 5-10 cm sügavusel turbas) rajati kuivemal ja märjemal võrdlusalal, turbasambla fragmentide laotamisega alal, pinnaspaisudega tõstetud veetasemega alal ning suletud kuivenduskraavidega rabametsa alal (joonis 14). Katse on korduste arvu järgi planeeritud kolmeaastasena.

Joonis 14. Lagunemiskatse rajamine Ess-soos uurimisalal 2022. aastal. Vasakpoolsel joonisel proovide paigaldamine alale nr. 11 (kood C) pinnaspaisudega suletud kraavidega alal ning parempoolsel joonisel proovide paigaldamine suletud kuivenduskraavidega rabametsa alal. Kaugseire Arvestades jääksoode suurt pindala, raskesti ligipääsetavust, alasisest suurt heterogeensust ning korrastamistööde puhul ka võimalikku kiiret taimkatte arengu dünaamikat, on kaugseire potentsiaalselt hea vahend seisundi hindamiseks. Käesoleva uuringu raames hinnati nii optilise seire (droon ja satelliit) kui radarkaugseire (satelliit) rakendamise võimalusi. Drooniseire peamiseks eeliseks on väga hea lahutusvõime ja võimalus lennata vastavalt vajadusele ning ilmastikuoludele. RGB kaameraga droonid on praeguseks kujunenud laiatarbekaubaks ja pildi kvaliteet on väga hea. Peamised RGB kaameraga droonide kasutamisega seotud metoodilised küsimused puudutavad erinevate aastate lõikes homogeensete aegridade saavutamist, sest vaatamata päikesekiirgusandurite ja kalibreeritud peegeldusplaatide kasutamisele on drooniseireks liiga suurte (eriti Ess-soo ja Maima) alade puhul probleemiks suur kiirgusspektri ajaline varieeruvus. Lennuaja jooksul muutuvad valgusolud ja kiirgusspekter kahandab piltide põhjal automatiseeritud taimkatteklassifitseerimise edukust erinevate ülelendude vahel, aga ka isegi sama päeva lendude osas kui kiirgusintensiivsus jõuab pika lennuaja jooksul oluliselt muutuda. Paremate sensoritega (kiirgusspektri andurid nii üles kui allasuunatuna) droonid, kalibreeritud peegeldusplaadid, georefereeritud ankurpunktid jmt. muudab aga lendamise kalliks ja töömahukaks (sh. kameraalne järeltöötlus). Maima ning Kõima jääksoo korrastamise eelse drooniandmestiku põhjal hinnati erinevate masinõppe algoritmide rakendatavust ja nende maakatte klassifitseerimise täpsust. MarjanSadat Barekaty leidis oma magistritöös Maima jääksoo põhjal, et nii Random Forest (RF), Support Vector Machine (SVM) ja K-Nearest Neighbours (KNN) meetod annavad suhteliselt sarnase tulemuse RGB kaameraga drooniandmestiku puhul. Kõrgeim kaalutud keskmine F1-skoor saadi RF vaikemudeliga kombineerituna vegetatsiooniindeksitega (0,59), sellele järgnesid KNN (0,58) ja SVM (0,57) kombineerituna vegetatsiooniindeksite ja MinMaxScaleriga. Pildi suurem pikslitihedus ei parandanud klassifitseerimise tulemust. Klassifitseerimist raskendas oluliselt UAV ortofoto kõrgest ruumilisest lahutusest tingitud müra ja maakatteklasside mitte tasakaalus olev koosseis (erinevate liikide/koosluste ruumiline esinemine ebavõrdne, mis on aga looduses tavapärane olukord). Teistele uuringutele tuginedes saaks ilmselt klassifitseerimistulemusi parandada kasutades objektipõhist pildianalüüsi (OBIA), mis töötaks paremini puurinde ning mättaid moodustavate taimede puhul ning lisades kalibreeritud multispektraalsed andmed ning lisatunnused (nt. LIDAR andmed). Sarnaselt droonipiltide töötlemise ja sellelt taimkatte tuvastamise metoodikale on võimalik automatiseeritult tuvastada ka taimestumise osakaalu taimkatteruutude fotode alusel. Uuringu käigus arendati QGIS tarkvara baasil fototuvastussüsteemi, et kõrge lahutusega fotodelt (joonis 15 a ja b) RGB kanalites automatiseeritult eristada kasvama läinud turbasambla fragmentide pindalalist katvust. Selleks fotografeeriti standardselt kõrguselt 1x2 m raami jäävad ruudud (100 tk), neist 33 kasutati õpetusalana ja 67 ala automaattuvastuse alana ning neist omakorda 33 lisaks käsitsi klassifitseeritavate kontrollaladena (joonis 15 c).

Joonis 15. Kasvama läinud turbasambla fragmentide tuvastamiseks kasutatud fotod (a ja b), mis georefereeriti ja transformeeriti ortofotodeks. Käsitsi klassifitseeritud alad kasvavate turbasamblafragmentidega (15c) on kujutatud roostepruunide areaalidega. Näited hästi tuvastatavatest fragmentidest (15 d) ja raskesti tuvastatavatest fragmentidest (15 e). Automaatne klassifitseerimine osutus tõhusaks punaka, lillaka, roheka ja rohekaskollaka tooniga turbasammalde puhul (summaarne tuvastamistõhusus 78%; joonis 15d) kuid tõhusus jäi madalamaks kollakaspruuni tooniga sammalde puhul, kus tuvastamist segasid õlgedele ning lagunevatele taimejäänustele sarnased spektraalsed omadused (joonis 15e). Samuti oli raskusi üksikute väga väikeste hajusalt paiknevate või osaliselt õlgedega kaetud väikeste fragmentide tuvastamisega. Sarnaselt drooniandmestiku töötlemisele on ka tavafotode töötlemise puhul eelduseks pildistamine sarnastes valgusoludes, suur õpetusandmestik ja suhteliselt väike eristatavate klasside arv. Suurem klasside arv või Random Forest/Bagging algoritmide kasutamine tekitab rohkem segaklasse, mille sisu on raskesti tõlgendatav. Lisaks RGB kaamerale katsetati Laiuse testalal ka infrapunakaameraga (IR) drooniseiret, et ühest küljest parandada RGB kaameraga kombineeritult taimkatteklasside eristamise võimet ja teiseks hinnata taimestumise edukust maapinna temperatuuri alusel (suvine kõrge pinnatemperatuur on hüpoteesikohaselt taimestumisele oluline takistus) ning maapinna erineva soojenemise kaudu (kaks ülelendu IR kaameraga hommikul jahtunud maapinnaga ning pärastlõunal maksimaalselt soojenenud maapinnaga ajal) välja töötada maapinna niiskuse arvutamise metoodika. Paralleelselt IR droonilennule viidi läbi ka maapinnal kontaktmeetodil pinnatemperatuuri ja mullaniiskuse (m3/m3) mõõtmine (joonis 16). IR kaameraga testiti ka erineva lennukõrguse mõju 5 m kõrguse muuduga vahemikus 35-150 meetrit, sobivaimaks lennukõrguseks on taimkattestruktuuri määramiseks 70-80 m, maapinna temperatuuri kontrasti järgi niiskuse hindamiseks piisab ka 150 m lennukõrgusest.

a) b)

c) d) e)

Joonis 16. IR kaameraga mõõdetud maapinna temperatuur (23.aug.2018, kl. 15) ja samal ajal maapinnal kontaktmeetodil mõõdetud mullaniiskus (iga lilla ja kollane punkt tähistab mõõtepunkti). Jahutuseta laiatarbe infrapunakaamera droonidele osutus kogu uurimisala katva komposiitpildi koostamiseks ebatäpseks (vt. joonis 15 vasakpoolse kujutise lennusuunast sõltuvat triibulisust) ja mõjutab seeläbi lõpptulemust. Samas temperatuurikontrasti väärtused (pärastlõunasest temperatuuri komposiitpildist lahutatud hommikune temperatuuri komposiitpilt) korreleerusid mõõdetud mullaniiskuse väärtustega. Termokaameraga droon sobib suurepäraselt ka allikaliste kohtade või hilissügisest kevadeni lekkivate pinnaspaisude tuvastamiseks. Arvestades seda, et droonipildi alusel on väga keeruline (ja/või kulukas) koostada aastateülest homogeenset aegrida, on taimestikuseire puhul kõige tõhusam drooniseire kasutamine üldise taimestumise hindamiseks dominantliikide/koosluste alusel ning nende piiride pikemaajalise muutumise jälgimiseks. Lausalise kaardistamise aluseks võiks olla k-means meetodil loodud aluskaart (selle loomine ei eelda eelnevat ala seiret), mille klassidele antakse sisu georefereeritud väliuuringute abil. Eristatavate klasside arv sõltub kasutatud lähteandmestikust, jäädes Sentinel satelliidi optiliste kanalite ja indeksite kasutamisel enamasti 5-7 klassi vahemikku, drooniseire RGB andmete puhul 7-9 klassi ning multispektraalsete kanalite kasutamisel 10-12 klassi piiresse. K-means meetodil loodud dominantklasside arvu määramine on empiiriline, eeskätt ekspertteadmistel põhinev ning vajab reeglina 3-4 erineva versiooni loomist, mille puhul statistiliselt eristunud klassid sisustatakse georefereeritud välitööandmestiku alusel uurimisalal. Neist versioonidest valitakse lõpuks välitingimustes reaalselt tuvastatavate ja looduses eristuvate klasside alusel sobivaima klasside arvuga aluskaart. Seega on drooniseire kõige paremini kasutatav a) ala (visuaalse) eelhinnangu ja seirealade esindusliku paigutuse koostamiseks, b) väiksemate alade detailseks sagedaseks võrdlemiseks (nt. veepiiri või mingi taimestikuareaali aastaajaline dünaamika), c) termokaameraga vee liikumise ja allikaliste kohtade ning paisude lekete tuvastamine, d) sisend ajas dünaamilise ruumilise kasvuhoonegaaside mudeli jaoks taimestiku katvuse muutuse alusel (eeldab vähemalt 3-4 perioodi katmist igal aastal: varakevadine lumesulamine, kevaduvine tärkamine, suvine rohtse biomassi maksimum, sügisene samblarinde seisundi hindamise aeg). Küll aga eeldab selline detailsusaste drooniseire puhul suurt arvutusjõudlust, ajakulu ning arvestatavat rahalist ressurssi. Optiline satelliitseire tagab samaaegselt suure ala katvuse, kuid on väikse ruumilise lahutusega (piksel u. 5-30 m vahemikus) ja ei saa valida ilmastiku järgi sobivat ülelennu aega. Arvestades ülelendude sagedust ja meie laiuskraadil tavapärast pilvisust, on Sentinel-2 missiooni näitel kuu kohta keskmiselt kasutada 1-2 päeva kvaliteetset kujutist (valdavalt pilvevaba) huvipakkuvast alast. Sügisel ja talvel võib esineda kuid, mil kvaliteetset kujutist ei saadagi. Korrastamata jääksoode puhul on see piisav kuna muutused on üldjuhul väikesed (erandiks kevadeti üleujutatavad alad), aga korrastamisjärgseks seireks on see aastaajalise arengu dünaamika hindamiseks ebapiisav. Küll aga sobib selline sagedus pikaajaliseks (paljude aastate üleseks, st. enam kui 10-aastase perioodi muutuste) kindla fenofaasi või aastaaja alusel (madalsoo ja rohundirikka ala puhul kesksuvine, turbasammaldega aladel sügisene periood) hindamiseks. Ülelendude sagedus aga omakorda on seotud kaetava ala suurusega (piksli suurusega) – nii näiteks saab MODIS missiooni Terra ja AQUA satelliitide abil arvutada maapinna ööpäevase temperatuuri amplituudi, aga piksli suurus ulatub kilomeetrini ja huvipakkuva ala sisu kipub hägustuma kuna hõlmab nii freesturbaväljakuid, kraave kui servas ümbritsevat ala (joonis 17).

Jääksoo korrastamine 08-10.20219

Joonis 17. Päevane maapinna temperatuur (°C) Laiuse korrastamisalal (Laiuse 1) ja looduslikus seisundis rabametsas (Laiuse_natural) Terra satelliidi andmestiku alusel aastatel 2017-2021.

Samas on sel viisil aastane pidev temperatuurikäik uuritavalt alalt tagatud ja seda saab kasutada näiteks sisendina mullahingamise (Rsoil) või ökosüsteemi hingamise (Reco) modelleerimiseks nagu näidatud jääksoode näitel Burdun et al., 2021 poolt. Vaatamata madalale ruumilisele lahutusele on selline maapinna temperatuur sisendandmestikuna parem kui lähimas ilmajaamas mõõdetud õhutemperatuuri või maapinna temperatuuri vahetu kasutamine, kuna ilmajaam asub mineraalpinnasel, kus termiline režiim on soomuldadest erinev. Ökosüsteemihingamise modelleerimiseks nii vahetult mõõdetud kui kaugseire andmete alusel on sobilik järgmine valem (Riutta et al., 2007; Järveoja et al., 2016):

Metaanivoo hindamine satelliidi andmetel põhineva maapinna temperatuuri alusel ei anna häid tulemusi kuna metanogenees on seotud sügavama anaeroobse turbakihiga ning aereeritud tsooni temperatuur pigem soosib metaani oksüdeerimist/metanotroofide poolt tarbimist ja kahandab metaanivoogu ning selle seost sügavama kihi termiliste omadustega. Kui looduslikus soos metaanivoog ligikaudu järgib aastast temperatuurikäiku (mõningase ajalise nihkega), siis jääksoodes on seos nõrk ja olulisem on sademete hulk ning poorides vee küllastatu hapnikuga. Neid näitajaid paraku praeguste teadmiste kohaselt pinnakihist sügavamal kaugseire vahenditega piisava ruumilise lahutuse ning ajasammuga ei ole võimalik tuletada. Teataval määral võimaldab seda satelliitradarandmestik (SAR), kuid ka seal on avalikult kasutatava andmestiku lainepikkus sobiv vaid väga õhukese pinnakihi kirjeldamiseks.

Joonis 18. Mõõdetud ja satelliidi maapinnatemperatuuri andmete alusel modelleeritud Reco looduslikes soodes (Männikjärve, Linnusaare), kuivendusega jääksoode osas (Kõima 1, Kildemaa 2) ja jääksoo freesturbaväljadel (allikas: Burdun et al., 2021). Optilise kaugseire abil jääksoode korrastamistööde järgse arengu kirjeldamiseks on tavapärase nähtava valguse spektriosa (RGB) kõrval otstarbekas kasutada erinevate spektriosade alusel koostatud indekseid. Kuna jääksoode seisund, korrastamismeetodid (veekogu, metsastamine, rohttaimedega madalsoo-suunaline korrastamine, samblafragmentide laotamine, pinnaspaisude kasutamine isetaimestumisega jne.) on alade lõikes varieeruvad, on vajalik erinevaid indekseid kasutada. Madalaveeliste taimestuvate veekogude puhul annab parima tulemuse NRG indeks, taimestumata veekogu piiritlemiseks aga NDPI. Avavett ja väga niisket pinnast kajastavad paremini NRG ja NGR indeksid, kuid NGR puuduseks on see, et ei suuda edasi anda infot kuivema taimestumata turbaga piirkondade kohta (mis jääksoo korrastamise seisukohast on oluline määratleda). Rohundirikka taimestikuga jääksoo, metsastunud/metsastatud jääksoo kirjeldamiseks sobib hästi laialt kasutatav taimkatteindeks NDVI. Joonis 19 illustreerib 2020.a. korrastatud Maima jääksoo erineva taimestumismääraga (ja korrastamisviisiga) alade ning seda ümbritseva looduslähedase rabataimestikuga ala näitel erinevate indeksite võimekust seisundit kirjeldada.

Joonis 19. Sentinel-2 satelliidi andmete alusel arvutatud indeksid Maima korrastatud jääksoo näitel (21.09.2023). RGB (Red/Green/Blue) iseloomustab tavapilti nähtavas spektriosas, NRG (nIR/R/G) indeksit kus sinine spektriosa on asendatud lähisinfrapunaga, NDVI (normalized difference vegetation index) taimkatet kajastav indeks, NGR (nIR/G/R) sarnane NRG indeksiga niiskuse kirjeldamiseks, NDPI (Normalized Difference Pond Index; (mIR1- Green)/(mIR1+Green) ja NNR (nIR/nIR/Red).

Satelliidiseire andmete alusel kiire hinnangu andmiseks korrastamise edukuse kohta lühiajalise perioodi alusel (mõned aastad) on takistuseks väheste pilvevabade kaadrite esinemine. Atmosfääri läbipaistvus (eriti pilvisus, veeaur) mõjutab oluliselt kõigi optilise seire kanalite alusel arvutatud indeksite väärtust ja võib mõjutada arvutatud ajalisi trende. On üsna sage, et kogu kuu lõikes pole ühtegi hea lahutusega (piksel 10m või väiksem) pilti kogu uurimisala kohta ning erineva pilvisusega tehtud piltide alusel komposiitpilt lahendab probleemi vaid osaliselt. Joonis 20 iseloomustab Maima jääksoo näitel 2022 sügisest (kuiva pika põuase suvega aasta) ja 2023 sügiseni (kuiva kevadsuvega aasta) näitel ühe aasta jooksul RGB, NDVI ja NRG indeksite aastaajalist dünaamikat. Tähelepanu tuleks pöörata Ala 1 (kood M), 5 (B), 7 (N) kiirele taimestumisele valdavalt pilliroo, villpea ja tarnadega ning samblafragmentide laotamisega kuid kõrge veetaseme all kannatavate alade 3 (K) ja 4 (C) kokkuveoteeäärse tsooni muutustele ning normaaltingimustes sobiliku ala 9 (P) seisundi muutusele.

Joonis 20. Korrastatud Maima jääksoo seisundi muutus iga kuu parima kvaliteediga (pilvevabama) pildi alusel RGB (vasakpoolne veerg), NDVI (keskmine veerg) ja NRG (parempoolne veerg) näitel 2022 sügisest alates kuni 2023.a. sügiseni. NDVI mustja ja punakad toonid iseloomustavad rohelise taimestikuta (ja/või veega ning tehispinnasega alasid, tumeroheline lausaliselt taimestunud alasid).

Joonis 20. järg

Joonis 20. järg Joonis 20 illustreerib hästi kuidas 2023.a. väga kuiva suve järel kahanes juulini veega kaetud ala, aga septembris oli taastunud liiga kõrge veetase peaaegu kevadise seisuni (eriti ilmekas Ala 6-1, 4, 1, 7 ja 11 näitel, eriti NRG indeksiga väljendatuna). Seejuures pilvevabade piltide puudumise tõttu ei tule kaugseire andmetest välja, et muutus toimus lühikese aja jooksul just vahetult pärast augustikuise pildi tegemist ning järgmiste ülelendude ajal oli taevas lausalise pilvkattega.

