Jääksoode veerežiimi taastamistööde tulemuslikkuse kompleksseire leping

Töövõtuleping nr 1-18/178 täitmine, II vahearuande esitamine 2018 tegevuste kohta

1. Käesolevaga töövõtja annab üle ja tellija võtab vastu RMK ja Tartu Ülikool, registrikood

74001073, vahel 21.04.2018 sõlmitud töövõtulepingu nr 1-18/178 kohaselt tehtud järgmise

töö:

teise etapi vahearuanne (01.01.2018 – 31.12.2019), mis on Lepingus ettenähtud tähtajaks üle antud

Tellijale. Tellija kinnitab, et töö vastab Lepingus kokkulepitud uurimisülesandele ning on läbi

viidud vastavalt Lepingule ja Töös ei esine puudusi.

2. Tellija tasub tehtud töö eest 45 999,75 (nelikümmend viis tuhat üheksasada üheksakümmend

üheksa eurot ja seitsekümmend viis senti).

Tellija Töövõtja

(allkirjastatud digitaalselt) (allkirjastatud digitaalselt)

Ain Kull Kaupo Kohv

AKT

(hiliseima digitaalallkirja kuupäev)

JÄÄKSOODE VEEREŽIIMI TAASTAMISE KOMPLEKSUURINGU VAHEARUANNE PROJEKTI 2. ETAPI KOHTA (2019.a.)

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)

Vanemteadur, PhD

(Amet, teaduskraad)

4. PROJEKTI PÕHITÄITJAD ARUANDEPERIOODI VÄLTEL

Projekti põhitäitjad:

Ees- ja perekonnanimi Teaduskraad Ametikoht

1. Ain Kull PhD loodusgeograafia vanemteadur

2. Valentina Sagris PhD geoinformaatika teadur

3. Edgar Karofeld PhD rakendusökoloogia vanemteadur

4. Kai Vellak PhD taimeökoloogia vanemteadur

5. Alar Läänelaid PhD maastikuökoloogia dotsent

6. Gert Veber MSc, doktorant keskkonnaspetsialist

7. Edgar Sepp MSc, doktorant geoinformaatika spetsialist

8. Marko Kohv PhD rakendusgeoloogia teadur

9. Mae Uri Dipl./BSc spetsialist (keemik)

Projektiga seotud abitööjõud:

1. Birgit Viru MSc doktorant

2. Iuliia Burdun MSc doktorant

3. Tauri Tampuu MSc doktorant

4. Kärt Erikson BSc magistrant

5. PROJEKTI KULUD ARUANDEPERIOODIL 2019.a. 26082.83 eurot

Kokku

Töötasud (põhitäitjad +abitööjõud) 10015.88

Sotsiaalmaks 3305.25

Töötuskindlustusmaks 80.13

Ostetud teenused 1159.95

Lähetuskulud 2170.49

Materjalid, tarvikud, masinad, seadmed 151.17

Muud kulud 9199.96

Kokku 26082.83

Ostetud teenuste selgitus 1159.95 Mullaanalüüsid (v.a. mulla süsinikusisaldus,

mis analüüsiti geogr. osak. laboris)

Lähetuskulude selgitus 2170.49 Kõik lähetused on seotud välitöödel gaasi- ning veeproovide regulaarse kogumisega, drooniseire ning taimkatteseirega.

Materjalide, tarvikute, masinate ja seadmete selgitus

151.17 Soetati SSD andmesalvestusseade, mõõteseadmetele patareisid, mõõdulindid, teibid jmt. tarvikud

Muude kulude selgitus 9199.96 Tartu Ülikooli üldkulueraldis (20%) RMK-lt 2019.a. laekunud lepingutasult

6. PROJEKTI TÄITMISE VAHEARUANNE

Jääksoode taastamisprojektidele sisendi andmine. 2019.a. osalesid Tartu Ülikooli esindajad regulaarselt Maima, Kildemaa ja Ess-soo taastamisprojektide arutelus ja andsid kogu projekteerimistööde perioodi ulatuses sisendit nii projekteerijale kui tellijale. Täiendavalt osaleti koos RMK esindajatega 2019.a. sügisel Laiuse ja Kõima jääksoode korrastamistöödel jooksvate küsimuste lahendamisel. Koos RMK esindajatega käidi läbi Ess-soo, Maima ja Kildemaa jääksoode korrastamiseks potentsiaalsed turbasamblafragmentide pakkujad (Greenworld, Elva E.P.T., Peatmill, Biolan, Jiffi) ja hinnati nende poolt pakutud võimalike uute avatavate tootmisalade turbasammalde seisundit ning sobivust doonoraladeks.