Satelliidi radarandmestiku (SAR) puhul on eeliseks selle vähene sõltuvus ilmastikust või pilvisusest, kuid ülelendude sagedus on väike ja aluspinna koherentsuse muudu alusel pindalaline lahutusvõime tagasihoidlik (enamasti vajalik hektarile lähenev pindala, et sisulisi muutusi ajas eristada). Kõrgusmuudu kaudu niiskusrežiimi muutumise hindamine DInSAR (järjestikuste kujutiste faaside alusel arvutamise meetod) on soos võimalik (nn. soo hingamise mõõtmine) ja enamasti üsna täpne (mõõdetav millimeetrites), kuid probleemiks on ülelendude sagedus, sest erandlikel juhtudel võib kahe pildi vahelisel perioodil maapinna kõrguse muut sadude tõttu ületada faasi ulatust (Sentinel 1 C-band puhul u. 2.5 cm) ja sel juhul tegelik kõrgusmuut jääb teadmata arvu faaside võrra ekslikuks (Tampuu et al., 2023). SAR andmestikku on võimalik kasutada muutuste tuvastamiseks ka koherentsuse kaudu. Sel juhul on soodes vertikaalne-vertikaalne polarisatsioon muutuste kirjeldamiseks tõhusam kui vertikaalne- horisontaalne polarisatsiooni kasutamine, kuna viimasel on just jääksoodes suurem hajuvus (joonis 21).

Joonis 21. Sünteetilise apertuurradari (SAR) erinevate polarisatsioonide hajuvus (nii tõusva kui laskuva suhtelise orbiidi RON alusel 6-päevase sammuga andmestiku põhjal lumevabal perioodil) loodusliku lageraba, jääksoo ning kasutuses oleva freesturbavälja võrdluses (Tampuu et al., 2020). Maima jääksoo uurimisperioodi hõlmav koherentsuse muutuses endisel freesturbaväljal ja turbavõtuaukudega alal võrreldes loodusliku taustaalaga tuleb väga selgelt esile järsk muutus freesturbaväljal alates 2020 a. lõpust (joonis 22), mil veetase järsult freesturbaväljakutel tõusis ning seejärel kajastuvad 2022.a. kuiv suvine-sügisene ning 2023 kuiv suvine periood kasvava koherentsusena (veega kaetud ala kahaneb). Looduslik ning turbavõtuaukudega ala reageerivad 2022 põuale aga vastandsuunalisena (kuiva turbasambla niiskus ja vastavalt elektrijuhtivus kahaneb).

Joonis 22. SAR kahe suhtelise orbiidi (RON 58 ja 80) alusel vertikaalne-vertikaalne polarisatsiooniga jääksoo korrastamisega seotud muudatuste tuvastamine Maima jääksoos endisel freesturbaväljal (Maima_frees), turbaaukude piirkonnas (serv) ning raba looduslikul taustaalal (looduslik).

Ka Ess-soo uurimisalal on täheldatavad sarnased muutused SAR andmestiku alusel (joonised 23, 24).

Joonis 23. Ess-soo SAR pilt suhteliselt orbiidilt RON 160 kevadel kõrgema veetasemega perioodil 1. märtsil 2022. Sinakad toonid iseloomustavad madalat koherentsust (puurinne, vaba veepind) ning kollakad ja punakad toonid suuremat koherentsust. Mustad piirjooned tähistavad Ess-soo erinevaid korrastamisalasid, millest on välja jäetud eraldavad pinnaspaisud, kokkuveotee ning kraavid ja üleminekulised tsoonid.

Joonis 22. SAR andmete alusel vertikaalne-vertikaalne polarisatsiooniga jääksoo korrastamisega seotud muudatuste tuvastamine Maima ja Ess-soo jääksoos. Ülemine joonis iseloomustab 2020.a lõpus järsu veetaseme tõusu tõttu suurt muutust Maima jääksoos, kuid 2021.a. sügisel Ess-soos sarnast õleujutust ei esinenud ning muutus koherentsuses on tagasihoidlikum. Alumine joonis iseloomustab korrastatud alase väga sarnast sünkroonsust maapinna niiskuse muutuses põua tõttu 2022 ja 2023.a., kuid toob ka välja erineva suhtelise orbiidi (RON) valiku olulisuse niiskuse kirjeldamise seisukohast.

Veetaseme dünaamika Veetaset, kasvuhoonegaaside voogu ning Maimas ja eriti Ess-soos värskelt korrastatud aladel samblafragmentide kasvama minekut (ka laiemalt alade taimestumist) mõjutas väga tugevalt 2022.a. ja 2023.a. ilmastik. Kui Maima jääksoos tõusis pärast korrastamist 2020.a. lõpus ja 2021.a. veetase sammalde kasvuks ebasoodsalt kõrgeks, siis Ess-soo korrastamisele järgnes kaks väga kuiva suve. Talv algas suhteliselt varakult 2021.a. keskmisest külmema detsembriga kuid maapind külmus varase lumikatte (novembris) tõttu vaid osaliselt ja keskmisest soojem talve jätk (joonis 3) soodustas nii lume sulamist kui külmumata pinnasest gaasivoo eritumist. Korrastamisalade seisukohast oli aga kõige olulisem sulailmadega lumeveevaru kahanemine ja (pool)külmunud pinnasel tekkinud lombid, mis tuule tekitatud lainetusega uhtusid samblafargmentide katteks laotatud põhu ning osaliselt ka samblafragmendid vaaludesse. Talvistele keskmiselähedastele sajuhulkadele järgnes aga 2022.a. erakordselt kuiv märts (joonis 3) ning kogu järgneva aasta jooksul oli iga kuu sademete hulk ligi 40% väiksem pikaajalisest kuu sademete normist. 2023.a. kevadsuvi osutus aga veelgi kuivemaks ja veetase alanes taas väga kiiresti, langedes Maima jääksoo võrdlusalal ning samblafragmentide laotamisega pinnaspaisudega alal 9 (kood P) ligi 60 cm sügavusele maapinna suhtes. Juulis alanud sademed küll tõstsid veetaset, aga optimaalse tasemeni (-20 cm) jõudis see alles septembris (joonis 23).

Joonis 23. Kuu keskmise veetaseme dünaamika Maima jääksoo korrastatud aladel ning võrdlusalal. Alade tähises „sph“ näitab turbasamblafragmentide laotamist, „Pais“ ala korrastamist ainult pinnaspaisude rajamisega, „Täis“ lausaliselt pinnasega täidetud kraave. Halli varjutusega ala indikeerib eelistatud veetaseme vahemikku korrastatud alal (veetase maapinna suhtes vahemikus 0...-20 cm). Laiuse jääksool on Lehtmetsa raba näol suur tagamaa madalaveelisel veekogul ning mõningane põhjavee toide, mis koostoimes Lehtmetsa peakraavil toimetavate kobrastega tagasid suhteliselt hea veetaseme stabiilsuse kogu korrastatud ala ulatuses (v.a. kõige kõrgema maapinnaga väike eraldatud idapoolne nurk) ja veetase oli kogu aasta ulatuses vahemikus 0...-40 cm (joonis 24). Sellest tulenevalt algas 2022 aastal ja jätkus 2023.a. jõudsalt ülepinnaline taimestumine Laiuse kesksel korrastamisalal (kood Laiuse E) ning läänepoolsel alal (Laiuse W), kuid jäi puudulikuks kõige kuivemal väikesel idapoolsel alal. Samuti laienes keskmiselt 4.4 meetri võrra veekogu suunas taimestunud vöönd madalaveelise veekogu põhja-, edela- ja lõunaservas, mis on madalamad ja laugema kaldaga. Kõima jääksoos on küll veetase tänu suurele looduslikule puhverdavale tagamaale ning juba algselt lausalisele samblakattele optimaalse lähedal, aga nii 2021. kui 2022.a. on veetase ilmastikust tingituna augustiks langenud madalamale kui eelnevatel aastatel. Seevastu Kõima turbavõtuaukude veetase on oluliselt tõusnud (eriti gradiendiga korrastamisala edelaosa suunas) ja turbavõtuaukude vahelised tervikud on muutunud niiskemaks, veetase kõrgem (Kõima S tervik; joonis 24) kui võrdlusalal ja kvalitatiivselt on märgatav ala lääne- ning edelaosas tervikute servades turbasambla laienemist aukudest tervikule, kanarbiku ja samblike hääbumist ning nokkheina ja villpea lisandumist.

Joonis 24. Kuu keskmise veetaseme dünaamika Kõima ja Lause jääksoo korrastatud aladel ning võrdlusalal. Kasvuhoonegaaside voog Korrastamise käigus saavutatud kõrge veetase on kahandanud turba lagunemise kiirust ja süsihappegaasi lendumist korrastatud aladelt nii Kõima, Laiuse, Ess-soo kui Maima jääksoos. Peamine mõju on Maima ja Ess-soo alal saavutatud turba lagunemise aeglustumise kaudu, Laiuse jääksoos aga ka kiiresti arenema hakanud taimestiku tõttu (peamiselt karusammal, jõhvikas, pilliroog, lääneoas ka turbasammal). Juba algselt lausalise taimkattega Kõima jääksoos gaasivoo osas statistiliselt olulisi muutusi ei ole, pigem on muutused selgitatavad aastate vahelisest ilmastiku erinevusest. Kõima jääksoo puhul on turbavõtuaukudes kõrgema veetaseme tõttu edelapoolses osas lopsakalt arenemas älvestele iseloomulikud turbasambla liigid ning kohati laieneb turbasammal ka madalamatele terviku osadele. Enamasti on tervikud siiski aeglase taimestumisega ja gaasivoogu mõjutab enam turba niiskusrežiimi muutus. Maima jääksoo kontrollala nr. 2 on aastaringselt lausaliselt 30-50 cm paksuse veekihiga kaetud ja jäetud antud analüüsist välja kuna ei vasta enam kontrollala kriteeriumitele. Kontrollala nr. 1 on samuti korrastamistööde järel märjemaks muutunud (eriti kevadel ja sügisel), mistõttu ka põuasel 2022 ja 2023.a. suvel oli seal veetase sarnane uuringuperioodi algusega, aga 2023.a. ei avaldunud see mõju veel taimestiku arengus väljaspool kraavi servasid ning ala 8 (O) piirdevalliga külgnevat peenart, kus on intensiivne jõhvika areaali laienemine. Kogu endise freesturbavälja ulatuses on domineeriv mullahingamine, autotroofne hingamine ja taimede fotosüntees on aastase voo mõttes enamasti tagasihoidlik. Erandi moodustavad pillirooga kattuvad alad (Ala 1 (M), 5 (B), 7 (N) ja turbasamblaga endised turbavõtuaugud (ala 12 (G)), kus keskpäevane ökosüsteemi CO2 sidumine (NEE, Net Ecosystem Exchange) võib ulatuda pilliroo puhul -192 mg CO2-C m2 h-1 ja turbasamblal -77 mg CO2-C m2 h-1. Enamasti jääb siiski aeglase taimestumise, laotatud põhu ja surnud samblafragmentide tõttu NEE isegi suvekuudel Maimas emissiooni poolele. Kui 2021.a. oli samblafragmentidega korrastatud aladel süsihappegaasi emissioon ligi poole väiksem kui kontrollalal ning lausalise kraavide täitmisega alal omakorda väiksem kui pinnaspaisudega suletud kraavidega alal, siis 2022.a. sellist erinevust ei esinenud ja vaid suuremalt jaolt veega üleujutatuks jäänud alad (C ja K) olid teistest väiksema emissiooniga, kuid 2023.a. oli ka neil aladel voog ülejäänuga sarnasemaks muutunud. Sellest tulenevalt on ökosüsteemi hingamine (Reco) jätkuvalt hea indikaator süsihappegaasi emissiooni väljendamiseks (joonis 25), mis toob kombineeritult välja nii mullahingamise kui taimestiku arengu mõju. Ökosüsteemi hingamine jäi vaatamata kahele järjestikusele soojale kuivale suvele valdavalt samale tasemele kui eelnevatel aastatel. 2021.a. veega kaetud aladel aga 2022 ja 2023.a. põuastel suvedel vesi soojenes kiiresti ja veetase alanes, jättes maapinna kohati mudaga kaetuks ja suurendades süsihappegaasi voogu. Erandlik on joonisel ala B (paisudega suletud kraavid, veega osaliselt üleujutatud), kus 2022.a. suvine Reco CO2-C piik on seotud intensiivse pilliroo kasvuga ning taime hingamine kombineerub sooja mudaja pinnase emissiooniga. Lisaks mõjutas üleujutatud alade voogu ka surnud kanarbiku jmt. lagunemine. 2023.a. taimestumise tõttu päevane NEE suurenes sel alal ligi 20 mg CO2-C m2 h-1 võrra ja surnud taimede lagunemine on aeglustunud.

Joonis 25. Ökosüsteemi hingamine (Reco) Maima jääksoos. Märge „veega“ iseloomustab korrastamise järgselt üleujutatud ala, „norm“ tähistab normaalse veerežiimiga ala, kus veetase jäi valdavalt maapinnast sügavamale. Aasta CO2 bilanss oli 2022.a. sambla fragmentidega korrastatud üleujutatud aladel emiteeriv (0.46 t/ha C), kraavidel pinnaspaisudega korrastatud aladel 0.86 t/ha C ning koos fragmentide laotamisega aladel 0.75 t/ha C. Turbaaukudes aga toimus tänu ohtrale päikesekiirgusele ning optimaalse lähedasele veetasemele (kohev sammal liigub sünkroonselt veetaseme muutusega, veetase 0...-15 cm) sidumine NEE -1.04 t/ga C. 2023.a. kuni augustini samblafragmentidega korrastatud aladel päevane NEE suurenes sidumise suunas ligi 10 mg CO2-C m2 h-1 võrra, aga enamikul suvekuudel jäi endiselt emiteerivaks isegi päevasel fotosünteesi toimumise ajal väga hõreda taimestiku tõttu. Kõima jääksoos on võrdlusala emiteeriv (1.9 t/ha C), turbaaukude vaheline tervik emiteerib 2.6 t/ha C, samas kui turbaaugu emissioon on 1.1 t/ha C ning kuiva suve tõttu oli ka looduslähedases seisus rabaosa emiteeriv (0.6 t/ha C) ning 2023.a. suvekuudel emissioon kasvas 2022.a. võrreldes veelgi. Laiuse jääksoos algas 2022.a. suve teises pooles ja jätkus kogu 2023.a. kiire taimkatte levik varasemalt palja turbaga alal. Kasvuala laiendasid kõige jõudsamalt karusammal ja jõhvikas, kraavides pilliroog, tarnad ning valge vesiroos. Läänepoolses osas kus turbaaukudele rajati lainetõkked, laienes kiiresti pilliroo ning hundinuiaga kaetud ala, tervikutel ja madalamates niiskemates lohkudes turbasammal. Kiire taimkatte muutuse tõttu allus mõõtmisandmestik modelleerimisele gaasimõõtmisrõngaste lõikes erinevalt (R2 0.43-0.95). Laiuse 1 (võrdlusala) on läbi kõigi aastate olnud CO2 emiteerija, Laiuse idapoolne (Laiuse E) korrastamisala oli 2021.a. emiteeriv, kuid 2022.a. saavutas sidumise jõhvikaga kaetud alal ning pillirooga taimestunud alal. Kõige märjemal alal (Laiuse W) on 2022.a. süsinikuneutraalsed või siduvad kõik taimestunud alad (joonis 26). Kraavide ning Laiuse madalaveelise veekogu süsinikubilanss on positiivne, keskmine emissioon 0.42 t/ha C. Seisva veega kraavides võib küll suve alguses vetika vohamise tõttu mõnel kuul süsihappegaasi sidumine olla intensiivne, aga suve teises pooles algab tekkinud biomassi lagunemine ja eritub nii süsihappegaasi kui metaani. 2023.a. suurenes päevane NEE sidumine kõigis korrastatud jääksoo osades 10-30 mg CO2-C m2 h-1 võrra võrreldes 2022.a., kõige enam pillirooga taimestunud pinnaspaisuga suletud kraavil.

Joonis 26. CO2 bilanss korrastatud Laiuse jääksoos. Laiuse 1 on võrdlusala, Laiuse E keskne korrastamisala võrdlusalast idas ning Laiuse W kontrollalast läänes paiknev maapinnalähedase veetasemega korrastamisala. Kõrge maapinna temperatuur ning suhteliselt kõrge veetase soodustavad metaani teket. 2022.a. olid pika põua tingimustes Maima jääksoos metaani tekkeks äärmiselt soodsad tingimused. Kuigi veega kaetud korrastatud aladel oli suvel keskmiselt kõrgem metaani emissioon, oli ka nii pinnaspaisude kui täidetud kraavidega korrastatud alasid, kus metaani voog oli suur. Samas pinnaspaisudega ala 10 (D) ja võrdlusala olid endiselt väga madala metaani emissiooniga, aga eelneval 2021.a. suvel oli just ala 10 kõrge vooga kui seal veetase lühiajaliselt väga kiiresti muutus. 2023.a. jäi eelnevate aastatega võrreldes metaanivoog oluliselt väiksemaks oli korrastamismeetodist sõltumatult sarnane.

Joonis 27. Kuu keskmine süsiniku kadu metaanina lendumise kaudu Maima kontrollalal (2017-2023) ja korrastamisjärgselt nii kontrollalal kui korrastatud aladel.

Naerugaasi voog oli 2022.a. sarnaselt eelnevatele aastatele toitainevaestes tingimustes kõigis uuritavates jääksoodes ebaoluliselt väike (joonis 28). Suhteliselt pika kuiva perioodi ja hoovihmadest tingitud veetaseme kiirete kõikumiste tulemusel suurenes N2O voog korrastamise järgselt Maimal juba 2021.a. ning veelgi selgemalt 2022.a., aga ka need vood on väga väikesed. Ainsaks erandiks oli september kui pärast pikka põuaperioodi ja sügavale langenud veetaseme juures algasid intensiivsed sajuhood, mis kiirelt täitsid pinnaspoore ning soodustasid lühiajalist naerugaasi heidet. Sarnane põuajärgne järsk naerugaasi voo lendumine septembris leidis aset ka teistel uurimisaladel. 2023.a. kiire kevadine veetaseme alanemine ja püsimine stabiilsena kuni augustis ohtrate sademete tõttu veetase taas kiirelt tõusis ja stabiliseerus, jäi naerugaasi voog väga madalaks. Teistest aladest eristub juba teist põuast aastat järjest Maima võrdlusala 1, kus korrastamise järgselt on veetase muutunud kõikuvamaks (kevadel ja sügisel naaberalade tõttu veetase kraavides tõuseb) ning see on kaasa toonud võrdlusalal naerugaasi suurema emissiooni, mis absoluutväärtuselt on siiski ebaoluline.