Välitööd monitooringualadel.

2019.a. on igakuiselt püsiproovialadelt kogutud gaasiproovid (CO2, N2O, CH4), mõõdetud vaatluskaevudes ning kraavides veetase, portatiivsete seadmetega O2 sisaldus (mg/l) ning küllastatustase (O2%), pH, konduktiivsus (µS/cm), ORP (mV) ja kogutud veeproovid laboratoorseteks analüüsideks. Laboratoorselt on igakuiselt määratud vaatluskaevudest ning referentsaladega piirnevatest kraavidest kogutud veeproovidest üldsüsiniku ja üldlämmastiku, lahustunud üldsüsiniku, lahustunud orgaanilise süsiniku, lahustunud anorgaanilise süsiniku ning lahustunud üldlämmastiku sisaldus. Jätkati igakuist kasvuhoonegaaside (CO2, N2O, CH4) voo mõõtmist tootmisväljakute vahelistest kraavidest. 2019.a. oktoobris-novembris jõudis lõpule Laiuse ja Kõima jääksoode korrastamine, seetõttu installeeriti korrastatud aladele täiendavad piesomeetrid ning vaatluskaevud ja rajati täiendavad gaasivoogude mõõtmise alad (sh. täiendavad ujuvkambrid). Kõikidelt proovialadelt koguti mullaproovid (33 kompleksproovi, iga kompleksproov koosneb 24 alamproovist) ning viidi läbi taimkatteanalüüs (156 püsiprooviruutu). Korrastatud Laiuse jääksoost koguti 2019.a. oktoobris dendrokronoloogilise analüüsi jaoks puursüdamikud (võrdlusala ja piirdekraavi äärsed kasvavad puud ning häiringuta soo keskosa puud) ning tüvest lõigatud kettad (raadatud korrastamisalal). Jätkati drooniseirega ning satelliitandmete analüüsimisega ning satelliitradarandmetega (SAR) häiringurežiimide (maakate, veetase, pinnakõrguse muutus) tuvastamise metoodikate väljatöötamisega.

Ilmastik on uurimisperioodil aastate lõikes olnud väga erinev. 2017.a. oli pikaajalisest keskmisest sademete rohkem (sõltuvalt uurimisalast 106-114% normist), eriti vihmased olid kevad ja sügis, mil sademete kuusumma ületas normi kohati kuni 2 korda. 2018.a. oli pikaajalisest keskmisest sademetevaesem (72-90% normist), eriti kuiv oli kevad ja suve algus, mil mõnes ilmajaamas ei esinenud kuu jooksul üldse sademeid. 2019.a. oli pikaajalisest keskmisest oluliselt sademete rohkem, kuid väga suurte regionaalsete erinevustega (Pärnu-ja Võrumaal sademeid 121-125% normist, Jõgevamaal 89% normist).

Veetase oli kõikidel uurimisaladel (v.a. Maima) 2017.a. oluliselt (siin ja edaspidi kasutatud p<0.05 kriteeriumit) kõrgem 2017.a., 2018.a. oli veetase kõige madalam ja varieeruvam Pärnumaa jääksoodes. 2018 ja 2019 veetasemed ei olnud statistiliselt erinevad Laiuse jääksoos (joon. 1), kuid tuleb arvestada, et 2019a. sügisel mõjutas Laiuse (ning väiksemal määral ka Kõimas) veetaset korrastamistööde läbiviimine.

Joonis 1. Veetasemete aastatevaheline erinevus uurimisalade lõikes (ala vaatluskaevude keskmine). Diagrammil on näidatud minimaalne ja maksimaalne veetase, ülemine ja alumine kvartiil ning mediaanväärtus. Kooniline lõik mediaanväärtuse ümber indikeerib 95% usalduspiiri laiust.

2017.a. keskmisest sademeterikkamal aastal oli CO2 voog suve lõpus madal kuni mõõdukas (30-50 mg C m-2 h-1) ja soodele iseloomuliku aastase käiguga, kus maksimaalsed väärtused (52-123 C m-2 h-1) esinevad soojematel kuudel (tavaliselt juuli-august), siis 2018.a. mis oli tavapärasest oluliselt kuivem ning keskmisest soojem, oli gaasivoog intensiivsema mineraliseerumisprotsessi tõttu oluliselt suurem (>100 mg C m-2 h-1) ja püsis kõrgena kauem (oktoobrini). 2019.a. oli sademeterikas kuid ka ühtlaselt sooja kasvuperioodiga, mistõttu CO2 voog oli ebatavaliselt kõrge juunist oktoobrini (50-160 C m-2 h-1) ja seda nii mineraliseerumise kui ka taimehingamise tõttu (joon. 2). Intensiivsest mineraliseerumisest andis nii 2018. kui 2019.a. kõige selgemalt tunnistust N2O voog, mis looduslikes rabades on iseloomulikult väga madal (<1.5 µg N m-2 h-1) ent jääksoodes kõrgem. Kui 2017.a. oli emissioon Kõima, Ess-soo ja Laiuse -0.7 ... 0.5 µg N m-2 h-1, 4.2 ... 6.3 µg N m-2 h-1 Kildemaa ja Maima jääksoos, siis 2018. ja 2019.a. oli emissioon ligi 2-2.5 korda kõrgem ja väga kõrge oli emissioon Kildemaa ja Maima jääksoos (püsivalt 10-16, üksikutel juhtudel >100 µg N m-2 h-1). Metaani emissioon on jääksoodes enamasti madal (CH4-C < 1 mg C m-2 h-1) kuid kõrge pinnatemperatuur ja veetase soodustavad metaaniteket. Nii oli vaatamata madalale veetasemele kõrgema poorivee temperatuuri tõttu siiski ka metaani emissioon 2018.a. kõrgem (~10%) kui sademete rohkel 2017.a. ja 2019.a. omakorda suurem kui varasematel aastatel.

Joonis 2. CO2 voog väljendatuna ökosüsteemihingamise kaudu (Reco) Kildemaa jääksoo näitel, kus nii freesturbavälja kui taimestunud jääksoo osa tõttu tulevad aastatevahelised erinevused eriti selgelt esile.

Joonis 3. Ökosüsteemihingamine (Reco) uurimisalade keskmisena 2017-2019 aastatel sõltuvalt jääksoo seisundist (Frees = taimestumata või vähese villpea katvusega ala, Taimestunud = taimkatte katvus üle 50%, Looduslik = samblarindes turbasamblad ja taimestiku üldkatvus 100%) ning kraavide seisundist mõõdetuna 2019.a.

CO2 emissioon oli turba lagunemiseks soodsa niiskusrežiimi ja kõrgema maapinna temperatuuri tõttu taimestumata jääksoode osades 2019.a. kõrgem kui eelnevatel aastatel (sh. statistiliselt oluliselt perioodil august-oktoober). Kõrgem Reco osaliselt taimestunud jääksoode osades viitab 2019.a. taimekasvuks soodsatele tingimustele (peamiselt nokkhein ja villpea, aga ka kanarbiku ja karusamblaga kaetud alad) ja näitab korrastamistööde perspektiivikust – kui veetaset suudetakse kasvuperioodil hoida maapinna suhtes kõrgemal kui -30...-40 cm, siis on võimalik nendel aladel süsiniku sidumise taastumine. Looduslikule lähedase veerežiimiga aladel 2018 ja 2019 ökosüsteemihingamise erinevusi ei esinenud. Kraavide seisund (taimestumata avaveeline, turbaheljumiga, taimestunud) CO2 voogu veepinnalt oluliselt ei mõjuta (joon. 3).

Tootmisväljakute vahelistest 1-1.2 m laiadest kraavidest gaasivoo mõõtmine (joon. 4) tõi esile äärmiselt olulise aspektina, mida on vaja korrastamistööde juures arvestada, et vaatamata nende tühisele osakaalule jääksoode kogupindala mõttes (alla 0.05%) võib neist lenduda kuni 50% kogu jääksoo metaanist (kraavidest emiteeritav voog ligi 50-200x suurem kui endistel tootmisväljakutel).

Joonis 4. Kasvuhoonegaaside voog jääksoode turbaväljakutelt ja nendevahelistest kraavidest (2018- 2019).

Nii turbavees kui jääksoo kraavides on süsinik ja lämmastik valdavalt lahustunud vormis, 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: DN/DC suhe on seda kõrgem ja regressioonvõrrandi seos tugevam, mida enam on ala häiritud. Seos kehtib nii turba

poorivees kui kraavides, kuid seos kaob põhjaveelise toitumisega piirkondades/kraavides (joonis 5).

Joonis 5. Lahustunud orgaanilise süsiniku ja lahustunud üldlämmastiku vaheline seos Maima avaveelistes kraavides ilma põhjaveelise toitumiseta ja põhjaveelise toitumisega kraavides.