Joonis 28. Naerugaasi emissioon Maima jääksoost perioodil 2017-2023. Märgalade gaasivood on ajaliselt ja ruumiliselt suure varieeruvusega, seetõttu on ennatlik paari korrastamisjärgse aasta ning ühe või kahe ala tulemuste põhjal teha järeldusi korrastamismeetmete tõhususe osas. Maima jääksoos on samblafragmentide abil taimestumise kiirendamine valdavalt ebaõnnestunud liiga kõrge ning kõikuva veetaseme tõttu, aga samas on kõikidel samblafragmentide laotamisega aladel vähemalt mingil määral hajusalt kasvama läinud samblaid ning lisandunud on teisi raba liike. Aladel kuhu samblafragmente ei laotatud ei ole ka sõltumata veetasemest või paiknemisest looduslikuma taimestikuga rabaosa suhtes turbasamblaid iseseisvalt alale ilmunud. Kaks põuast suve on Maimal taimestumist oluliselt kiirendanud, eriti aladel 1 (M), 2 (L), 5 (B) ning 7 (N). Turbavõtuaukude juures on korrastamise mõju vähemärgatav, ilmselt põuaste suvede tõttu, sest kevadel on turbaaukudes veetase tervikute tasapinnani, kuid suveks taandub oluliselt. Sama tähelepanek kehtib ka Ess-soo kohta, kus taimestiku taastumise aeg on olnud oluliselt lühem, aga Ess-soos on just turbavõtuaukude ja metsas eelkuivenduskraavide sulgemisega alal veetase püsinud hästi ka suvedel ning turbasammalde laienemine olnud kiire (sh. ekskavaatori tekitatud aukudes ja pinnaspaisude külgedel niisemates lohkudes). Seevastu Laiuse jääksoos on kõigil korrastatud väljakutel ilmunud vähemalt mõnes piirkonnas ka iseseisvalt turbasamblaid, kohati on turbasammalde areaali laienemine alates 2022.a. suve lõpust muutunud kiireks. Detailne ülevaade taimkatte muutustest seiratavate jääksoode püsiseireruutudes on esitatud aruande II osas „RMK taimestiku seire KOONDARUANNE.pdf“.

Tähelepanekuid ja soovitusi korrastamisalade põhjal Alade jagamine väiksemateks hüdroloogilisteks üksusteks on ennast õigustanud, vähendades nii veelgi ulatuslikumaid üleujutusi või ulatuslikumaid liiga kuivi alasid. Iga eraldusvalli sees tuleb väljaku madalama osa juures tekitada ülevool, ülevoolude puhul tuleks kasutada reguleeritava kõrgusega ülevoolu lahendusi (joonis 29). Need on lihtsad, kuid võimaldavad vähemalt esimestel taimestumise seisukohast kriitilisel aastatel ilmastiku, projekteerimis- või ehitusvigade tõttu tekkinud veetaseme probleeme leevendada.

Joonis 29. Pinnasvall jääksoode eraldajana (vasakul) ning lihtne kuid tõhus reguleeritav ülevool veetaseme reguleerimiseks. Selliseid ülevoole tuleks kasutada iga hüdroloogiliselt eraldatud jääksoo eraldusvalli juures. Pinnaspaisudega suletavate kraavide puhul tuleks rajada igale kraavile pinnaspais iga 30 cm kõrgusmuudu kohta, aga vähemalt 3 pinnaspaisu. See võimaldab hüdroloogiliselt eraldatud üksustes juhtida väljaku madalamas piirkonnas lumesulamise vee serpentiinina läbi ala nii, et pinnaspaisudega kraavid oleks üle ühe ühendatud erineval pool kesksest pinnaspaisude reast (joonis 30). Antud lahendus on väga hästi toiminud Ess-soo põhjapoolsel alal (Alad 5, 7, 11, kood J ja H, C), soodustades vee pikemat säilitamist korrastatud alal, kuid kahandades suuremat üleujutust.

Joonis 30. Serpentiinina ühendatud kraavid Ess-soos.

Laiuse jääksoo Laiuse jääksoo oli esimene mis sai uuringualadest korrastatud 2019.a oktoobriks ning seega on korrastamisjärgseid muutusi saanud jälgida peaaegu 4 aastat. Esimesel kahel aastal oli taimestiku kujunemine aeglane ja kohati mõjutas liiga kõrge veetase, aga samas soodustas see veelindude saabumist uurimisalale, kes levitavad ka taimede seemneid ja eoseid, aga ka väetavad ala. Väetamise efekt on tugev kevadel, mil laudteed on lausaliselt väljaheidetega kaetud ning paigal seismist nõudvate välitööde korral on kasuks vihmavarju või kapuutsiga kummimantli kasutamine sõltumata ilmast. Mõju avaldub selgelt ka madalaveelise veekogu kõrgendatud DN sisalduses, mis tõuseb ka sügisese rändeperioodi ajal, kuid sügisvihmade lahjendava toime tõttu pole sama tuntav kui kevadel. Alates 2022.a. algas kiire taimestiku areng, mis jätkus jõudsalt 2023.a. 2023.a. algas ka madalaveelise veekogu kallastel taimestiku laienemine veekogu suunas. Jääksoo lääneosas laiematele kraavidele rajatud lainerahusti (joonis 31) on oma eesmärki täitnud suurepäraselt ja soodustanud kiiret taimestiku laienemist kraavides. Laienenud on peamiselt pilliroog ja hundinui, aga ka tarnad ja kohati turbasamblad.

Joonis 31. Laiuse jääksoo korrastamisalad. Taimkatte arengut Laiuse jääksoos enne korrastamist, vahetult pärast korrastamist ja uuringu lõpuaastal 2023 septembrikuiste satelliidipiltide alusel iseloomustab joonis 32. Võrreldes algseisuga on oluliselt paremini taimestunud ala loodepoolne osa, madalaveelise veekogu kallastele on kujunenud kuni mõnekümne meetri laiune sootaimedega taimestunud kaldavöönd-õõtsik, vaatamata puurinde eemaldamisele on kirdepoolne osa on NDVI indeksi väärtuse järgi taimestunud juba paremini kui kontrollala, aga kui kontrollala indeksit mõjutab eeskätt puurinne ja villpea, siis loodepoolses osas on domineerivad sootaimed (tarnad, pilliroog, rabakarusammal, jõhvikas jmt). Jõhvika areaal laieneb aastas keskmiselt 40-50 cm võrra peenarde keskosast ääreala suunas ja moodustab kohati lausalise katte.

Joonis 32. Taimkatte muutused Laiuse jääksoos enne korrastamist (2018), korrastanmise ajal (2019) ja uuringuperioodi lõpus (2023) Sentinel-2 satellidipildi alusel NRG ja NDVI indeksitena väljendatuna. Kõima jääksoo Kõima jääksoo korrastati 2019.a. lõpuks. Ala oli juba eelnevalt peaaegu lausaliselt taimestunud ja vaid üksikutes kohtades turbavõtu aukude vahelistel tervikutel oli taimestumata laike. Korrastamistööde käigus eemaldati suuremad puud evapotranspiratsiooni kahandamiseks, pinnaspaisudega suleti kraavid ja väljavool turbavõtu aukudest. Tänu eelnevalt olemasolevale rabataimestikule taastus kogu alal korrastamise käigus paljandunud pinnas kiiresti. Madalamad alad kattusid nii nokkheina kui turbasammaldega (joonis 33), kõrgemad pinnaspaisud peamiselt kanarbiku, karusambla ja villpeaga (joonis 34).

Joonis 33. Pinnaspaisude rajamiseks turba võtmise auk (vasakul) ja endine kirdepoolne kogujakraav (Kõima-N väljavool) on turbasammalde,villpea ning nokkheinaga kattumas.

Joonis 34. Kõrgemad pinnaspaisud kattuvad villpea, kanarbiku, karusambla ja murakaga, madalamad servad ja turba võtmisel tekkinud lohud nokkheinaväljaga.

Joonis 35. Pinnaspaisude tõttu seisva veega kraavid ning turbavõtuaugud täituvad turbasammaldega, tervikutel märjemates piirkondades kanarbik hääbub.

Joonis 36. Edelapoolses osas kus veetase on kõrgem ja püsivalt maapinnale lähedal ka põuastel suvedel (maapinna kalle tagab vee pealevoolu) on ka suuremad pinnaspaisud peaaegu täielikult taimestunud.

Joonis 37. Edelaoas lausaliselt täidetud kogujakraav ning vee liikumist tõkestavad massiivsed pinnaspaisud hoiavad turbavõtuaukudes veetaset kõrgena ka kesksuvel ning tagavad soodsad tingimused kiireks taimestumiseks. Turbasammaldega kaetud areaal on nelja aastaga jõudsalt laienenud.

Joonis 38. Edelapoolne väljavool on aastaringselt kuiv, soost valguv vesi on leidnud endale tee metsa alla, kuhu valgub ühtlaselt laial alal. Maima jääksoo Maima jääksoo korrastamine toimus 2020.a. sügisel ja oli uurimisaladest esimene kus kasutati kõiki erinevaid korrastamisvõtteid (madalaveeline veekogu, pinnaspaisud kraavidel, kraavide lausaline täitmine, pinnaspaisud kraavidel ja turbasambla fragmentide laotamine, kraavide lausaline täitmine ja turbasambla fragmentide laotamine, turbavõtuaukude väljavoolude sulgemine). Kavandatud tegevused osaliselt ebaõnnestusid ebaõige veetaseme tõttu, kuid soovitust kõrgem veetase ei takista soostumist. Turbasammalde areng ja levik on alal liiga kõrge või muutliku veetaseme tõttu piiratud, pilliroo, tarnade, villpea ja nokkheina, üksikutes piirkondades ka jõhvika laienemine on viimase aastaga kiirenenud.

Taimestumist kiirendas kõige enam 2022 ja 2023.a. põuased suved, mis tagas taimede arenguks soodsama veetaseme. 2021.a. lõpus väga edukalt laienenud nokkheina areaali alal 2 (L) ja 10 (D) hävitas peaaegu täielikult sügisrände eel 100-200-pealine sookurgede parv, mis rebis taimed lausaliselt juurtega välja. Uurimisalal on kohatud merikotkast (sageli Ala 4 rabapoolsel küljel kõrgema männi ladvas), kuni 20 luigest koosnevat parve, koovitajaid, põtra, hunti ja pruunkaru. Uurimisala projekteerimisel/korrastamisel tehtud suurim eksimus oli liigse vee äravoolu planeerimine läbi olemasoleva osaliselt täidetud kogujakraavi. Kõrge veetaseme korral täidetud kraavis mudajas mass kerkib koos veetasemega ja takistab vee äravoolu, suvel alaneva veetaseme korral aga alaneb ka mudajas mass äravoolukraavis ja pigem soodustab kiiremat veetaseme alanemist turbaväljal. Maima eksimust võeti arvesse Ess-soos, kus kogujakraav täideti või sulgeti pinnaspaisudega ja liigvee äravooluks kujundati eraldi voolunõva serpentiinina läbi turbaväljade.

Joonis 39. Madalaveelise märgala (Ala 1, kood M) veetase jäi planeeritust madalamaks kuna soovitud veetaseme korral oleks kõik rabapoolsed väljakud veelgi sügavamalt üleujutatud olnud. Taimestumise seisukohast on veetase alal soodne ja pilliroo, hundinuia ning tarnade jõudne levik algas 2022.a. ja 2023.a. sügiseks on taimestumine peaaegu lausaline.

Joonis 40. Kraavide lausalise täitmisega ja samblafragmentide laotamisega alal (ala 3, K) on veetase liiga kõrge, valdava osa aastast on ala veega kaetud ja taimestunud on peamiselt täidetud kraavide kohad, kus maapind kerkib koos veetasemega. Siiski leidub hajusalt ka üksikuid elusaid turbasamblaid.

Joonis 41. Ebasoodsalt kõrge veetaseme puhul toimub taimestumine kiiremini just täidetud kraavide kohal kuna seal maapind kerkib koos veetasemega. Taimestikus domineerivad villpead, hundinui, tarnad, nokkhein ja mätaste vahel üksikuid turbasamblaid, mis on fragmentide laotamisest säilinud. Veega kaetud ala on luikede kasutuses.

Joonis 42. Pinnaspaisudega suletud kraavidega turbasambla fragmentide laotamise alal on taimestumine võimalik vaid soodsa niiskusrežiimiga vööndis. Liiga sügava veega alal toimub aeglane taimestumine pilliroo ning hundinuiaga. Sobivates tingimustes on turbasambla katvus hea ja sammal elujõuline.

Joonis 43. Pinnaspaisudega suletud kraavidega alal 5 (B) toimub looduslik taimestumine kõrge veetaseme tingimustes ja levivad madalsoole iseloomulikud liigid. Taimestumise kiirust toetab sel alal lahustunud lämmastikuga rikastunud põhjavee väljakiildumine.

Joonis 44. Kraavide lausalise täitmisega ja samblafragmentide laotamisega alal (ala 11, E) on veetase liiga kõrge, valdava osa aastast on ala veega kaetud. See ala vajas korrastamisel pinnase suuremamahulist tasandamist ja seetõttu pole pindmine turbakiht tihedalt alumiste kihtidega seotud ning liigub koos veetasemega kaasa. Taimestunud on peamiselt täidetud kraavide kohad, kus maapind kerkib kergemini koos veetasemega, aga taimestumine on ulatuslikum kui sarnaselt töödeldud alal 3 (K).

Joonis 44. Lausaliselt täidetud kraavidega alal (10, D) toimub iseeneslik taimestumine ebaühtlaselt. Kanarbik ja sinikas hääbuvad, villpea, nokkhein, tarnad ja jõhvikas laiendavad areaali. Vaatamata sobivatele niisketele laikudele ala sees ja külgnemisele samblafragmentide laotamise alaga, pole iseseisvalt turbasamblaid ilmunud.

Joonis 45. Pinnaspaisudega suletud kraavidega turbasambla laotamisega alal (9, P) oli esimesel aastal sammalde elulevus väga hea, kuid järgneval talvel kannatas kõrge lumesulavee uhtumise ja tugeva külmakohrutuse all. 2022/2023 kohrutuse kahju kordus. Siiski on kogu ala samblafragmentidega hajusalt

kaetud, püsivad koloniseerimistuumakesed tekkinud ning alal on esindatud paljud tüüpilised rabaliigid. Taimestumine on küll oodatust aeglasem, aga püsiv. Sel alal on niiskemal perioodil sambalaga paremini kattunud gaasirüngastes mõõdetud päevasel ajal ökosüsteemi hingamist ületavaid CO2 sidumise väärtusi.

Joonis 46. Võrdlusala on kõige kehvemini taimestunud. Alustaimestikus domineerivad üksikud hajusalt paiknevad villpeamättad, kraavi kallastel ka jõhvikas, samblikud. Kased ja männid kannatavad mineraliseerumise ning tuuleerosiooni tõttu paljanduvate juurte käes. Kuigi korrastamise käigus võrdlusala veetase tõusis, ei ole see veel oluliselt mõjutanud taimestumist.

Joonis 47. Pinnaspaisudega suletud kraavidega ja turbasambla fragmentide laotamisega ala (7, N), mis oli korrastamise eelselt tugevalt pilliroo ja noorte mändidega kaetud, on esimesest aastast saati olnud kõikuva veetasemega, aga juba esimesel sügisel risoomidest võrsunud varred takistasid lainetusel laotatud samblafragmente ja kattepõhku ära uhtuda ning pilliroo vahel esineb ohtralt turbasammalt, huulheina, kanarbikku. Esimeste aastate tulemus on paljulubav ja samblad elujõulised, kuid ebaselge on kas pikemas perspektiivis hakkab pilliroog turbasammalt varjutama või suudab sammal moodustada tugeva ühtlase katte.

Ess-soo Ess-soo ala korrastati 2021. a. sügisel ja selle käigus tehti võrreldes Maima alaga projektis mitmeid muudatusi. Eeldatavad veetasemed modelleriti iga ala lõikes, äravooluteed planeeriti serpentiinina väljakute keskosa kaudu, kohati säilitati üleujutuste vältimiseks avatud kogujakraavi lõike ning looduslikuma rabaosa ja freesturbavälja vahele rajati kogujakraavile veekogu. Korrastamistööde käigus tehti jooksvalt täiendusi vastavalt nivelleerimise tulemustele, lisati pinnaspaise kraavidele ning rajati madala pinnasvalliga eraldatud terrasseeritud väljak. Kuigi korrastamisest on seireperioodi lõpuks möödunud alla 2 aasta ja mõlemad korrastamisjärgsed suved on olnud äärmiselt põuased ning ebasoodsad turbasambla fragmentide siirdamisega korrastamiseks, on üldtulemused siiski lootustandvad ja metoodilises mõttes võib Ess-soo korrastamist edukaks näiteks pidada.

Joonis 48. Kuigi lausaliselt täidetud kraavidega turbasambla fragmentide laotamise ala nr. 2 (N) on arvestatava pikisuunalise nõlvakaldega ja külgnev avatud äravoolukraaviga, on see põuased suved kõige edukamalt üle elanud ja elujõulisi samblafragmente esineb lausaliselt. Sarnaselt samasugusele korrastamismeetodile Maima jääksoos, on ka siin kiiremini taimestunud just täidetud kraaviga osa. Samas domineerib täidetud kraavi osas villpea, turbasammalt leidub hajusalt kõikjal ning kuivemal osal on enam kanarbikku. Kohati esineb ka nokkheina laike.

Joonis 49. Pinnaspaisudega kraavid hoiavad ka arvestatava nõlvakalde korral edukalt veetaset üleval. Samblafragmentide laotamine sel alal (1, L) pole enamasti sama edukas kui kraavide lausalise täitmisega naaberalal (2, N), kuid sobiva niiskusega piirkonnas on kujunenud ulatuslik lausalise turbasambla katvusega ala. Taimestumine toimub edukamalt ka kraavide kallastel, aga traavidevahelistel väljakutel on taimestik hõre ning elusaid turbasamblaid vähem kui naaberalal. Kas samblafragmendid on säilitanud kahe põuase suve järel elujõu, selgub järgnevatel aastatel.

Joonis 50. Kõikidel aladel kuhu samblafragmente on laotatud, on hajusalt elujõulisi turbasablaga laigukesi ning seisva veega kraavilõikudes sageli ka vohavat turbasammalt (ala 9, E).

Joonis 51. Kuigi pealtnäha mõõdab eddy covariance mast nukralt tühja välja (ala 10, D) CO2 ja CH4 voogu, on siiski kogu alal hajusalt elujõulisi turbasambla laigukesi ja soodsamate aastate saabumisel võib sambla katvus kiiresti laieneda. Sarnaselt Maima jääksoos üleujutatud mudasele väljale (ala 11, E) on ka siin esimese 2 aasta taimestumine väga tagasihoidlik, aga tüüpiliselt toimub taimestumine alguses kiiremini just täidetud kraavide kohal. Pioneerliigiks villpea, kuivematel aladel kanarbik, hajusalt elus turbasamblaid, nokkheina, huulheina.