Veekvaliteedi näitajate ruumilise autokorrelatsiooni hindamiseks viidi 2019.a sarnaselt 2018.a läbi eksperiment, mille käigus koguti veeproovid nii tootmisväljakutevahelistest kraavidest, piirdekraavidest kui väljavooludest. Veeproovide tulemused näitavad tugevat autokorrelatsiooni süsiniku kontsentratsiooni ja mõõdukat korrelatsiooni lahustunud üldlämmastiku osas. Laiuse jääksoos võeti kraavidest veeproovid ka 2019.a. oktoobris vahetult korrastamistööde järel ja tulemused näitavad mullatöödega kaasnenud lahustunud süsiniku ning lämmastiku sisalduse suurenemist (joonis 6). Suurem oli muutus uurimisala lääneosas (kraavid L15-L20) kõrgema veetasemega hundinuiade ja pillirooga osaliselt taimestunud piirkonnas ja lõunapoolse üleujutatud freesturbaväljaku (Laiuse veekogu) kohal, mille veetaset kraavide sulgemiseks muudeti. Kõrgemad kontsentratsioonid L9, L15 ja L20 juures näitavad piki kraavi rajatud pinnaspaisude mõju.

Joonis 6. Korrastamistööde mõju vee lahustunud orgaanilise süsiniku (DOC) ja lahustunud lämmastiku (DN) sisaldusele Laiuse jääksoo kraavides 2019.a. oktoobris (punane joon) võrreldes korrastamiseelse baastasemega 2018 (heleroheine joon) ja 2019 (tumeroheline joon). Korrastamistöödest mõjutatud ala jäi kraavide L1-10 ja L15-L20 vahele ning Laiuse veekogu, võrdlusala kraavid on L11-L14.

2019.a. jätkati nii drooni- kui satelliitpiltide alusel seire metoodika väljatöötamise ja testimisega ja laiendati tegevust kasutamaks pilvisusest sõltumatut Sentinel-1 sünteetilise apertuurradari (SAR) andmeid maapinnaniiskuse ning veetaseme ülepinnaliseks hindamiseks. SAR metoodika arendamise tulemused on esitatud teadusartiklina avaldamiseks: Tampuu, T., Praks, J., Kull, A., Uiboupin, R., Tamm, T. and Voormansik, K. Detecting peat extraction related activity with multi-temporal Sentinel-1 InSAR time series. International Journal of Applied Earth Observation and Geoinformation. ja teine käsikiri on valminud: Tampuu, T., Praks, J., Uiboupin, R. and Kull, A. Long Term Interferometric Temporal Coherence and DInSAR Phase in Northern Peatlands. Journal of Remote Sensing (MDPI). Uuriti ka Maaameti poolt regulaarselt kogutava LIDAR andmestiku kasutamise võimalusi jääksoodes

toimuvate muutuste hindamiseks. Tulemused on kokku võetud O. Toomsalu 2019.a. juunis kaitstud magistitöös “Jääksoodes toimuvate muutuste analüüsimine LiDAR andmetel” ja näitavad, et jääksoos tuule- ja veeerosiooniga kaasnevaid muutusi (turba ärakanne kõrgematelt aladelt, kraavide täitumine turbaosakestega) on võimalik LIDAR kõrgusandmete aegridadest tuvastada. Taimkatte ja mikroreljeefi muutuste tuvastamiseks on vajalik suurem punktitihedus ja väiksem punkti jälg maapinnal (st. madalam ülelend).

Kuna 2018 ja 2019.a. olid ilmastikult väga erinevad ning korrastamistööd toimuvad alade lõikes erinevatel aastatel, siis viidi andmete võrreldavuse tagamiseks 2019.a. mullaseire läbi uuesti kõikidel võrdlusaladel ja kõikidel korrastamisprojektis kavandatud eksperimendialadel. Nii lühikese ajaga suuri muutusi mulla põhinäitajate osas toimuda ei saa, kuid ootuspäraselt (ja heas kooskõlas mõõdetud N2O gaasivoo tulemustega) oli sooja kuiva 2018.a. suve järel 2019.a. suveks suurenenud üldlämmastiku sisaldus (1.18%-lt 1.37%-ni, eriti ühetaoline oli muutus freesturbaväljadel) ning kahanenud ilmastiku suhtes kõige tundlikumate lämmastikuvormide (NO3

- ja NH4 -) sisaldus. Kaaliumi, kaltsiumi ja

fosforisisaldus olid muutumatud, kuid suurenenud oli magneesiumisisaldus (keskmiselt 374 mg/kg tasemelt 422 mg/kg tasemele) ja suurem oli muutus Ess-soo freestutbaväljadel.