Joonis 52. Looduslikult kujunenud sootaimestiku säilitamine korrastamise ajal kiirendab veetaseme tõstmisel maapinna kattumist taimedega. Alal 11 (B) on pinnaspaisude abil veetaseme tõstmisel ja stabiliseerimisel jõhvikas laiendanud kaetavat areaali 60-70 cm võrra aastas, kraavides hõljuval mudal laiutavad villpead ning servas laiendavad kasvuala nokkheinad.

Joonis 53. Avatuks jäävatel kraavilõikudel haost või põhupallidest tõkete tekitamine/säilitamine on kasulik nii heljumi kahandamiseks kui kraavi kinnikasvaise kiirendamise seisukohast. Kogujakraav K-17 on tõketevahelisel lõigul täitumas turbasammalde, ubalehtede, soovõhkade, villpeade ja tarnadega.

Joonis 54. Kuigi pinnaspaisud kraavidel ja terrasseerimine madala eraldusvalliga hoiavad veetaset võrdväärselt teiste korrastatud väljakutega, on alal 4 (F) turbasammalde kasvama minek oluliselt kehvem. Üheks põhjuseks oli külmunud kängardes fragmentide laotamine pärast tugevat öökülma külmunud maapinnale, teiseks põhjuseks oli sel alal erandlikult esinev külmakohrutus 2022/2023 talvel ning kolmandaks põhjuseks 2022.a. 30. augustil esinenud erakordselt intensiivne sadu (Korelas mõõdeti 24 h jooksul 84 mm sademeid), mis tulvaveega uhtus ära Ess-soo uurimisala peamise ülevoolu mulde (P3) ning uhtus peenarde kõrgematesse osadesse nii samblafragmendid kui kattepõhu.

Joonis 55. Näide meandreeruvast paisudega suletud kraave ühendavast vooluteest (vasakul) ning liiga kõrget veetaset vältivast voolunõvast (paremal).

Joonis 56. Kogujakraavi võib sulgeda laiade turbaga täidetud lõikudega, kus sulgev lävend on kaetud taimede juurtega tihedalt läbikasvanud mätastega. Selline veekogu aitab hoida freesturbavälja otstele iseloomulikku kõrgemat serva niiskemana ja tagab kiirema taimestumise ning väiksema erosiooni, mis muidu kannaks turvast madalamal paiknevatele laotatud samblafragmentidele. KOKKUVÕTE Korrastamata jääksood olid olulised CO2 allikad. Enne korrastamist oli CO2 emissioon sõltuvalt aasta ilmastikust ja alast 4.7 (3.2 – 8.3) CO2-C t/ha*a. Metaani emissioon oli tagasihoidlik 0.09 t CH4-C t/ha*a. Toitainevaese rabaturbaga jääksoode naerugaasi emissioon oli samuti väike (0.0003 N2O-N t/ha*a) ja korrastamisejärgsel oluliselt ei muutunud. CO2 voog korrastamisjärgselt kahanes ja Laiuse jääksoos neli aastat pärast korrastamist jõudis aastabilansina süsinikuneutraalsuseni. Teistel korrastatud aladel oli aasta bilanss CO2 osas jätkuvalt emiteeriv 0.4-1.9 CO2-C t/ha*a. Kuigi gaasivood on suuremad suvekuudel (v.a. naerugaas, mil puudub selge aastaajaline käik), võivad külmumata pinnasega talvekuud oluliselt mõjutada gaasivoo aastast bilanssi. Süsihappegaasi sidumist mõjutab kõige enam fotosünteetiliselt aktiivne kiirgus (PAR), temperatuur (õhu ja pindmise 10 cm mullatemperatuur). Viimastel aastatel Eestis enam Keskkonnaagentuuri hallatavates ilmajaamades PAR ei mõõdeta ja ainsad teadaolevad pidevad PAR mõõtmised toimuvad hetkel RMK jääksoodes paiknevates mõõtekohtades. Ilma PAR pideva aegreata ei ole ökosüsteemi puhasgaasivahetuse (Net Ecosystem Exchange, NEE) usaldusväärne modelleerimine võimalik. Korrastamisjärgse seire periood vastavalt 4, 3, 2 ja 0 aastat on ebapiisav, et teha järeldusi meetodite tõhususe, taimestumise kiiruse või kasvuhoonegaaside voo kahanemise kohta. Esimestel aastatel mõjutab kasvuhoonegaase samblafragmentidega korrastataval alal põhu ja surnud fragmentide lagunemine. Äärmiselt suur määramatus on seotud ilmastikuga. Taimestumine kiirenes alates kolmandast korrastamisjärgsest aastast, kuid selgusetu on kui suurt rolli selle juures mängisid viimased kaks põuase suvega aastat. Kõikidel aladel kus rakendati turbasamblafragmentide laotamist, on vähemalt hajusalt elusaid turbasambla kogumeid ja vähestel aladel moodustavad ka väiksemaid lausalise katvusega alasid. Meetodi edukust kahandas projekteerimisviga veetaseme osas Maima jääksoos ning vahetult korrastamisele järgnenud 2 väga põuast suve Ess-soos. Aladel kus turbasambla fragmente ei laotatud, iseseisvalt turbasamblaid kasvama hakanud ei ole. Samuti on sambla fragmentide laotamisega aladel

rohkem rabale iseloomulikke liike. Esimeste aastate tulemused näitavad, et samblafragmentide laotamise teel korrastatavate jääksoode puhul taimestuvad nii üleujutatavate kui põuast mõjutatud aladel kiiremine lausaliselt täidetud kraavidega alad, aga pikemas ajaskaalas ei pruugi see kehtida. Ka pinnaspaisudega kraavide kallastel laieneb taimestik. Kriitiline on siiski sobilik veetaseme vahemik ja suvine niiskuse olemasolu, see sõltub aga nii võimalikust külgnevast tagamaast kui konkreetsete aastate ilmastikust. Drooniseire on väga tõhus abivahend korrastatava alaseisundi eelnevaks kaardistamiseks, seirealade optimaalseks valikuks, allikaliste alade tuvastamiseks, pinnaspaisude lekete avastamiseks ning ligikaudseks pinnase niiskuse määramiseks. Taimkatte kaardistamiseks on võimalik kasutada k-means klasterdamisel põhinevat lähenemist koos välitööde käigus klassidele sisu andmisega või suure õpetusandmestiku olemasolul masinõppe meetodil (random forest, bagging jmt). Pikaajalise homogeense aegrea saavutamine taimkatte dünaamika kaardistamiseks on väga kallis (tehniliselt ning tööjõukulult), aeganõudev ja keeruline, mida omakorda mõjutab tehnoloogia kiire areng ning sensorite muutus. Satelliidiseire on jääksoode korrastamise tulemuslikkuse jälgimiseks asjakohane, kuid kasutegur on suurem pika seireperioodi puhul. Lühikese perioodi puhul jääb muutuste suhtes väga tundliku jääksoo dünaamika oluliselt kiiremaks (nt. veetasemete muutus ja üleujutatavate alade ulatus) kui pilvevabade piltide saamine satelliitidelt. Samuti eeldab selline seire suuremate seireruutude rakendamist maapealses seires, et andmestik oleks võrreldav piksli suurusega. Paljude klassikaliste indeksite kasutamise muudab keeruliseks ka jääksoodele sagedane olukord, kus taimede vahelt paistab vesi, mitte maapind. See raskendab ka muidu pilvedest vähem mõjutaud radari andmestiku kasutamist. Dendrokronoloogia abil on võimalik näha turbaväljade rajamisega kaasnevaid mõjusid, raskustega luua kronoloogiaid jääksoos kasvavate puude osas (puud erivanuselised ja seega muutuva nooruskasvuga ning samaaegselt kiire keskkonnatingimuste muutusega), aga veetaseme tõstmise avaldumise tuvastamiseks ei ole 3-4 aastat piisav. Männid jätavad ebasoodsates tingimustes aastarõngaid vahele ja seega nii lühikesed perioodid ei allu kronoloogia loomisele. Lahustunud orgaanilise süsiniku ja lämmastiku kontsentratsioonid korrastamisjärgselt küll kuni kaheks aastaks tõusid, kuid selgusetu on seos ilmastiku (kuumad põuased suved) ja korrastamistööde osakaalu osas. Ärakanne on aga tagasihoidlik kuna vee äravoolu esineb uuritud aladel 2-4 kuud aastas ja needki madalama kontsentratsiooniga hilissügisel ja varakevadel. Vooluhulga ja kontsentratsiooni järgi hinnates on süsiniku ärakanne DOC kujul jääksoodest vahemikus 62-87 kg/ha*aastas. Lagunemiskatse esmased tulemused näitavad, et peamine massikadu toimub väga kiiresti esimese aasta jooksul ning selles mängib omakorda suurimat rolli esimeste kuude jooksul leostumiskadu. Veetase ja taimestik mõjutavad lagunemist oluliselt. Erinevate taimsete materjalide (varis, peenjuured, erinevad liigid) lagunemiskatsete tulemused selguvad kolme aasta pärast.

7. PROJEKTIGA HAAKUVAD TEADUSTEEMAD, GRANDID, DOKTORI- JA MAGISTRITÖÖD, JÄRELDOKTORITE UURIMISTEEMAD, LEPINGUD: Teavitustegevus: Lühiartikkel projekti eesmärkidest Eesti Loodus 8/2017, lk. 5. http://www.eestiloodus.ee/arhiiv/Eesti_Loodus08_2017.pdf ja Rahvusvahelise Märgalade Kaitse Grupi kuukirjas IMCG Bulletin, June, 2017 pp. 13-14 http://www.imcg.net/media/2017/imcg_bulletin_1706.pdf. 04.10.2017 TÜ geograafia osakonna seminar projekti eesmärgi ja hetkeseisu tutvustamiseks ning võimalike täiendavate huviliste (omafinantseeringu korras) kaasamine ülikooli teistest uurimisgruppidest. 18.-19.oktoober 2017 Toilas Keskkonnaministeeriumi turbaümarlaual projekti eesmärgi ja hetkeseisu tutvustamine. Suuline ettekanne: A. Kull & G. Veber, Abandoned peat extraction sites – will future be wetter and better? 10.-12.10.2018 Tartu, 18th Baltic Peat Producers Forum. Jääksoode korrastamisega seonduvat on laiema üldsuse teavitamiseks käsitletud populaarteaduslikus väljaandes "Samblasõber" nr 23, 2020, lk 10-15: https://sisu.ut.ee/sites/default/files/samblasober/files/samblasober_23_0.pdf Esinemine ERR Aktuaalne Kaamera, Osoon ja Vikerraadios intervjuudega.

Magistritööd ja doktoritööd Ott Toomsalu, 2019. Jääksoodes toimuvate muutuste analüüsimine LiDAR andmetel. Magistritöö. Kaitsutud Tartu Ülikooli geograafia osakonnas. https://dspace.ut.ee/handle/10062/65031 MarjanSadat Barekaty, 2021. Compare the performance of applying Machine Learning concepts to landcover classification models using very high-resolution UAV data. Magistritöö. Kaitsutud Tartu Ülikooli geograafia osakonnas. https://dspace.ut.ee/handle/10062/72820 Kärt Erikson, 2022. Veerežiimi häiringute ja ilmastiku mõju hariliku männi (Pinus sylvestris L.) radiaalsele juurdekasvule Lehtmetsa soo näitel. Magistritöö. Kaitsutud Tartu Ülikooli geograafia osakonnas. https://dspace.ut.ee/handle/10062/82873 Tauri Tampuu doktoritöö: Application of spaceborne SAR polarometry and interferometry for landscape ecological studies in bogs (Tartu Ülikool, kaitstud 2022.a. augustis). Artiklid Birgit Viru, Gert Veber, Jaak Jaagus, Ain Kull, Martin Maddison, Mart Muhel, Alar Teemusk, and Ülo Mander, 2017. Winter nitrous oxide and methane emissions from drained peatlands. Geophysical Research Abstracts, Vol. 21, EGU2019-15964. The abstract identification number EGU2019-15964. https://meetingorganizer.copernicus.org/EGU2019/EGU2019-15964.pdf?pdf Tampuu, Tauri; Praks, Jaan; Uiboupin, Rivo; Kull, Ain (2020). Long Term Interferometric Temporal Coherence and DInSAR Phase in Northern Peatlands. Remote Sensing, 12 (10), ARTN 1566. DOI: 10.3390/rs12101566 Tampuu, T.; Praks, J.; Kull, A. (2020). Insar Coherence for Monitoring Water Table Fluctuations in Northern Peatlands. International Geoscience and Remote Sensing Symposium (IGARSS). IGARSS, 4738−4741. DOI: 10.1109/IGARSS39084.2020.9323709 Burdun, Iuliia; Kull, Ain; Maddison, Martin; Veber, Gert; Karasov, Oleksandr; Sagris, Valentina; Mander, Ülo (2021). Remotely Sensed Land Surface Temperature Can Be Used to Estimate Ecosystem Respiration in Intact and Disturbed Northern Peatlands. Journal of Geophysical Research Biogeosciences, 126 (11), e2021JG006411. DOI: 10.1029/2021JG006411 T. Tampuu, J. Praks, A. Kull, R. Uiboupin, T. Tamm, K. Voormansik (2021).Detecting peat extraction related activity with multi-temporal Sentinel-1 InSAR coherence time series. International Journal of Applied Earth Observation and Geoinformation,Vol. 98,102309, https://doi.org/10.1016/j.jag.2021.102309 Tampuu, Tauri; De Zan, Francesco; Shau, Robert; Praks, Jaan; Kohv, Marko; Kull, Ain (2022). Can Bog Breathing be Measured by Synthetic Aperture Radar Interferometry. 2022-July, 16−19. DOI: 10.1109/IGARSS46834.2022.9883421. Kull, Anne; Kikas, Tambet; Penu, Priit; Kull, Ain (2023). Modeling Topsoil Phosphorus—From Observation-Based Statistical Approach to Land-Use and Soil-Based High-Resolution Mapping. Agronomy, 13 (5), 1183. DOI: 10.3390/agronomy13051183 Palviainen, M., Könönen, M., Peltomaa, E., Pumpanen, J., Ojala, A., Hasselquist, E., Laudon, H., Ostonen, I., Renou-Wilson, F., Kull, A., Veber, G., Mosquera, V., and Laurén, A.: Processes affecting lateral carbon fluxes from drained forested peatlands, EGU General Assembly 2023, Vienna, Austria, 24–28 Apr 2023, EGU23-6367, https://doi.org/10.5194/egusphere-egu23-6367, 2023. Tampuu, T.; Praks, J.; De Zan, F.; Kohv, M.; Kull, A. (2023). Relationship between ground levelling measurements and radar satellite interferometric estimates of bog breathing in ombrotrophic northern bogs. Mires and Peat, 29, 1−28. DOI: 10.19189/MaP.2022.OMB.Sc.1999815

8. Projekti juht (nimi): Ain Kull

Allkiri: allkirjastatud digitaalselt

Kuupäev: allkirjastatud digitaalselt

9. Taotleja allkirjaõigusliku esindaja kinnitus aruande õigsuse kohta (nimi, amet): Ain Kull, kaasprofessor

Allkiri: allkirjastatud digitaalselt

Kuupäev: allkirjastatud digitaalselt

NB! Aruanne esitada elektrooniliselt aadressil [email protected]

1. Introduction Peatlands cover only ∼3% of the global land area (J. Xu et al., 2018), but they store 21% of global terres- trial soil carbon (C) (Scharlemann et al.,  2014), which is double the amount in the world's forests (Pan et al., 2011). Approximately 80% of peatland C stock is stored in peatlands north of 45°N (Yu et al., 2010). Historically, intact northern peatlands have acted as a vast C sink with an estimated average rate of C accu- mulation of 18.6 g/m2 per year (Yu, 2011).

Intact peatlands bind atmospheric CO2 as C within peat (Clymo et al., 1998; Salm et al., 2012). However, peatlands also lose C through CH4 emissions due to shallow (ground-) water table depths (WTDs) and anox- ic conditions in the peat layer (Waddington & Roulet, 2000). CH4 has a more significant radiative efficiency than CO2 but a much shorter lifetime in the atmosphere (Change, 2013). Therefore, over a millennial time

Abstract Remotely sensed land surface temperature (LST) enables global modeling and monitoring of CO2 fluxes from peatlands. We aimed to provide the first overview of the potential for using LST to monitor ecosystem respiration (Reco) in disturbed (drained and extracted) peatlands. We used chamber- measured data (2017–2020) from five disturbed and two intact northern peatlands and LST data from Landsat 7, 8, and MODIS missions. First, we studied the strength of the relationships between fluxes and their in situ drivers (i.e., thermal and moisture conditions). Second, we examined the association between LST and in situ temperatures. Third, we compared chamber-measured Reco with the modeled Reco driven by in situ measured water table depth and (a) in situ measured surface temperature and (b) remotely sensed MODIS LST data. In situ temperatures were a stronger driver of CO2 fluxes in disturbed sites (repeated measures correlation rmR = 0.8–0.9) than in intact ones (rmR = 0.5–0.8). LST had a higher association with in situ measured temperatures in disturbed sites (mean rmR = 0.79 for MODIS) and weaker in the intact (hummocks and hollows) peatlands (mean rmR = 0.38 for Landsat and 0.48 for MODIS). Reco models driven by MODIS LST and in situ surface temperature yielded similar accuracy: R2 was 0.27, 0.66, and 0.67 and 0.29, 0.70, and 0.66 for intact and for drained and extracted sites, respectively. Overall, these findings suggest the applicability of LST as a proxy of the thermal regime in Reco models, particularly for disturbed peatlands.

Plain Language Summary Organic carbon (C) in the peat layer of peatlands has been accumulating for thousands of years. Under anthropogenic impacts, such as drainage for forestry, agriculture, or peat extraction, peatlands start releasing the accumulated C back into the atmosphere as CO2 and CH4 much faster than historical rates of C accumulation. CO2 and CH4 are the potent greenhouse gases that lead to climate warming. The thermal regime is among the main factors controlling CO2 and CH4 fluxes in peatlands. In this study, we demonstrated the potential of satellite thermal data for monitoring CO2 fluxes from intact and disturbed peatlands. We used a long-term (2017–2020) data set of CO2 data measured in seven Estonian peatlands. The thermal regime explains CO2 fluxes. Also, satellite thermal data better represent both the thermal regime and CO2 fluxes in disturbed rather than in intact peatlands. Furthermore, we modeled CO2 fluxes from natural and disturbed peatlands: first, with thermal data measured in the field, and second, with satellite thermal data. Both models yielded similar prediction accuracy, which suggests that satellite thermal data have the potential to be used for modeling CO2 fluxes from peatlands with a varying level of disturbance.