2019. a suvel vegetatsiooniperioodi keskel (17.VI-4.VII) tehti taimkatte analüüsi välitööd Ess-soo, Laiuse, Kildemaa, Maima ja Kõima jääksoodes kokku 156-l märgistatud 1x1 m püsiruudul, kus määrati taimestiku üldkatvus ja taimeliikide (soon- ja sammaltaimed) katvused (%), samblike katvus ning kulu (surnud ja kuivanud taimed) protsent. Iga taimkattepüsiruudu ühe nurga perforeeritud torus mõõdeti veetaseme sügavus (cm) maapinnast. Uuritud jääksoode freesitud aladel on taimestiku katvus endiselt väga väike ning et taimestikule ebasoodsad ja ebastabiilsed keskkonnatingimused ei ole seal oluliselt muutunud, siis ei ole ka 2019. a analüüsi andmetel taimestiku üldkatvustes toimunud märkimisväärseid muutusi võrreldes 2018. aastaga. Kõige enam on soontaimede üldkatvus vähenenud Laiuse ja Kildemaa jääksool. Samas on Laiuse aladel sammalde katvus suurenenud, kuid teistel uuritud jääksoodel on see olnud stabiilne (Tabel 1). Tabel 1. Taimestikuruutude keskmised üldkatvused (ÜK) protsentides (2018. ja 2019. a) ja 2019. aastal mõõdetud ruutude keskmised veetaseme sügavused (cm) viiel analüüsitud jääksool.

Jääksoo

Taimestiku ÜK, %

Soontaimede ÜK, %

Sammaltaimede ÜK, %

Veetase, keskm. (min-max) cm

2018 2019 2018 2019 2018 2019 2019 juuli

Ess-soo 32,9 33,1 17,6 16,4 18,2 19,8 25,7 (4-42)

Laiuse 92,3 96,3 57,1 46,7 47,8 57,2 31,1 (3-60)

Maima 33,8 34,7 22,9 21,1 11,4 11,5 29 (11-62)

Kõima 81,5 77,6 29,4 27,5 64,1 67,2 23,6 (2-44)

Kildemaa 49,2 46,7 33,2 27 9,4 9,8 42,3 (32-50)

7. PROJEKTIGA HAAKUVAD TEADUSTEEMAD, GRANDID, DOKTORI- JA MAGISTRITÖÖD, JÄRELDOKTORITE UURIMISTEEMAD, LEPINGUD:

2013-2018. Institutsionaalne uurimisteema IUT2-16: “Globaalne soojenemine ja maastike aineringe (Maastike

struktuuri ja funktsioonide muutused seoses globaalse kliima soojenemise ja inimtegevusega ning aineringe

modelleerimine ja ökotehnoloogiline reguleerimine)”; Ü. Mander vastutav täitja.

Gert Veberi doktoritöö: Kasvuhoonegaaside emissiooni ajalis-ruumiline dünaamika sooökosüsteemides kui soode

puhvervööndite määramise oluline kriteerium;

Birgit Viru doktoritöö: Spatio-temporal variability of snow cover in Estonia and its influence on greenhouse gas

emission in winter;

Iuliia Burdun doktoritöö: Satellite-derived Land Surface Temperature (LST) as Proxy for Greenhouse Gas Fluxes

in Boreal Peatlands.

Tauri Tampuu doktoritöö: Application of spaceborne SAR polarometry and interferometry for landscape ecological

studies in bogs.

Ott Toomsalu magistritöö: Jääksoodes toimuvate muutuste analüüsimine LiDAR andmetel. Kaitsutud juunis 2019.

8. Projekti juht (nimi):

Ain Kull

Allkiri: allkirjastatud digitaalselt

Kuupäev: 13.04.2020

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

Allkiri: allkirjastatud digitaalselt

Kuupäev: 13.04.2020

NB! Aruanne esitada elektrooniliselt aadressil [email protected]

JÄÄKSOODE VEEREŽIIMI TAASTAMISE KOMPLEKSUURINGU VAHEARUANNE PROJEKTI 3. ETAPI KOHTA (2020.a.) 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 MSc, doktorant keskkonnaspetsialist 7. Edgar Sepp MSc, doktorant geoinformaatika spetsialist 8. Marko Kohv PhD rakendusgeoloogia teadur 9. Mae Uri Dipl./BSc spetsialist (keemik) Projektiga seotud abitööjõud: 1. Birgit Viru MSc doktorant 2. Iuliia Burdun MSc doktorant 3. Tauri Tampuu MSc doktorant 4. Kärt Erikson BSc magistrant 5. PROJEKTI KULUD ARUANDEPERIOODIL 2020.a. 39529,52 eurot