BURDUN ET AL.

© 2021. American Geophysical Union. All Rights Reserved.

Remotely Sensed Land Surface Temperature Can Be Used to Estimate Ecosystem Respiration in Intact and Disturbed Northern Peatlands Iuliia Burdun1 , Ain Kull1 , Martin Maddison1 , Gert Veber1, Oleksandr Karasov1 , Valentina Sagris1 , and Ülo Mander1

1Department of Geography, Institute of Ecology & Earth Sciences, University of Tartu, Tartu, Estonia

Key Points: • Temperature is a stronger driver of

CO2 fluxes in disturbed peatlands compared with intact ones

• Remotely sensed land surface temperature (LST) is a strong predictor of in situ thermal conditions in disturbed peatlands

• Remotely sensed LST has a great potential for modeling ecosystem respiration in disturbed peatlands

Supporting Information: Supporting Information may be found in the online version of this article.

Correspondence to: I. Burdun, [email protected]

Citation: Burdun, I., Kull, A., Maddison, M., Veber, G., Karasov, O., Sagris, V., & Mander, Ü. (2021). Remotely sensed land surface temperature can be used to estimate ecosystem respiration in intact and disturbed northern peatlands. Journal of Geophysical Research: Biogeosciences, 126, e2021JG006411. https://doi.org/10.1029/2021JG006411

Received 21 APR 2021 Accepted 14 OCT 2021

Author Contributions: Conceptualization: Iuliia Burdun, Ain Kull, Martin Maddison, Valentina Sagris, Ülo Mander Data curation: Iuliia Burdun, Ain Kull, Martin Maddison, Gert Veber Formal analysis: Iuliia Burdun, Martin Maddison Funding acquisition: Ülo Mander Investigation: Iuliia Burdun, Ain Kull, Martin Maddison, Gert Veber, Oleksandr Karasov, Valentina Sagris, Ülo Mander Methodology: Iuliia Burdun, Ain Kull, Martin Maddison, Gert Veber, Oleksandr Karasov, Ülo Mander Project Administration: Ain Kull, Ülo Mander Resources: Ain Kull, Valentina Sagris, Ülo Mander Software: Iuliia Burdun

10.1029/2021JG006411 RESEARCH ARTICLE

1 of 19

Journal of Geophysical Research: Biogeosciences

BURDUN ET AL.

10.1029/2021JG006411

2 of 19

scale, intact peatlands have a cooling effect on the Earth's climate, despite being a source of CH4 (Günther et al., 2020).

Over the past three centuries, human activity and a warming climate have lowered WTD in peatlands, leading to the oxidation of the peat layer (Kotta et al., 2018; Leifeld et al., 2019; Regan et al., 2019; Swindles et al., 2019). In drained peatlands, the groundwater level has fallen and such peatlands consequently have a thicker aerobic layer. In extracted peatlands, in addition to increased drainage, the vegetation layer has also been removed. Under warmer oxic conditions, the peat layer decomposes and releases accumulated C as CO2 (Hanson et al., 2020; Rinne et al., 2020; Salm et al., 2009; Waddington et al., 2001). The rate of C loss can be 4.5–18 times faster than historical rates of C accumulation (Hanson et al., 2020). Currently, disturbed peatlands account for up to 10% of the global anthropogenic CO2 emissions annually (Leifeld & Menichetti, 2018). Hence, disturbed peatlands are a significant source of CO2 and have a long-term impact on climate warming (Leifeld et al., 2019; Ojanen et al., 2013). Notably, because of the CO2 emissions from disturbed peatlands, the global peatland biome is expected to shift from sink to source in this century (Leif- eld et al., 2019; Loisel et al., 2021).

CO2 exchange, particularly ecosystem respiration (Reco), strongly depends on the climatic conditions of dis- turbed peatlands, including soil and air temperatures (Lloyd & Taylor, 1994; Maljanen et al., 2010; Veber et al., 2018). For example, a temperature-dependent function is widely used to model spatial and temporal Reco from intact and disturbed peatlands (Alm et al., 2007; Bubier et al., 2003; Järveoja et al., 2020; Lafleur et al., 2001). In previous studies, C fluxes were shown to have positive exponential relationships with peat temperatures at different depths, including −20 cm (Helbig et al., 2019), −10 cm (Davidson et al., 2019), and −5 cm (Acosta et al., 2017), as well as with surface temperature (X. Huang et al., 2021). However, owing to a limited spatial coverage of in situ temperature measurements, the modeling of C fluxes is only possible at the plot scale. To overcome this limitation, remotely sensed parameters, including land surface temperature (LST), have been applied to allow a global modeling of Reco in peatlands (Lees et al., 2018).

Rahman et al. (2005) were among the first researchers to apply remotely sensed data for Reco modeling. They found that MODIS LST had an exponential relationship with Reco over the wide range of North American land covers, and furthermore, this relationship varied between land covers. Later, Kimball et al. (2009) de- veloped a terrestrial C flux model driven by remotely sensed inputs for boreal biomes; however, none of the validation sites were located in peatland. Subsequently, remotely sensed data were actively used to model C fluxes mainly for forest land covers (Crabbe et al., 2019; N. Huang et al., 2014, 2015; Jägermeyr et al., 2014; Olofsson et al., 2008; Tang et al., 2011; Wu et al., 2014; Xiao et al., 2010). The major part of these studies uti- lized MODIS data with a coarse spatial resolution (1 km for LST and 250 and 500 m for vegetation indices) with C data measured at eddy covariance towers and by chambers. So far, we know of only two studies that have utilized remotely sensed data of a higher spatial resolution, 30 m (Landsat), for CO2 fluxes estimation. The first study was conducted over beech forest (Crabbe et al., 2019) and the second, over forested peatland (C. Xu et al., 2020).

The relationships between Reco and remotely sensed LST in peatlands have received much less research attention than other ecosystems. Schubert et al. (2010) reported strong relationships between MODIS LST and Reco in different types of peatlands, including bog (precipitation fed) and fen (additionally fed with groundwater and sometimes surface runoff). Later, Y. Gao et al. (2015) and Ai et al. (2018) developed mod- els for Reco simulation driven by MODIS LST and enhanced vegetation index (EVI). Those models were vali- dated over large areas and diverse land covers, including marshes and wetlands, and both studies supported the existence of a strong relationship between Reco and LST. More recently, Park et al. (2020) and Junttila et al. (2021) applied MODIS LST to estimate Reco in tropical and northern peatlands, respectively. The case study on northern peatlands only included five peatlands (four fens and one bog), yet it demonstrated that the performance of LST varies between peatland types (Junttila et al., 2021).

Despite the progress made in estimating Reco with remotely sensed data, much uncertainty remains regard- ing the strength of the relationships between Reco and LST in disturbed (drained and extracted) peatlands. To our knowledge, no study has specifically addressed the applicability of LST for modeling CO2 fluxes in such peatlands. We present the first attempt to fill this knowledge gap to tap into the potential of remotely sensed LST, which is especially urgent, given the need to manage substantial CO2 emissions from disturbed

Supervision: Valentina Sagris, Ülo Mander Validation: Iuliia Burdun, Ain Kull, Gert Veber, Oleksandr Karasov Visualization: Iuliia Burdun Writing – original draft: Iuliia Burdun Writing – review & editing: Iuliia Burdun, Ain Kull, Martin Maddison, Gert Veber, Oleksandr Karasov, Valentina Sagris, Ülo Mander

Journal of Geophysical Research: Biogeosciences

BURDUN ET AL.

10.1029/2021JG006411

3 of 19

peatlands. This article aims to quantitatively assess relationships between Reco and remotely sensed LST in disturbed and intact northern peatlands. We evaluated the applicability of LST for Reco modeling in compar- ison with in situ measured surface temperature. Overall, we used Reco data from seven Estonian peatlands. Five of these peatlands experienced peat extraction activity and water drainage in the past, while the other two peatlands are natural bog sites. Flux data were measured using closed chambers during the snow-free period in March–November (2017–2020). We studied relationships between in situ measured temperatures and LST data from MODIS Terra, Landsat 7, and Landsat 8 satellites. Finally, we examined the applicability of MODIS LST for Reco modeling and compared the performance of this model with the model using in situ measured surface temperature.

2. Materials and Methods 2.1. Study Area

We collected Reco data in seven boreal peatlands (Figure 1) with various drainage conditions (Table 1) in Es- tonia. In addition to CO2 data, we measured CH4 fluxes (Burdun et al., 2021). The study area has a temperate climate with the long-term (1991–2020) mean annual temperature and precipitation of 7°C and 662 mm, respectively (Estonian Weather Service, 2021). Figure 1 shows the location of study peatlands (upper panel) and zoomed-in orthophotos for each peatland (bottom panels).

Ess-soo bog in southwest Estonia is of limnogenic origin. Its peat layer varies from 4 to 6 m, but in an aban- doned (in 1994) milled peat extraction site, it varies from 2 to 4 m. Vegetation cover in the abandoned milled

Figure 1. The study area includes seven boreal peatlands located in Estonia. The main panel shows a true-colored cloudless mosaic of Landsat 8 obtained in the summer of 2018. The lower small panels show the locations of sites where ecosystem respiration was measured. Orthophotos for the summers of 2019 and 2020 are presented in the lower small panels (Estonian Land Board, 2020).

Journal of Geophysical Research: Biogeosciences

BURDUN ET AL.

10.1029/2021JG006411

4 of 19

peat extraction area is sparse and is dominated by Eriophorum vaginatum, Calluna vulgaris, Empetrum nigrum, Vaccinium uliginosum, Polytrichum strictum, Betula pubescens, and Pinus sylvestris.

The Kildemaa study site in the northern part of Kõrsa bog comprises an abandoned milled peat production site (remaining peat layer depth 0.8–2 m). A densely drained part of the bog was prepared for peat extraction but abandoned before extraction began (peat deposit up to 3 m). The extracted site is sparsely vegetated with

Sampling site Peatland condition

Number of chambers (ch.) and microtopographic units Dominant species Lat. Long.

Ess-soo

Ess-soo 0 Extracted 4 ch. Eriophorum vaginatum, Calluna vulgaris, Vaccinium uliginosum, Polytrichum strictum, Betula pubescens, and Pinus sylvestris

57.914 26.697

Ess-soo 1 Extracted 3 ch. Eriophorum vaginatum, Calluna vulgaris, Vaccinium uliginosum, Polytrichum strictum, Betula pubescens, and Pinus sylvestris

57.914 26.697

Ess-soo 2 Extracted 3 ch. Oxycoccus palustris, Empetrum nigrum, Vaccinium uliginosum, Polytrichum strictum, Eriophorum vaginatum, and Calluna vulgaris

57.913 26.687

Kildemaa

Kildemaa 1 Extracted 3 ch. Eriophorum vaginatum, Calluna vulgaris, Rhynchospora alba, Betula pubescens, and Pinus sylvestris

58.427 24.786

Kildemaa 2 Drained 3 ch. Calluna vulgaris, Ledum palustre, Polytrichum strictum, Andromeda polifolia, and Pinus sylvestris

58.424 24.784

Kõima

Kõima 1 Drained 3 ch. Various Sphagnum species, Calluna vulgaris, Ledum palustre, Rubus chamaemorus, Andromeda polifolia, and Pinus sylvestris

58.617 24.233

Kõima 2 Natural 3 ch. at lawn Various Sphagnum species, Calluna vulgaris, Andromeda polifolia, and Pinus sylvestris

58.614 24.239

Laiuse

Laiuse 0 Extracted 4 ch. Polytrichum strictum, Eriophorum vaginatum, Calluna vulgaris, Betula pubescens, and Pinus sylvestris

58.790 26.528

Laiuse 1 Extracted 3 ch. Polytrichum strictum, Eriophorum vaginatum, Calluna vulgaris, and Pinus sylvestris

58.790 26.528

Laiuse water Extracted 1 floating ch. 58.789 26.529

Linnussaare

Linnussaare Natural 3 ch. at hollows, 3 ch. at hummocks, 1 floating ch. in

pool

Various Sphagnum species, Ledum palustre, Vaccinium uliginosum, Calluna vulgaris, and Pinus sylvestris

58.878 26.219

Maima

Maima 1 Extracted 3 ch. Eriophorum vaginatum, Calluna vulgaris, Oxycoccus palustris, Vaccinium uliginosum, Betula pubescens, and Pinus sylvestris

58.599 24.379

Maima 2 Extracted 3 ch. Eriophorum vaginatum, Rhynchospora alba, Calluna vulgaris, and Pinus sylvestris

58.596 24.370

Männikjärve

Männikjärve 1 Natural 2 ch. at hollows, 2 ch. at hummocks Various Sphagnum species, Calluna vulgaris, Chamaedaphne calyculata, Rhynchospora alba, Ledum palustre, Oxycoccus microcarpus, and Pinus sylvestris

58.874 26.254

Männikjärve 2 Natural 2 ch. at hollows, 2 ch. at hummocks Various Sphagnum species, Calluna vulgaris, Oxycoccus microcarpus, Carex, and Pinus sylvestris

58.876 26.249

Männikjärve 3 Natural 2 floating ch.in pool, 2 ch. at hummocks

Various Sphagnum species, Calluna vulgaris, Oxycoccus microcarpus, and Pinus sylvestris

58.876 26.247

Table 1 Overview of Peatland Sites

Journal of Geophysical Research: Biogeosciences

BURDUN ET AL.

10.1029/2021JG006411

5 of 19

E. vaginatum, C. vulgaris, Rhynchospora alba, B. pubescens, and P. sylvestris, while the drained part is dense- ly covered with dwarf pines (P. sylvestris), C. vulgaris, Ledum palustre, lichens, and mosses.

Kõima and Maima peatlands belong to the Lavassaare bog complex, where the peat deposit depth reaches 7.5 m. The Kõima study site covers a former peat extraction site and an adjacent nearly pristine reference site in the northwest part of Kõima bog. Peat was extracted by cutting the peat into blocks with a machine or by hand. The extraction site was abandoned in the 1980s and left for natural recovery. Ditches and de- pressions are mainly recovered with Sphagnum species and drained unexcavated parts are covered with C. vulgaris, L. palustre, Rubus chamaemorus, Andromeda polifolia, and P. sylvestris. In Maima, milled peat extraction took place until the 1990s, when it was abandoned. Currently, the site is only sparsely vegetated with E. vaginatum, C. vulgaris, Oxycoccus palustris, V. uliginosum, B. pubescens, and P. sylvestris.

Laiuse bog is of limnogenic origin and is situated between drumlins. Mining activity ceased there in 1996, and the peatland was left for natural regeneration. The northern part is partly covered with P. strictum, E. vaginatum, C. vulgaris, B. pubescens, and P. sylvestris, while the southern part has been flooded due to beaver activity since 2013.

Linnussaare and Männikjärve bogs belong to the Endla Nature Reserve and are included in the Ramsar List of Wetlands of International Importance (no. 907). These peatlands are of limnogenic origin; their peat layer varies from 4 to 7 m and consists of residuals of Sphagnum, Bryales, Carex, and Pinus (Sillasoo et al., 2007). Vegetation includes dwarf pines (P. sylvestris), grasses and dwarf shrubs (C. vulgaris, E. vagina- tum, Chamaedaphne calyculata, A. polifolia, R. alba, L. palustre, Oxycoccus microcarpus, and O. palustris), and a wide variety of Sphagnum mosses (Sphagnum fuscum, Sphagnum balticum, Sphagnum magellani- cum, and Sphagnum rubellum) (Burdun, Bechtold, Sagris, Komisarenko, et al., 2020).

2.2. Field Measurements of CO2, CH4, WTD, and Soil Temperature

We measured Reco (CO2) with CH4 fluxes with the closed-chamber method (Hutchinson & Livingston, 1993) during the snow-free period (March–November) in 2017–2020. Each chamber was measured multiple times over the growing season, although this varied between sites (see Figure 2 for further details). Chambers (40- cm height, 50-cm diameter, and 65-L volume) were made of white polyvinyl chloride (PVC) to minimize their heating. The chambers were sealed with water-filled PVC collars (20 cm depth) on the peat surface. Each sampling site had replicates (Table 1) and was instrumented with piezometers (perforated pipes with 5-cm diameter and up to 1.5-m length). We sampled gas using pre-evacuated (0.3 mbar) glass vials (50-mL volume) every 20 min during a 1-hr session. Later, the gas concentration in vials was measured using a Shimadzu GC-2014 gas chromatography system equipped with an electron capture detector and a flame ionization detector. WTD was measured in piezometers on the same days that gas samples were collected. Negative numbers for WTD data indicate a water table position below the peat surface, while positive num- bers indicate flooding above the peat surface. In addition to WTD, we measured soil temperature at depths −10 cm (T10), −20 cm (T20), −30 cm (T30), and −40 cm (T40) and at the surface (T0).

2.3. Flux Calculation

Fluxes of CO2 and CH4 were calculated from the linear change in gas concentration in a chamber at 20-min intervals. We adjusted gas concentration by the surface area enclosed by collar and chamber volume. After- ward, we filtered out samples with a determination coefficient (R2) of the linear fit <0.95 (p-value < 0.01) except for the samples with fluxes changes below the gas-chromatographer accuracy (20 ppm for CO2 and 20 ppb for CH4). Additionally, we filtered out CH4 values higher than 30,000 μg C m−2 h−1 interpreted as ebullition fluxes. For the final analyses, we calculated the average CO2 and CH4 fluxes across replicates in each sampling position (Table 1). The flux data were grouped by peatlands' conditions and microtop- ographic characteristics, creating five groups: flooded sites (data from floating chambers in Männikjärve 3, Linnussaare, and Laiuse water), hollows (Männikjärve 1, Männikjärve 2, and Linnussaare), hummocks (Männikjärve 1 to Männikjärve 3, Linnussaare, and Kõima 2), drained sites (Kõima 1 and Kildemaa 2), and extracted sites (Ess-soo 0 to Ess-soo 2, Kildemaa 1, Laiuse 0, Laiuse 1, Maima 1, and Maima 2). Figure 2 shows the time series of CO2 and CH4 fluxes in 2017–2020 for those five groups.

Journal of Geophysical Research: Biogeosciences

BURDUN ET AL.

10.1029/2021JG006411

6 of 19

2.4. Landsat and MODIS LST

We calculated LST from Landsat 7 and Landsat 8 data in the Google Earth Engine (GEE) online platform using open-source code by Ermida et al. (2020). This LST retrieval algorithm utilizes Landsat thermal infra- red and optical data (to derive the normalized difference vegetation index, NDVI), total column water vapor values from NCEP/NCAR reanalysis data, and the ASTER GEDv3 data set to estimate surface emissivity. All these data sets are freely available in GEE (Gorelick et al., 2017).

The field sampling was carried out on the days when Landsat 7 or Landsat 8 passed over the study area. Be- cause of cloudy weather conditions, we had to mask out many LST pixels around the sampling sites. Thus, we decided to calculate the median Landsat LST value over each peatland for each time scene (Figure 3). This decision not only increased data availability for analyses, but it also introduced uncertainty since Land- sat LST values can vary up to 6°C within one peatland (Figure S1 in Supporting Information S1).

MODIS aboard Terra provides MOD11A1 daily LST at a 1-km spatial resolution (Wan et  al.,  2015). We masked pixels covered with clouds and shadows using the quality control band, which is included in the

Figure 2. Time series of CO2 and CH4 fluxes: one time measured values (marks) and averaged for each day (bars) for flooded sites (a and f), hollows (b and g), hummocks (c and h), drained (d and i), and extracted sites (e and j).

Journal of Geophysical Research: Biogeosciences

BURDUN ET AL.

10.1029/2021JG006411

7 of 19

MOD11A1 data set in GEE. As with Landsat LST data, we calculated the MODIS LST value as a median across all pixels that cover peatland for each time scene. MODIS LST values accorded well with Landsat LST values (Figure S2 in Supporting Information S1). Nevertheless, the slope of relationships between MODIS LST and Landsat LST varies from 0.778 to 0.887 for different peatlands. This means that under warmer conditions (>15°C), Landsat LST values are higher in comparison with MODIS LST values, and vice versa under cooler conditions: lower Landsat LST values in comparison with MODIS LST values.

In this study, we used remotely sensed MODIS data with a coarse spatial resolution and aggregated Landsat data. The use of these data leads to uncertainty regarding the spatial variation of LST data within the study peatlands. This uncertainty, in turn, raises the problem of representativeness of the LST values for the loca- tion where Reco was measured. Mainly, this problem affects the sites with several types of land management (Kõima and Kildemaa) and sites with a high spatial variation of Landsat LST values (Ess-soo and Maima, Figure S1 in Supporting Information S1). Therefore, we acknowledge the bias arising from our data sources, while noting that this is offset by the long time-series availability and a high temporal resolution that are more critical within the scope of our study.

Figure 3. Time series of MODIS land surface temperature (LST) median (yellow circles), Landsat LST median values (blue circles), and Landsat LST standard deviation within peatland area (blue error bars) in Ess-soo (a), Kildemaa (b), Kõima (c), Laiuse (d), Linnussaare (e), Maima (f) and Männimjärve (g) peatlands.

Journal of Geophysical Research: Biogeosciences

BURDUN ET AL.

10.1029/2021JG006411

8 of 19

The final numbers of Landsat and MODIS images were, respectively, 167 and 420 for Ess-soo, 88 and 387 for Kildemaa, 131 and 387 for Kõima, 78 and 302 for Laiuse, 111 and 441 for Linnussaare, 95 and 379 for Maima, and 98 and 372 for Männikjärve (Figure 3).

2.5. Reco Modeling

We modeled Reco following the approach developed by Lloyd and Taylor (1994) and modified by Tuittila et al. (2004). We utilized a model adjusted by Gaussian curve functions of a second term that account for additional WTD and phenological phase effects (Equation 1) as in previous reports (Järveoja et al., 2016; Riutta et al., 2007):

                          

2 2Pp Pp WTD WTDopt opt1 1 0.5 0.50 Pp WTDtol tolref min min eco ref ,

E T T T TR R e e e

(1)

where Rref (mg CO2 m −2 h−1) is the respiration rate at 10°C, E0 (K) denotes temperature sensitivity, Tref (°C) is

a reference temperature set at 10°C, Tmin (°C) is temperature minimum at which respiration reaches zero set at −46.021°C, T is field-measured surface temperature, Pp (day) denotes the days in a phenological phase that starts in spring when the daily average air temperature is above 5°C (Jaagus & Ahas, 2000), Ppopt (day) denotes the optimal day for maximum Reco from the beginning of vegetation period, Pptol (day) is a vegeta- tion period tolerance for maximum Reco, and WTDopt (cm) is an optimal soil water level for respiration and WTDtol (cm) denotes the soil water-level tolerance (deviation from the optimum at which Reco is 61% of its maximum).

Parameters utilized in Equation 1 were fitted with a Microsoft Excel Solver tool for calculation of the eco- system respiration CO2-response curve (Lobo et al., 2013). First, we derived the parameters utilizing surface temperature (T0) as T in Equation 1 for each sampling site separately and summarized them by groups (intact, drained, and extracted sites) as in a previous study (Turetsky et al., 2014). In doing so, we aimed to explore the intergroup variability of the fitted parameters. Afterward, we derived one set of fitted param- eters using T0 for each of the three groups. In this way, we attempted to test the applicability of our model to estimate the Reco for the specific peatland group, regardless of the spatial variability within each group (Olofsson et al., 2008; Wu et al., 2014; Xiao et al., 2010). After we estimated Reco for specific peatland groups using T0 data, we modeled Reco with MODIS LST data utilizing the same T0-based fitted parameters. In this way, we assessed the interchangeability of in situ temperature and LST for Reco modeling.

2.6. Statistical Analysis

Statistical analysis was performed in R software (R Core Team, 2020). We averaged the collar flux data for replicates at each site (Table  1) for further statistical analysis to avoid pseudoreplication. Furthermore, we applied principal component analysis (PCA) to derive information about the relationships among all variables measured in situ and cluster data, depending on the relevance of different variables for four stud- ied groups, namely hummocks, hollows, and drained and extracted sites. Before PCA, the variables were standardized to zero mean. We did not include flooded sites in PCA since we did not measure the temporal variation of WTD or water column depth in ponds. Temporal changes in the water column depth affect CH4 and CO2 fluxes from ponds (Duchemin et al., 1995; McEnroe et al., 2009); therefore, PCA without this parameter would not be representative.

To estimate the common linear associations in paired repeated measures data, we calculated repeated meas- ures correlation, rmR (Bakdash & Marusich,  2017), between CO2 and CH4 fluxes and in situ measured parameters, and between in situ temperatures, MODIS LST, and Landsat LST. The results of rmR were used to draw conclusions about the variability between data from different sampling sites but included in one group. Similar to the correlation coefficient, rmR varies from −1 to 1. However, rmR does not violate the assumption of independence of observations. Therefore, this method can be used to reveal the associations shared among individual observations in the aggregated data set. We calculated rmR using the rmcorr pack- age (Bakdash & Marusich, 2017) in R software (R Core Team, 2020). Before rmR calculation, distributions of CO2 and CH4 data were normalized with Tukey's Ladder of Powers and log transformations, respectively.

Journal of Geophysical Research: Biogeosciences

BURDUN ET AL.

10.1029/2021JG006411

9 of 19

The normality of transformed data was estimated visually with quantile-quantile plots. We calculated Pear- son correlation (R) for the data originating from one sampling site. Specifically, we provide R values between in situ temperatures and LST in the flooded site (Section 3.2) since only data from Männikjarve 3 sampling site were present. Both rmR and R were estimated with a p-value < 0.05 indicating a statistical significance.

Owing to the higher temporal resolution of the MODIS LST product compared with Landsat LST, we esti- mated rmR between Landsat LST and T0–T40 only for intact sites. For the same reason, we did not perform Reco modeling with Landsat LST data. Instead, MODIS LST was incorporated in the correlation analysis and Reco modeling for all sites. The goodness of Reco model performance was evaluated with R-squared (R2) and root-mean-square error (RMSE) statistics.

3. Results 3.1. Environmental Controls on CO2 and CH4

In Figure 4, the PCA of in situ data shows the separation between different peatland groups. The in situ data projected onto the first two principal components (PCs), which explain 78.4% of the variance in data. PC1 is correlated with temperatures and CO2 fluxes, whereas PC2 is correlated with CH4 fluxes and WTD. The distributions of intact (hummocks and hollows) and disturbed (drained and extracted) sites are well separated by high CH4 fluxes and WTD. At the same time, the distributions of all four groups show a minor separation along PC1.

To compare the relations between CO2 and CH4 fluxes and in situ measured parameters, we performed repeated measures correlation analysis. Figure 5 shows the correlation matrices for the peatland groups. The flooded sites stand out from others because their CO2 fluxes do not have any statistically significant relations with in situ parameters. However, CH4 fluxes are positively associated with water temperature. In

Figure 4. Principal component analysis for in situ measured data for hollows (blue), hummocks (green), drained (yellow), and extracted (red) sites. PC1 and PC2 correspond to the first two principal components (PCs).

Journal of Geophysical Research: Biogeosciences

BURDUN ET AL.

10.1029/2021JG006411

10 of 19

other groups, CO2 fluxes have weak to strong rmR with temperatures and WTD. In hollows and hummocks, CO2 fluxes have higher rmR values with surface and soil temperatures than with WTD. Both hollows and hummocks show higher rmR with CO2 fluxes for upper soil layers. It is further noteworthy that rmR values between CO2 fluxes and T0–T40 in drained and extracted sites are higher than those in intact sites. The high- est rmR values for CO2 fluxes are observed with T10–T30 in drained sites.

Furthermore, Figure 6 shows the relations between T0 and CO2 and CH4 fluxes for five groups. As previous- ly shown in Figure 5, CO2 fluxes are positively associated with temperature increases. Therefore, the maxi- mum values of median CO2 fluxes are observed in the summer months. In contrast, the lowest median val- ues of CO2 fluxes occur at the beginning of spring (March and April) and the end of autumn (October and November). Also, the weak negative association between CO2 fluxes and WTD is noticeable in Figures 6b– 6e. The positive association between CH4 fluxes and T0 can be seen for hollows and flooded, drained, and extracted sites (Figures 6f, 6g, 6i, and 6j). Similar to CO2, the highest median CH4 fluxes occur in summer.

3.2. LST Versus In Situ Temperatures

The profiles of temperature at different depths together with remotely sensed Landsat and MODIS LST val- ues are shown in Figure 7. We found that median peat temperatures decreased with depth; the highest tem- perature differential occurred between T0 and T10. Drained and extracted sites have high variability in peat temperature with bimodal distribution (Figures 7d and 7e). In contrast, hummocks, hollows, and flooded

Figure 5. Repeated measures correlation (rmR) between CO2 and CH4 fluxes (normalized values), water table depth (WTD), and surface (T0) and soil (T10–T40) temperatures in flooded (a), hollows (b), hummocks (c), drained (d) and extracted (e) sites. Intense red and blue colors indicate strong positive and negative rmR values, respectively. Crossed-out cells correspond to rmR values with a p-value > 0.05.

Journal of Geophysical Research: Biogeosciences

BURDUN ET AL.

10.1029/2021JG006411

11 of 19

sites have lower temperature variability and are close to the normal temperature distribution at almost all depths (Figures 7a–7c). Uneven measurement campaigns over time caused the difference in temperature distributions between drained and intact sites. As it is shown in Figure 2, the field data were collected once per month from March to November in one intact site (Kõima 2), all drained and extracted sites. However, the major amount of data from intact sites was collected in Linnussaare and Männikjärve peatlands once per several weeks from May to September. Therefore, we observe fewer low temperature values for early spring and late autumn in intact sites.

In Figure 7, the LST Landsat values are, on average, higher than MODIS LST values in intact peatlands. Moreover, MODIS LST had consistently higher rmR with in situ temperatures than Landsat LST (Fig- ures 7a–7c). We expected the different performance of MODIS LST and Landsat LST since the slope of their relationships varies from 1.16 to 3.43 (Figure S2 in Supporting Information S1). However, despite the lower spatial resolution, MODIS LST demonstrated superiority over Landsat LST. The mean rmR values between in situ temperatures were 0.38 for Landsat LST and 0.47 for MODIS LST in hummocks and hollows. We further estimated rmR between LST and in situ measured temperatures. For all sites except flooded, both MODIS (Figures 7b–7e) and Landsat LST (Figures 7b and 7c) had the highest rmR with T0. It is noteworthy that rmR between LST and in situ temperatures was higher for disturbed sites than for intact ones.

Figure 6. Scatterplots of surface temperature (T0), CO2, and CH4 fluxes (circles) in flooded (a and f), hollows (b and g), hummocks (c and h), drained (d and i) and extracted (e and j) sites. Monthly fluxes and T0 averages (square shapes with month numbers) are also given with monthly standard deviations (error bars). Colors indicate the water table depth (WTD) except for flooded sites, where no WTD data are available. Inset graphs in panels (h–j) present zoomed-in areas in red rectangles. Negative numbers for WTD data indicate a water table position below the peat surface, while positive numbers indicate flooding above the peat surface.

Journal of Geophysical Research: Biogeosciences

BURDUN ET AL.

10.1029/2021JG006411

12 of 19

3.3. Modeling Reco With In Situ Measured T0 and Remotely Sensed MODIS LST

To estimate the potential of LST to be used instead of in situ measured temperatures in Reco modeling, we compared the performance of Reco models driven by T0 and by MODIS LST data (Figure S3 in Support- ing Information S1). At first, we fitted the parameters from Equation 1 utilizing T0 for each sampling site separately and summarized them according to three groups: intact, drained, and extracted sites (Table 2). By doing this, we explored the intergroup variability of the fitted parameters as well as groups' specificities.

Table 2 highlights that Reco in intact sites is characterized by the highest temperature sensitivity and the lowest flux rate at 10°C. Additionally, we observe the widest vegetation period tolerance for maximum Reco (mean 91.70 days) and the shallowest optimal WTD for intact sites. Reco in disturbed sites has much lower temperature sensitivity and deeper optimal WTD with wider WTD tolerance. It should be noted that the drained sites have the highest respiration rate at 10°C, which agrees with the data shown in Figure 6d.

After we estimated the site-specific parameters, we derived one set of fitted parameters using T0 for each of the three groups (Table 3). It is noticeable that the group-specific parameters differ from the mean values of the parameters in Table 2. First, for the intact sites, E0 value was higher in a group-specific model (Table 3) than the mean one in the site-specific models. Additionally, in the site-specific models, E0 was lower for

Figure 7. Profiles of temperature variation (boxplot) and distribution (shaded area) sensed by Landsat and MODIS, measured at the surface level (T0) and 10–40 cm depths in the peat (T10–T40) for five groups. The median values (black diamonds) for the mentioned temperatures are connected with a dashed line. Blue and orange dots represent Pearson correlation (R) and repeated measures correlation (rmR) between Landsat land surface temperature (LST) and MODIS LST, respectively, and in situ measured temperatures.

Model parameter Intact (hummock, hollow) Drained Extracted

E0 (K) 201.78 ± 23.61 109.05 ± 22.65 132.00 ± 24.38

Rref (mg CO2 m −2 h−1) 56.18 ± 6.95 121.35 ± 13.85 69.10 ± 10.73

Ppopt (day) 104.80 ± 7.11 119.25 ± 3.25 100.00 ± 3.85

Pptol (day) 91.70 ± 13.11 63.45 ± 2.25 71.70 ± 3.60

WTDopt (cm) −18.95 ± 5.18 −30.10 ± 9.30 −34.00 ± 5.82

WTDtol (cm) 30.16 ± 4.35 32.60 ± 9.00 38.70 ± 6.50

Note. Negative values of WTDopt indicate the water table position below the peat surface. WTD, water table depth.

Table 2 Mean and Standard Errors of Estimated Parameters for Ecosystem Respiration (Reco) Models Fitted for Each Sampling Site and Grouped by Peatland Conditions: Intact, Drained, and Extracted

Journal of Geophysical Research: Biogeosciences

BURDUN ET AL.

10.1029/2021JG006411

13 of 19

hollows (average 169.48 K) than for hummocks (average 234.08 K) and varied from 120.3 K (hollows at Mannikjarve 1) to 300 K (hummocks at Mannikjarve 1).

Second, the group-specific WTDopt values vary from the mean WTDopt shown in Table 2. Nevertheless, they laid within the ranges of the mini- mum and maximum values of the site-specific WTDopt. In intact sites, the site-specific WTDopt values varied from −51.8 cm (Mannikjarve 2 hum- mocks) to −6 cm (Mannikjarve 1 hummocks). A similar range of site-spe- cific WTDopt variation was observed for the drained sites: from −50.9 cm (Ess-soo 1) to −11.2 cm (Maima 2).

Finally, in group-specific models for intact and drained sites, WTDtol re- sulted in higher values than those in Table 2. This difference in WTDtol originated from merging WTD data measured at different microtopo- graphical units. The difference in surface altitude caused by hummock–

hollow microtopography resulted in a high spatial variation of WTD. As a result, the models for intact and drained groups resulted in a wide water-level tolerance. In comparison to intact sites, drained sites have a lower spatial variation of WTD caused by land subsidence.

To show the applicability of LST data for Reco modeling in intact, drained, and extracted peatlands, we com- pared the Reco modeled using (a) T0 data and (b) MODIS LST data. For modeling Reco with T0 and MODIS LST, we utilized the parameters presented in Table 3. We found that Reco values were modeled with higher accuracy for disturbed peatlands (Table 4). As shown in Figure 5, T0 has a strong relationship with CO2 flux- es in disturbed peatlands. Thus, R2 values for the model that utilized T0 were 0.75 for the whole data set and 0.70 for the days when MODIS LST data were available in drained sites. In extracted sites, those values were 0.70 and 0.66, correspondingly. Across the intact sites, R2 values were notably lower at 0.36 and 0.29. When we used MODIS LST instead of T0 in the model, we found a similar pattern: R2 was higher for the disturbed sites (0.67 in extracted sites and 0.66 in drained sites) than for the intact sites (0.27). It is worth noting that relatively high RMSE values were present in all models.

A comparison between measured and modeled CO2 fluxes reveals that we generally fail to catch the var- iability of CO2 in intact sites (Figure 8a). In particular, we observe that the modeling approach cannot be used with either T0 or MODIS LST to model CO2 fluxes higher than 100 mg C m−2 h−1 in the intact sites. Meanwhile, modeled CO2 fluxes better agreed with measured ones in disturbed sites (Figures 8b and 8c). However, some obvious outliers are noticeable for the highest CO2 fluxes for which CO2 fluxes were mod- eled with lower values. We found that those outliers were present in the model output produced with T0 as well as with MODIS LST.

Model parameter Intact (hummock, hollow) Drained Extracted

E0 147.5 114.2 154.7

Rref 50.9 113.8 64.4

Ppopt 99.6 117.6 99

Pptol 105.5 62.5 71

WTDopt −28.7 −25.5 −20.7

WTDtol 99 65.1 43.6

Note. WTD, water table depth.

Table 3 Parameters for Ecosystem Respiration (Reco) Model in Intact (Hummocks and Hollows Merged), Drained and Extracted Peatlands

Model input Model statistics Intact (hummocks, hollows) Drained Extracted

T0 a R2 0.36 0.75 0.70

RMSE (mg CO2 m −2 h−1) 27.38 30.77 21.92

T0 b R2 0.29 0.70 0.66

RMSE (mg CO2 m −2 h−1) 29.23 37.26 24.06

MODIS LST R2 0.27 0.66 0.67

RMSE (mg CO2 m −2 h−1) 29.59 39.27 23.71

Note. RMSE, root-mean-square error. aFor the whole data set. bFor the days when MODIS LST data were available.