Kokku

Töötasud (põhitäitjad +abitööjõud) 13452,28 Sotsiaalmaks 4439,26 Töötuskindlustusmaks 107,60 Ostetud teenused 98,20 Lähetuskulud 3049,64 Materjalid, tarvikud, masinad, seadmed 6630,92 Muud kulud 11751,62 Kokku 39529,52

Ostetud teenuste selgitus 98,20 Projektiga seotud artikli käsikirja

keelekorrektuur ja pangaülekande tasu. 2020.a. kogutud ja EMÜ laboris määratud mullaproovide arve laekus 2021.a. jaanuaris ja seetõttu kajastub see kulu 2021.a. eelarves.

Lähetuskulude selgitus 3049,64 Kõik lähetused on seotud välitöödel gaasi- ning veeproovide regulaarse kogumisega, drooniseire ning taimkatteseirega.

Materjalide, tarvikute, masinate ja seadmete selgitus

6630,92 Soetati korrastatud aladele (Laiuse, Kõima, Maima) täiendavad veetaseme automaatlogerid, mõõteseadmetele patareisid, mõõdulindid, teibid jmt. tarvikud

Muude kulude selgitus 11751,62 Tartu Ülikooli üldkulueraldis (20%) RMK-lt 2020.a. laekunud lepingutasult ja 307.16 EUR ulatuses projekti täitmiseks välitööriietus (kasutaja Gert Veber)

6. PROJEKTI TÄITMISE VAHEARUANNE Jääksoode taastamisprojektidele sisendi andmine. 2020.a. osalesid Tartu Ülikooli esindajad Maima, Kildemaa ja Ess-soo korrastamisprojektide, -hangete ning korrastamistööde arutelus ja andsid kogu perioodi ulatuses sisendit tellijale. Vastavalt Maima kogemustele tehti soovitused Ess-soo hankes kraavide täitmise ning pinnaspaisude rajamise ning äravoolunõvade absoluutkõrguste osas. Koos RMK esindajatega käidi turbasamblafragmentide pakkuja (AS Jiffi) doonoraladel ja näidati Maima ala korrastajale ette sobivad fragmentide kogumisalad. E. Karofeld, A. Kull ning G. Veber osalesid esmasel turbasamblafragmentide kogumise ja laotamise päeval, et juhendada töö teostajaid kogutava kihi paksuse ning sammalde seisundi osas. Välitööd monitooringualadel. 2020.a. on igakuiselt püsiproovialadelt kogutud gaasiproovid (CO2, N2O, CH4), mõõdetud vaatluskaevudes ning kraavides veetase, portatiivsete seadmetega O2 sisaldus (mg/l) ning küllastatustase (O2%), pH, konduktiivsus (µS/cm), ORP (mV) ja kogutud veeproovid laboratoorseteks analüüsideks. Laboratoorselt on igakuiselt määratud vaatluskaevudest ning referentsaladega piirnevatest kraavidest kogutud veeproovidest üldsüsiniku ja üldlämmastiku, lahustunud üldsüsiniku, lahustunud orgaanilise süsiniku, lahustunud anorgaanilise süsiniku ning lahustunud üldlämmastiku sisaldus. Jätkati igakuist kasvuhoonegaaside (CO2, N2O, CH4) voo mõõtmist tootmisväljakute vahelistest kraavidest. 2020.a. oktoobris jõudis lõpule Maima jääksoo korrastamine, seetõttu installeeriti korrastatud aladele täiendavad piesomeetrid ning vaatluskaevud ja rajati täiendavad gaasivoogude mõõtmise alad (sh. täiendavad ujuvkambrid paisudega kraavidel ja kambrid lausaliselt täidetud kraavidel). Kõikidelt korrastatud proovialadelt ning Maima alalt korrastamise eelselt koguti mullaproovid (18 kompleksproovi, iga kompleksproov koosneb 24 alamproovist) ning viidi läbi taimkatteanalüüs. Jätkati drooniseirega ning satelliitandmete analüüsimisega ning satelliitradarandmetega (SAR) häiringurežiimide (maakate, veetase, pinnakõrguse muutus) tuvastamise metoodikate väljatöötamisega. Ilmastik on uurimisperioodil aastate lõikes olnud väga erinev. 2017.a. oli pikaajalisest keskmisest sademeterohkem (sõltuvalt uurimisalast 106-114% normist), eriti vihmased olid kevad ja sügis, mil sademete kuusumma ületas normi kohati kuni 2 korda. 2018.a. oli pikaajalisest keskmisest sademetevaesem (72-90% normist), eriti kuiv oli kevad ja suve algus, mil mõnes ilmajaamas ei esinenud kuu jooksul üldse sademeid. 2019.a. oli pikaajalisest keskmisest oluliselt sademeterohkem, kuid väga suurte regionaalsete erinevustega (Pärnu-ja Võrumaal sademeid 121-125% normist, Jõgevamaal 89% normist). 2020.a. kevad algas normilähedase temperatuuri sademete hulgaga, kuid mai keskpaik oli pikaajalisest keskmisest ligi 4 kraadi jahedam (viimase 60 aastat jahedaim) ja aeglustas seetõttu taimkatte arengut ja evapotranspiratsiooni ning aeglustas kasvuhoonegaaside voo kasvu suve alguses. Suvi oli pikaajalise normi lähedane kuid sügis normist oluliselt soojem (ligi 3 kraadi võrra) kõigil kuudel ja ka päikesepaistelisem ning kuivem. Ka 2020. a. detsember oli keskmisest soojem (+0.6 kraadi võrra).

Veetase oli kõikidel uurimisaladel (v.a. Maima) sademeterikkal 2017.a. oluliselt (siin ja edaspidi kasutatud p<0.05 kriteeriumit) kõrgem. 2018.a. oli veetase kõige madalam ja varieeruvam. 2018 ja 2019 veetasemed ei olnud statistiliselt erinevad Laiuse jääksoos (joonis 1), kuid tuleb arvestada, et 2019a. sügisel mõjutas Laiuse (ning väiksemal määral ka Kõimas) veetaset korrastamistööde läbiviimine. 2020.a. oli jääksoodes keskmine veetase eelneva aastaga sarnasel tasemel, kuid taseme varieeruvus kevadise kõrgema ning suvise miinimumtaseme vahel väiksem kui eelnevatel aastatel.

Joonis 1. Veetasemete aastatevaheline erinevus uurimisalade lõikes (ala vaatluskaevude keskmine). Diagrammil on näidatud minimaalne ja maksimaalne veetase, ülemine ja alumine kvartiil ning mediaanväärtus. Kooniline lõik mediaanväärtuse ümber indikeerib 95% usalduspiiri laiust. Maima jääksoos mõjutas 2020.a veetaset korrastamisega seonduv, seda eriti korrastamisjärgselt, mil esile tuli projekteerimise raames puudulikuks jäänud veetasemete hindamine korrastamisala erinevate osade lõikes. Sellest tulenevalt täideti projektikohaselt kõik kogujakraavid täielikult ja kõrgussuhete erinevuse tõttu valgus sügisene aurumist ja infiltratsiooni ületav sademetevesi väljavoolu või projekteeritud madalaveelise veekogu (ala NE osas) asemel jääksoo loodusliku rabaga piirnevatele proovialadele (SW osas). Olukorda leevendasid mõnevõrra korrastamistööde käigus jooksvalt rajatud ülevoolunõvad eraldusvallides, kuid väljaku suuremamõõtkavalisi kõrguserinevusi sellega leevendada ei saanud ning nii tõusis aasta lõpuks veetase võrdlusaladel kuni 20 cm üle maapinna (+30-40 cm tavapärasest veetasemest) ja korrastatud väljakutel 20-40 cm üle maapinna. Seevastu rajatud ülevoolud nii põhja- kui lõunapoolsel alal ning kavandatud madalaveeline märgala jäid kuivaks. Sellest tulenevalt toitainete väljakannet Maima alalt 2020 korrastamistööde kaigus ei toimunud. Toitainete väljakanne oli minimaalne (aasta jooksul sõltuvalt proovialast 0-38 päeva ulatuses) ka 2019.a. korrastatud Laiuse jääksoos, kus aurumist ületav sademete hulk kas infiltreerus või läks poorivee varude täiendamiseks ning ülevoolu kaudu vee liikumine toimus vaid veekogust väljavoolus ning keskmisel korrastamisalal (Laiuse N). Kordagi ei toimunud vee ülevoolu rajatud lävendist kõrgeima veetasemega (Laiuse NW) ja sügavaima veetasemega (Laiuse NE) aladel. 2017.a. keskmisest sademeterikkamal aastal oli CO2 voog suve lõpus madal kuni mõõdukas (30-50 mg C m-2 h-1) ja soodele iseloomuliku aastase käiguga, kus maksimaalsed väärtused (52-123 C m-2 h-1) esinevad soojematel kuudel (tavaliselt juuli-august), siis 2018.a. mis oli tavapärasest oluliselt kuivem