Table 4 Performance of Ecosystem Respiration (Reco) Models Driven by Surface Temperature (T0) and MODIS Land Surface Temperature (LST) in Intact (Hummocks and Hollows Merged), Drained, and Extracted Peatlands

Journal of Geophysical Research: Biogeosciences

BURDUN ET AL.

10.1029/2021JG006411

14 of 19

4. Discussion Prior studies have noted the importance of LST for Reco estimations in different ecosystems. So far, none of the studies have addressed the potential of LST as a proxy for in situ measured temperatures for modeling Reco in disturbed peatlands. Here, we enriched the current knowledge and provided evidence for the future application of LST for that purpose. Even though we utilized daytime MODIS LST data of a 1-km spatial resolution, we still managed to detect the temporal dynamics in temperatures measured in situ at a plot scale (Figure 7). This is particularly important for disturbed sites, where Reco was mainly driven by thermal conditions (Figure 5).

Using the model parameterized for T0, we utilized MODIS LST instead of T0 and obtained R2 equal to 0.27 for modeled Reco in intact sites and 0.66 and 0.67 in drained and extracted sites, respectively. For compar- ison, in a previous study by Junttila et al. (2021) that jointly used remotely sensed LST and EVI data, the average R2 was 0.56 among five peatlands. The lowest R2 was obtained for the bog site (0.23), while R2 was dramatically higher for fen sites and varied from 0.51 to 0.85. We did not have a fen site in our data set; how- ever, the modeling results for bogs are in line with those published by Junttila et al. (2021). Notably, the use of additional remotely sensed data (e.g., vegetation indices) could improve the Reco model performance for intact peatlands. For instance, Schubert et al. (2010) obtained high R2 for both Swedish bog (R2 = 0.89) and fen (R2 = 0.83) by using LST, NDVI, and EVI data from MODIS. Ai et al. (2018) modeled Reco utilizing LST and EVI for a big data set with nine wetland biomes and obtained R2 = 0.59.

Generally, we observed a weak rmR between MODIS LST and Landsat LST and in situ temperatures and between in situ temperatures and CO2 and CH4 fluxes in intact sites. As previously shown for bogs (Burdun et al., 2019), LST has a weak to moderate association with soil temperatures, and the strength of this associ- ation decreases with soil depth. LST dynamics are highly dictated by incident solar radiation, while deeper soil temperatures slowly react with fewer fluctuations (R. Huang et al., 2020). Additionally, we assume that weak rmR between LST and T10–T40 could be partially caused by a higher heat capacity of saturated peat in natural sites with shallow WTD (Zhao & Si, 2019). In previous work, Burdun et al. (2019) demonstrated that MODIS LST had higher rmR with T10–T40 during summers with abnormally high temperatures and correspondingly deeper WTD.

Interestingly, the MODIS LST had consistently higher rmR with in situ temperatures than Landsat LST. The superiority of MODIS LST might arise from a more accurate emissivity estimation in the MODIS prod- uct (Ermida et al., 2020). Nevertheless, both MODIS LST and Landsat LST reveal weaker rmR with T0 in intact sites. We believe this was primarily caused by vegetation cover properties. The studied intact bogs are covered with dense vegetation, primarily Sphagnum mosses, which demonstrate high water loss by

Figure 8. CO2 fluxes measured in situ and modeled with surface temperature—T0 (gray circle)—and remotely sensed MODIS land surface temperature (LST) (orange circle) for intact (hummocks and hollows together), drained, and extracted sites. The dashed line shows a 1:1 relationship.

Journal of Geophysical Research: Biogeosciences

BURDUN ET AL.

10.1029/2021JG006411

15 of 19

evapotranspiration, which approaches the potential rate of open water evaporation (Kim & Verma, 1996). Through evapotranspiration, mosses cool the surface and perform as a thermal insulation layer (Blok et al., 2011). For these reasons, the disturbed sites with deeper WTD, covered with sporadic vegetation and open peat surface, had higher rmR between LST and T0–T40.

In situ temperatures had strong rmR with CO2 fluxes in disturbed sites but not in intact ones (Figure 5). This weaker rmR in intact sites could be explained by the significant effect of soil moisture on CO2 production (Waddington et al., 2001). Both peat temperature and moisture regulate the biological processes underlying CO2 production (Alm et al., 2007). However, soil moisture has a much larger effect on CO2 production in natural peatlands than in disturbed ones (Waddington et al., 2001). Waddington et al. (2001) observed a peak in CO2 production rate at approximately 92% saturation in the upper peat layer. This means that the disturbed peatlands with deeper WTD may rarely reach this value of saturation. Most of the time, their surface moisture remains far from CO2 production optimum. The highest rmR between CO2 and peat tem- peratures in the intact sites was obtained for T0–T10. In our study, T0–T10 correspond to the uppermost peat soil layer, which has previously been shown to have the largest CO2 production rates (Lafleur et al., 2005).

In the current study, we performed site- and group-specific modeling of Reco. Based on the modeling re- sults, we found a high inner-group variation of the site-specific parameters. This high variation resulted in discrepancies between the mean site-specific parameters shown in Table 2 and group-specific parameters in Table 3. Overall, the modeled group-specific parameters laid within the ranges of the minimum and maximum values of these site-specific parameters. The intact sites had the highest mean E0 in Table 2; how- ever, in the group-specific model, their E0 value decreased and became lower than the E0 modeled for the extracted sites. We hypothesize that differences in E0 and WTDtol values presented in Tables 2 and 3 can be explained by the variation in surface altitude and surface heterogeneity between the sites within one group.

In contrast, we did not observe the high discrepancies for Rref, Ppopt, and Pptol parameters in site- and group-specific models. Rref parameter was found to be the highest for the drained sites in Tables 2 and 3. This high respiration rate can be explained by strong relationships between temperature, heterotrophic, and autotrophic respiration (Pries et al., 2015). The drained sites have a higher heterotrophic respiration than the intact ones due to the deeper WTD (Figure 6) (Jaatinen et al., 2008). Additionally, the drained sites have a higher autotrophic respiration than the extracted ones due to the denser vegetation cover (Järveoja et al., 2016). The combination of both these types of respiration could have resulted in the observed high Rref value for the drained sites. Drained sites had later Ppopt and the narrower Pptol than the intact sites, which can be explained by the difference in vegetation cover. Drained sites were covered with vascular plants that have late start of the photosynthesis period (Korrensalo et al., 2017). In contrast, intact sites were dominant- ly covered with Sphagnum mosses that start their photosynthesis activity early in the spring (Korrensalo et al., 2017).

In this work, Reco models were driven by in situ measurements, among which were WTD time series. How- ever, only a small number of peatlands have in situ historical observations, which limit the future applica- bility of the provided model. Therefore, remotely sensed proxies of WTD must be used, such as radar data (Asmuß et al., 2019; Tampuu et al., 2020) and Optical Trapezoid Model (Burdun, Bechtold, Sagris, Lohila, et  al.,  2020). Furthermore, given the well-established respiration dependency on LST in disturbed sites, future work could focus on the benefits of combining various remotely sensed data. For example, LAI, NDVI, and EVI were shown to increase the Reco model accuracy over various biomes, including peatlands (Ai et al., 2018; Y. Gao et al., 2015; Junttila et al., 2021). Additionally, vegetation indices have the potential to be utilized as proxies of Ppopt and Pptol parameters, since indices can indicate the ecosystem productivity (Dronova et al., 2021). Moreover, the parameterization of models separately for each peatland could in- crease the model performance (Junttila et al., 2021).

In accordance with previous works (Evans et al., 2021; Feng et al., 2020), in all the sites, rmR between CH4 fluxes and in situ measured parameters was weak and moderate (from −0.5 to 0.5) and periodically not sta- tistically significant (p-value > 0.05). The highest correlation (rmR = 0.53) was observed between CH4 flux- es and T10 in drained sites. Additionally, we observed a positive association (p-value > 0.05) between CH4 fluxes and water temperature in flooded sites. In Figure 2, it is noticeable that CH4 fluxes follow seasonal dynamics in flooded sites (panel f). Summer 2018 was warmer than summer 2019, so CH4 fluxes increased

Journal of Geophysical Research: Biogeosciences

BURDUN ET AL.

10.1029/2021JG006411

16 of 19

dramatically during 2018 and were the greatest in midsummer. Similar results were discussed in a study by McEnroe et al. (2009), in which a weak positive (p-value < 0.001) R was found between air temperature and CH4 fluxes.

Our findings may be somewhat limited by the small number of sites and methodological constraints. First, we tested LST applicability in only seven sites where Reco data were measured with the closed-chamber technique. A well-known possibility is that chamber measurements of Reco might not accurately represent the fluxes at the landscape scale (Schrier-Uijl et al., 2010). Second, we applied MODIS LST data of a 1-km spatial resolution. The MODIS pixels' footprint covered neighboring territories around the peatlands, which could cause bias in the association between in situ measured Reco and LST. We did not utilize Landsat LST for Reco modeling because of the very limited number of cloud-free images for the disturbed sites. This lack of data occurred even though we calculated one median Landsat LST value over one site for each time scene to increase the amount of Landsat LST data. Unfortunately, high latitudes—where 80% of peatland C stock is located (Tanneberger et al., 2017)—are frequently covered by clouds. In this regard, modeling Reco with high-resolution Landsat data is challenging in northern peatlands. A good alternative to the original Land- sat LST data could be modeled Landsat LST data derived with temporal adaptive reflectance fusion model, such as STARFM (F. Gao et al., 2006). The fusion algorithms for Landsat and MODIS imagery have already shown promising results (Moreno-Martinez et al., 2020). Additionally, machine learning techniques could be used to fill the gaps in Landsat LST images (Buo et al., 2021).

Altogether, our results highlight that remotely sensed LST is a powerful tool for modeling Reco, particularly in disturbed peatlands. LST has the potential to be used in drained and extracted sites with deep WTD and those covered with sparse sedges or bare peat surface. However, more studies are needed to identify how our findings are generalizable across disturbed peatlands in the Northern Hemisphere.

5. Conclusions The purpose of this study was to estimate the strength of the relationships between Reco and LST in dis- turbed (drained and extracted) and intact peatlands. In particular, we aimed to examine the applicability of MODIS LST for Reco modeling and compare the performance of the MODIS LST-driven model with the model driven by the in situ measured surface temperature. This study indicates that LST has a great poten- tial to be utilized in Reco models as a proxy of thermal conditions in northern peatlands. The highest rmR (mean 0.78) was observed between MODIS LST and the in situ measured T0–T40 for drained and extracted sites. However, in intact sites, the relationships between LST and T0–T40 were dramatically weaker: mean rmR over hummocks and hollows was 0.38 for Landsat and 0.49 for MODIS. The Reco model driven by MODIS LST yielded similar accuracy to the model driven by in situ T0: R

2 was 0.29, 0.70, and 0.66, respec- tively, for intact (hummocks and hollows), drained, and extracted sites with the T0-driven model and 0.27, 0.66, and 0.67, respectively, with the MODIS LST-driven model.

The present study represents one of the first attempts to thoroughly examine the potential of remotely sensed LST for monitoring C fluxes of drained and extracted peatlands. Although our study was limited to only seven peatlands with an intermittent Reco time series based on the manual closed-chamber technique, we showed that LST data could be used as a tool to monitor CO2 fluxes with relatively high accuracy. Future research should be carried out to identify how generalizable our findings are across disturbed peatlands in the Northern Hemisphere.

Data Availability Statement Field measured data, reported in this study, are available at Zenodo: https://doi.org/10.5281/zenodo.5118730.

References Acosta, M., Juszczak, R., Chojnicki, B., Pavelka, M., Havránková, K., Lesny, J., et al. (2017). CO2 fluxes from different vegetation commu-

nities on a peatland ecosystem. Wetlands, 37(3), 423–435. https://doi.org/10.1007/s13157-017-0878-4 Ai, J., Jia, G., Epstein, H. E., Wang, H., Zhang, A., & Hu, Y. (2018). MODIS-based estimates of global terrestrial ecosystem respiration.

Journal of Geophysical Research: Biogeosciences, 123(2), 326–352. https://doi.org/10.1002/2017JG004107

Acknowledgments The authors are grateful to Dr Alar Teemusk for gas sample analyses at the laboratory of the Department of Geog- raphy, Institute of Ecology and Earth Sciences, University of Tartu, Estonia. The authors acknowledge the kind sup- port of three anonymous reviewers and the editor; their input in increasing the quality and clarity of the manuscript is invaluable. This work was financially supported by the Estonian Research Council (research grants PRG-352 and MOBERC20), the European Commis- sion through the European Regional Development Fund (the Center of Excellence EcolChange), and the European Commission and ETAG for funding ERA-NET Cofund project Wa- terJPI-JC-2018_13: ReformWater and the Estonian State Forest Management Centre (project LLTOM17250 “Water level restoration in cut-away peatlands: development of integrated monitoring methods and monitoring,” 2017–2023).

Journal of Geophysical Research: Biogeosciences

BURDUN ET AL.

10.1029/2021JG006411

17 of 19

Alm, J., Shurpali, N. J., Minkkinen, K., Aro, L., Hytönen, J., Laurila, T., et al. (2007). Emission factors and their uncertainty for the exchange of CO2, CH4 and N2O in Finnish managed peatlands. Boreal Environment Research, 12, 191–209.

Asmuß, T., Bechtold, M., & Tiemeyer, B. (2019). On the potential of sentinel-1 for high resolution monitoring of water table dynamics in grasslands on organic soils. Remote Sensing, 11(14), 1659. https://doi.org/10.3390/rs11141659

Bakdash, J. Z., & Marusich, L. R. (2017). Repeated measures correlation. Frontiers in Psychology, 8. https://doi.org/10.3389/fpsyg.2017.00456 Blok, D., Heijmans, M., Schaepman-Strub, G., van Ruijven, J., Parmentier, F. J. W., Maximov, T. C., & Berendse, F. (2011). The cooling ca-

pacity of mosses: Controls on water and energy fluxes in a Siberian Tundra site. Ecosystems, 14(7), 1055–1065. https://doi.org/10.1007/ s10021-011-9463-5

Bubier, J. L., Bhatia, G., Moore, T. R., Roulet, N. T., & Lafleur, P. M. (2003). Spatial and temporal variability in growing-season net ecosystem carbon dioxide exchange at a large peatland in Ontario, Canada. https://doi.org/10.1007/s10021-003-0125-0

Buo, I., Sagris, V., & Jaagus, J. (2021). Gap-filling satellite land surface temperature over heatwave periods with machine learning (pp. 1–5). IEEE Geoscience and Remote Sensing Letters. https://doi.org/10.1109/LGRS.2021.3068069

Burdun, I., Bechtold, M., Sagris, V., Komisarenko, V., De Lannoy, G., & Mander, Ü. (2020). A comparison of three trapezoid models using optical and thermal satellite imagery for water table depth monitoring in Estonian bogs. Remote Sensing, 12(12), 1–24. https://doi. org/10.3390/rs12121980

Burdun, I., Bechtold, M., Sagris, V., Lohila, A., Humphreys, E., Desai, A., et al. (2020). Localizing pixels with SWIR-based moisture index representative of overall peatland water table dynamics. Remote Sensing.

Burdun, I., Kull, A., Maddison, M., Veber, G., Karasov, O., Sagris, V., & Mander, Ü. (2021). CO2 and CH4 gas fluxes in disturbed and intact northern peatlands (Data set). https://doi.org/10.5281/zenodo.5118730

Burdun, I., Sagris, V., & Mander, Ü. (2019). Relationships between field-measured hydrometeorological variables and satellite-based land surface temperature in a hemiboreal raised bog. International Journal of Applied Earth Observation and Geoinformation, 74, 295–301. https://doi.org/10.1016/j.jag.2018.09.019

Change, I. P. on C. (2013). Anthropogenic and natural radiative forcing. In Climate change 2013 the physical science basis: Working group I contribution to the fifth assessment report of the intergovernmental panel on climate change (pp. 659–740). Cambridge University Press. https://doi.org/10.1017/CBO9781107415324.018

Clymo, R. S., Turunen, J., & Tolonen, K. (1998). Carbon accumulation in peatland. Oikos, 81(2), 368. https://doi.org/10.2307/3547057 Crabbe, R. A., Janouš, D., Dařenová, E., & Pavelka, M. (2019). Exploring the potential of LANDSAT-8 for estimation of forest soil CO2

efflux. International Journal of Applied Earth Observation and Geoinformation, 77, 42–52. https://doi.org/10.1016/j.jag.2018.12.007 Davidson, S. J., Strack, M., Bourbonniere, R. A., & Waddington, J. M. (2019). Controls on soil carbon dioxide and methane fluxes from a

peat swamp vary by hydrogeomorphic setting. Ecohydrology, 12(8), e2162. https://doi.org/10.1002/eco.2162 Dronova, I., Taddeo, S., Hemes, K. S., Knox, S. H., Valach, A., Oikawa, P. Y., et al. (2021). Remotely sensed phenological heterogeneity of re-

stored wetlands: Linking vegetation structure and function. Agricultural and Forest Meteorology, 296, 108215. https://doi.org/10.1016/J. AGRFORMET.2020.108215

Duchemin, E., Lucotte, M., Canuel, R., & Chamberland, A. (1995). Production of the greenhouse gases CH4 and CO2 by hydroelectric reservoirs of the boreal region. Global Biogeochemical Cycles, 9(4), 529–540. https://doi.org/10.1029/95GB02202

Ermida, S. L., Soares, P., Mantas, V., Göttsche, F.-M., & Trigo, I. F. (2020). Google Earth Engine open-source code for land surface temper- ature estimation from the Landsat series. Remote Sensing, 12(9), 1471. https://doi.org/10.3390/rs12091471

Estonian Land Board. (2020). Orthophotos. Retrieved from https://geoportaal.maaamet.ee/index.php?page_id=309&lang_id=2 Estonian Weather Service. (2021). Estonian weather service. Retrieved from https://www.ilmateenistus.ee/?lang=en Evans, C. D., Peacock, M., Baird, A. J., Artz, R. R. E., Burden, A., Callaghan, N., et al. (2021). Overriding water table control on managed

peatland greenhouse gas emissions. Nature, 593, 548–552. https://doi.org/10.1038/s41586-021-03523-1 Feng, X., Deventer, M. J., Lonchar, R., Ng, G. H. C., Sebestyen, S. D., Roman, D. T., et al. (2020). Climate sensitivity of peatland meth-

ane emissions mediated by seasonal hydrologic dynamics. Geophysical Research Letters, 47(17), e2020GL088875. https://doi. org/10.1029/2020GL088875

Gao, F., Masek, J., Schwaller, M., & Hall, F. (2006). On the blending of the landsat and MODIS surface reflectance: Predicting daily landsat surface reflectance. IEEE Transactions on Geoscience and Remote Sensing, 44(8), 2207–2218. https://doi.org/10.1109/TGRS.2006.872081

Gao, Y., Yu, G., Li, S., Yan, H., Zhu, X., Wang, Q., et al. (2015). A remote sensing model to estimate ecosystem respiration in Northern China and the Tibetan Plateau. Ecological Modelling, 304, 34–43. https://doi.org/10.1016/j.ecolmodel.2015.03.001

Gorelick, N., Hancher, M., Dixon, M., Ilyushchenko, S., Thau, D., & Moore, R. (2017). Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote Sensing of Environment, 202, 18–27. https://doi.org/10.1016/j.rse.2017.06.031

Günther, A., Barthelmes, A., Huth, V., Joosten, H., Jurasinski, G., Koebsch, F., & Couwenberg, J. (2020). Prompt rewetting of drained peatlands reduces climate warming despite methane emissions. Nature Communications, 11(1), 1–5. https://doi.org/10.1038/ s41467-020-15499-z

Hanson, P. J., Griffiths, N. A., Iversen, C. M., Norby, R. J., Sebestyen, S. D., Phillips, J. R., et al. (2020). Rapid net carbon loss from a whole-ecosystem warmed peatland. AGU Advances, 1(3), e2020AV000163. https://doi.org/10.1029/2020AV000163

Helbig, M., Humphreys, E. R., & Todd, A. (2019). Contrasting temperature sensitivity of CO2 exchange in peatlands of the Hudson Bay Lowlands, Canada. Journal of Geophysical Research: Biogeosciences, 124(7), 2126–2143. https://doi.org/10.1029/2019JG005090

Huang, N., Gu, L., Black, T. A., Wang, L., & Niu, Z. (2015). Remote sensing-based estimation of annual soil respiration at two contrasting forest sites. Journal of Geophysical Research: Biogeosciences, 120(11), 2306–2325. https://doi.org/10.1002/2015JG003060

Huang, N., Gu, L., & Niu, Z. (2014). Estimating soil respiration using spatial data products: A case study in a deciduous broadleaf forest in the Midwest USA. Journal of Geophysical Research: Atmospheres, 119(11), 6393–6408. https://doi.org/10.1002/2013JD020515

Huang, R., Huang, J. X., Zhang, C., Ma, H. Y., Zhuo, W., Chen, Y. Y., et al. (2020). Soil temperature estimation at different depths, using remotely-sensed data. Journal of Integrative Agriculture, 19(1), 277–290. https://doi.org/10.1016/S2095-3119(19)62657-2

Huang, X., Silvennoinen, H., Kløve, B., Regina, K., Kandel, T. P., Piayda, A., et al. (2021). Modelling CO2 and CH4 emissions from drained peatlands with grass cultivation by the BASGRA-BGC model. Science of the Total Environment, 765, 144385. https://doi.org/10.1016/j. scitotenv.2020.144385

Hutchinson, G. L., & Livingston, G. P. (1993). Use of chamber systems to measure trace gas fluxes (pp. 63–78). John Wiley & Sons, Ltd. https://doi.org/10.2134/asaspecpub55.c4

Jaagus, J., & Ahas, R. (2000). Space-time variations of climatic seasons and their correlation with the phenological development of nature in Estonia. Climate Research, 15(3), 207–219. https://doi.org/10.3354/cr015207

Journal of Geophysical Research: Biogeosciences

BURDUN ET AL.

10.1029/2021JG006411

18 of 19

Jaatinen, K., Laiho, R., Vuorenmaa, A., Castillo, U. D., Minkkinen, K., Pennanen, T., et al. (2008). Responses of aerobic microbial commu- nities and soil respiration to water-level drawdown in a northern boreal fen. Environmental Microbiology, 10(2), 339–353. https://doi. org/10.1111/J.1462-2920.2007.01455.X

Jägermeyr, J., Gerten, D., Lucht, W., Hostert, P., Migliavacca, M., & Nemani, R. (2014). A high-resolution approach to estimating ecosys- tem respiration at continental scales using operational satellite data. Global Change Biology, 20(4), 1191–1210. https://doi.org/10.1111/ gcb.12443

Järveoja, J., Nilsson, M. B., Crill, P. M., & Peichl, M. (2020). Bimodal diel pattern in peatland ecosystem respiration rebuts uniform temper- ature response. Nature Communications, 11(1), 1–9. https://doi.org/10.1038/s41467-020-18027-1

Järveoja, J., Peichl, M., Maddison, M., Soosaar, K., Vellak, K., Karofeld, E., et al. (2016). Impact of water table level on annual carbon and greenhouse gas balances of a restored peat extraction area. Biogeosciences, 13(9), 2637–2651. https://doi.org/10.5194/bg-13-2637-2016

Junttila, S., Kelly, J., Kljun, N., Aurela, M., Klemedtsson, L., Lohila, A., et al. (2021). Upscaling northern peatland CO2 fluxes using satellite remote sensing data. Remote Sensing, 13(4), 818. https://doi.org/10.3390/rs13040818

Kim, J., & Verma, S. B. (1996). Surface exchange of water vapour between an open sphagnum fen and the atmosphere. Boundary-Layer Meteorology, 79(3), 243–264. https://doi.org/10.1007/bf00119440

Kimball, J. S., Jones, L. A., Zhang, K., Heinsch, F. A., McDonald, K. C., & Oechel, W. C. (2009). A satellite approach to estimate land-atmos- phere CO2 exchange for boreal and Arctic biomes using MODIS and AMSR-E. IEEE Transactions on Geoscience and Remote Sensing, 47(2), 569–587. https://doi.org/10.1109/TGRS.2008.2003248

Korrensalo, A., Alekseychik, P., Hájek, T., Rinne, J., Vesala, T., Mehtätalo, L., et al. (2017). Species-specific temporal variation in photosyn- thesis as a moderator of peatland carbon sequestration. Biogeosciences, 14(2), 257–269. https://doi.org/10.5194/BG-14-257-2017

Kotta, J., Herkül, K., Jaagus, J., Kaasik, A., Raudsepp, U., Alari, V., et al. (2018). Linking atmospheric, terrestrial and aquatic environments: Regime shifts in the Estonian climate over the past 50 years. PLoS One, 13(12), e0209568. https://doi.org/10.1371/journal.pone.0209568

Lafleur, P. M., Moore, T. R., Roulet, N. T., & Frolking, S. (2005). Ecosystem respiration in a cool temperate bog depends on peat temperature but not water table. Ecosystems, 8(6), 619–629. https://doi.org/10.1007/s10021-003-0131-2

Lafleur, P. M., Roulet, N. T., & Admiral, S. W. (2001). Annual cycle of CO2 exchange at a bog peatland. Journal of Geophysical Research, 106(D3), 3071–3081. https://doi.org/10.1029/2000JD900588

Lees, K. J., Quaife, T., Artz, R. R. E., Khomik, M., & Clark, J. M. (2018). Potential for using remote sensing to estimate carbon fluxes across northern peatlands—A review. Science of the Total Environment, 615, 857–874. https://doi.org/10.1016/j.scitotenv.2017.09.103

Leifeld, J., & Menichetti, L. (2018). The underappreciated potential of peatlands in global climate change mitigation strategies. Nature Communications, 9(1), 1–7. https://doi.org/10.1038/s41467-018-03406-6

Leifeld, J., Wüst-Galley, C., & Page, S. (2019). Intact and managed peatland soils as a source and sink of GHGs from 1850 to 2100. Nature Climate Change, 9(12), 945–947. https://doi.org/10.1038/s41558-019-0615-5

Lloyd, J., & Taylor, J. A. (1994). On the temperature dependence of soil respiration. Functional Ecology, 8(3), 315. https://doi. org/10.2307/2389824

Lobo, F. de A., de Barros, M. P., Dalmagro, H. J., Dalmolin, Â. C., Pereira, W. E., de Souza, É. C., et al. (2013). Fitting net photosynthetic light-response curves with Microsoft Excel—A critical look at the models. Photosynthetica, 51(3), 445–456. https://doi.org/10.1007/ s11099-013-0045-y

Loisel, J., Gallego-Sala, A. V., Amesbury, M. J., Magnan, G., Anshari, G., Beilman, D. W., et al. (2021). Expert assessment of future vulnera- bility of the global peatland carbon sink. Nature Climate Change, 11(1), 70–77. https://doi.org/10.1038/s41558-020-00944-0

Maljanen, M., Sigurdsson, B. D., Guömundsson, J., Öskarsson, H., Huttunen, J. T., & Martikainen, P. J. (2010). Greenhouse gas balances of managed peatlands in the Nordic countries present knowledge and gaps. Biogeosciences, 7(9), 2711–2738. https://doi.org/10.5194/ bg-7-2711-2010

McEnroe, N. A., Roulet, N. T., Moore, T. R., & Garneau, M. (2009). Do pool surface area and depth control CO2 and CH4 fluxes from an ombrotrophic raised bog, James Bay, Canada? Journal of Geophysical Research, 114(G1), G01001. https://doi.org/10.1029/2007JG000639

Moreno-Martinez, A., Izquierdo-Verdiguier, E., Camps-Valls, G., Moneta, M., Munoz-Mari, J., Robinson, N., et al. (2020). Down-scaling MODIS vegetation products with Landsat GAP filled surface reflectance in Google Earth Engine (pp. 2320–2323). International Geoscience and Remote Sensing Symposium (IGARSS). https://doi.org/10.1109/IGARSS39084.2020.9324007

Ojanen, P., Minkkinen, K., & Penttilä, T. (2013). The current greenhouse gas impact of forestry-drained boreal peatlands. Forest Ecology and Management, 289, 201–208. https://doi.org/10.1016/j.foreco.2012.10.008

Olofsson, P., Lagergren, F., Lindroth, A., Lindström, J., Klemedtsson, L., Kutsch, W., & Eklundh, L. (2008). Towards operational remote sensing of forest carbon balance across Northern Europe. Biogeosciences, 5(3), 817–832. https://doi.org/10.5194/bg-5-817-2008

Pan, Y., Birdsey, R. A., Fang, J., Houghton, R., Kauppi, P. E., Kurz, W. A., et al. (2011). A large and persistent carbon sink in the world’s forests. Science, 333(6045), 988–993. https://doi.org/10.1126/science.1201609

Park, H., Takeuchi, W., & Ichii, K. (2020). Satellite-based estimation of carbon dioxide budget in tropical peatland ecosystems. Remote Sensing, 12(2), 250. https://doi.org/10.3390/rs12020250

Pries, C. E. H., van Logtestijn, R. S. P., Schuur, E. A. G., Natali, S. M., Cornelissen, J. H. C., Aerts, R., & Dorrepaal, E. (2015). Decadal warm- ing causes a consistent and persistent shift from heterotrophic to autotrophic respiration in contrasting permafrost ecosystems. Global Change Biology, 21(12), 4508–4519. https://doi.org/10.1111/GCB.13032

Rahman, A. F., Sims, D. A., Cordova, V. D., & El-Masri, B. Z. (2005). Potential of MODIS EVI and surface temperature for directly estimat- ing per-pixel ecosystem C fluxes. Geophysical Research Letters, 32(19). https://doi.org/10.1029/2005GL024127

R Core Team. (2020). R: A language and environment for statistical computing. Retrieved from https://www.r-project.org/ Regan, S., Flynn, R., Gill, L., Naughton, O., & Johnston, P. (2019). Impacts of groundwater drainage on peatland subsidence and its

ecological implications on an Atlantic raised bog. Water Resources Research, 55(7), 6153–6168. https://doi.org/10.1029/2019WR024937 Rinne, J., Tuovinen, J. P., Klemedtsson, L., Aurela, M., Holst, J., Lohila, A., et al. (2020). Effect of the 2018 European drought on methane

and carbon dioxide exchange of northern mire ecosystems: 2018 drought on northern mires. Philosophical Transactions of the Royal Society B: Biological Sciences, 375(1810), 20190517. https://doi.org/10.1098/rstb.2019.0517

Riutta, T., Laine, J., & Tuittila, E. S. (2007). Sensitivity of CO2 exchange of fen ecosystem components to water level variation. Ecosystems, 10(5), 718–733. https://doi.org/10.1007/s10021-007-9046-7

Salm, J.-O., Kimmel, K., Uri, V., & Mander, Ü. (2009). Global warming potential of drained and undrained Peatlands in Estonia: A synthe- sis. Wetlands, 29(4), 1081–1092. https://doi.org/10.1672/08-206.1

Salm, J.-O., Maddison, M., Tammik, S., Soosaar, K., Truu, J., & Mander, Ü. (2012). Emissions of CO2, CH4 and N2O from undisturbed, drained and mined peatlands in Estonia. Hydrobiologia, 692(1), 41–55. https://doi.org/10.1007/s10750-011-0934-7

Journal of Geophysical Research: Biogeosciences

BURDUN ET AL.

10.1029/2021JG006411

19 of 19

Scharlemann, J. P. W., Tanner, E. V. J., Hiederer, R., & Kapos, V. (2014). Global soil carbon: Understanding and managing the largest terres- trial carbon pool. Carbon Management, 5(1), 81–91. https://doi.org/10.4155/cmt.13.77

Schrier-Uijl, A. P., Kroon, P. S., Hensen, A., Leffelaar, P. A., Berendse, F., & Veenendaal, E. M. (2010). Comparison of chamber and eddy covariance-based CO2 and CH4 emission estimates in a heterogeneous grass ecosystem on peat. Agricultural and Forest Meteorology, 150(6), 825–831. https://doi.org/10.1016/j.agrformet.2009.11.007

Schubert, P., Eklundh, L., Lund, M., & Nilsson, M. (2010). Estimating northern peatland CO2 exchange from MODIS time series data. Remote Sensing of Environment, 114(6), 1178–1189. https://doi.org/10.1016/j.rse.2010.01.005

Sillasoo, U., Mauquoy, D., Blundell, A., Charman, D., Blaauw, M., Daniell, J. R. G., et al. (2007). Peat multi-proxy data from Männikjärve bog as indicators of late Holocene climate changes in Estonia. Boreas, 36(1), 20–37. https://doi.org/10.1111/j.1502-3885.2007.tb01177.x

Swindles, G. T., Morris, P. J., Mullan, D. J., Payne, R. J., Roland, T. P., Amesbury, M. J., et al. (2019). Widespread drying of European peat- lands in recent centuries. Nature Geoscience, 12(11), 922–928. https://doi.org/10.1038/s41561-019-0462-z

Tampuu, T., Praks, J., Uiboupin, R., & Kull, A. (2020). Long term interferometric temporal coherence and DInSAR phase in northern peatlands. Remote Sensing, 12(10), 1566. https://doi.org/10.3390/rs12101566

Tang, X., Liu, D., Song, K., Munger, J. W., Zhang, B., & Wang, Z. (2011). A new model of net ecosystem carbon exchange for the de- ciduous-dominated forest by integrating MODIS and flux data. Ecological Engineering, 37(10), 1567–1571. https://doi.org/10.1016/j. ecoleng.2011.03.030

Tanneberger, F., Tegetmeyer, C., Busse, S., Barthelmes, A., Shumka, S., Mariné, A. M., et al. (2017). The peatland map of Europe. Mires & Peat, 19. https://doi.org/10.19189/MaP.2016.OMB.264

Tuittila, E.-S., Vasander, H., & Laine, J. (2004). Sensitivity of C sequestration in reintroduced sphagnum to water-level variation in a cuta- way peatland. Restoration Ecology, 12(4), 483–493. https://doi.org/10.1111/j.1061-2971.2004.00280.x

Turetsky, M. R., Kotowska, A., Bubier, J., Dise, N. B., Crill, P., Hornibrook, E. R. C., et al. (2014). A synthesis of methane emissions from 71 northern, temperate, and subtropical wetlands. Global Change Biology, 20(7), 2183–2197. https://doi.org/10.1111/gcb.12580

Veber, G., Kull, A., Villa, J. A., Maddison, M., Paal, J., Oja, T., et al. (2018). Greenhouse gas emissions in natural and managed peatlands of America: Case studies along a latitudinal gradient. Ecological Engineering, 114, 34–45. https://doi.org/10.1016/j.ecoleng.2017.06.068

Waddington, J. M., Rotenberg, P. A., & Warren, F. J. (2001). Peat CO2 production in a natural and cutover peatland: Implications for resto- ration. Biogeochemistry, 54(2), 115–130. https://doi.org/10.1023/A:1010617207537

Waddington, J. M., & Roulet, N. T. (2000). Carbon balance of a boreal patterned peatland. Global Change Biology, 6(1), 87–97. https://doi. org/10.1046/j.1365-2486.2000.00283.x

Wan, Z., Hook, S., & Hulley, G. (2015). MOD11A1 MODIS/Terra land surface temperature/emissivity daily L3 global 1km SIN grid V006. NASA EOSDIS Land Processes DAAC. https://doi.org/10.5067/MODIS/MOD11A1.006

Wu, C., Gaumont-Guay, D., Andrew Black, T., Jassal, R. S., Xu, S., Chen, J. M., & Gonsamo, A. (2014). Soil respiration mapped by exclusive- ly use of MODIS data for forest landscapes of Saskatchewan, Canada. ISPRS Journal of Photogrammetry and Remote Sensing, 94, 80–90. https://doi.org/10.1016/j.isprsjprs.2014.04.018

Xiao, J., Zhuang, Q., Law, B. E., Chen, J., Baldocchi, D. D., Cook, D. R., et al. (2010). A continuous measure of gross primary production for the conterminous United States derived from MODIS and AmeriFlux data. Remote Sensing of Environment, 114(3), 576–591. https:// doi.org/10.1016/j.rse.2009.10.013

Xu, C., Qu, J. J., Hao, X., Zhu, Z., & Gutenberg, L. (2020). Monitoring soil carbon flux with in-situ measurements and satellite observations in a forested region. Geoderma, 378, 114617. https://doi.org/10.1016/j.geoderma.2020.114617

Xu, J., Morris, P., Liu, J., & Holden, J. (2018). PEATMAP: Refining estimates of global peatland distribution based on a meta-analysis. Catena, 160, 134–140. https://doi.org/10.1016/j.catena.2017.09.010

Yu, Z. (2011). Holocene carbon flux histories of the world’s peatlands. The Holocene, 21(5), 761–774. https://doi.org/10.1177/0959683610 386982

Yu, Z., Loisel, J., Brosseau, D. P., Beilman, D. W., & Hunt, S. J. (2010). Global peatland dynamics since the Last Glacial Maximum. Geophys- ical Research Letters, 37(13). https://doi.org/10.1029/2010GL043584

Zhao, Y., & Si, B. (2019). Thermal properties of sandy and peat soils under unfrozen and frozen conditions. Soil and Tillage Research, 189, 64–72. https://doi.org/10.1016/j.still.2018.12.026