ning keskmisest soojem, oli gaasivoog intensiivsema mineraliseerumisprotsessi tõttu oluliselt suurem (>100 mg C m-2 h-1) ja püsis kõrgena kauem (oktoobrini). 2019.a. oli sademeterikas kuid ka ühtlaselt sooja kasvuperioodiga, mistõttu CO2 voog oli ebatavaliselt kõrge juunist oktoobrini (50-160 C m-2 h-1) ja seda nii mineraliseerumise (heterotroofse) kui ka autotroofse hingamise tõttu. 2020.a. CO2 voog oli eelnevatest aastatest madalam aastaringselt stabiilsema ja suhteliselt kõrge veetaseme, ebatavaliselt jaheda mai keskpaiga tõttu aeglaselt soojenenud maapinna ning pika sooja ja päikesepaistelise sügisese kasvuperioodi tõttu (joonis 2). Intensiivsest mineraliseerumisest andis nii 2018. kui 2019.a. kõige selgemalt tunnistust N2O voog, mis looduslikes rabades on iseloomulikult väga madal (<1.5 µg N m-2 h-1) ent jääksoodes kõrgem. Kui 2017.a. oli emissioon Kõima, Ess-soo ja Laiuse -0.7 ... 0.5 µg N m-2 h-1, 4.2 ... 6.3 µg N m-2 h-1 Kildemaa ja Maima jääksoos, siis 2018. ja 2019.a. oli emissioon ligi 2-2.5 korda kõrgem ja väga kõrge oli emissioon Kildemaa ja Maima jääksoos (püsivalt 10-16, üksikutel juhtudel >100 µg N m-2 h-1). 2020.a oli N2O voog mõõdukas, peamiseks põhjuseks kogu vaatlusperioodi jooksul aasta lõikes kõige stabiilsem veetase, mistõttu N2O voo tekkeks vajalik nitrifikatsiooni/denitrifikatsiooni vaheldumine toimus vaid kitsas sügavusvahemikus. Metaani emissioon on jääksoodes enamasti madal (CH4-C < 1 mg C m-2 h-1) kuid kõrge pinnatemperatuur ja veetase soodustavad metaani teket. Nii oli vaatamata madalale veetasemele kõrgema poorivee temperatuuri tõttu siiski ka metaani emissioon 2018.a. kõrgem (~10%) kui sademete rohkel 2017.a. ja 2019.a. omakorda suurem kui varasematel aastatel. 2020.a. oli metaani emissioon kõikidel aladel erakordselt suur väga sooja talve tõttu, mil maapind ei külmunud ja talvised ning kevadised metaanivood oli 2-3 korda tavapärasest suuremad. Jahe mai tõi küll metaanivoo kaheks kuuks tavapärasele tasemele, kuid pikk ja soe sügis omakorda hoidis metaani emissiooni väga kõrgel tasemel ebaharilikult pikalt kuni novembrini. Kasvuhoonegaaside talviste voogude võrdlus Laiuse ning Ess-soo jääksoodest Järvselja kuivendatud turvasmuldadel metsadega on avaldatud teadusartiklina „Viru, B; Veber, G; Jaagus, J; Kull, A; Maddison, M; Muhel, M; Espenberg, M; Teemusk, A; Mander, Ü (2020). Wintertime Greenhouse Gas Fluxes in Hemiboreal Drained Peatlands. Atmosphere, 11 (7), 731. DOI: 10.3390/atmos11070731“.

Joonis 2. CO2 voog väljendatuna ökosüsteemihingamise kaudu (Reco) 2019.a. juulist oktoobrini korrastatud Laiuse jääksoo näitel, kus aastatevahelised erinevused tulevad selgelt esile. 2019.a. korrastatud Laiuse jääksoo näitel on 2020.aastal näha, et pinnaspaisudega kraavide sulgemise teel korrastatud alal püsib ökosüsteemihingamine madal kuni juuni kuuni, mil veetase oli kõrge. Suve teisel poolel mil aurumine oli intensiivne ja veetase hakkas langema (-20...-30 cm), kasvas ka CO2 voog võrdlusalaga sarnasele tasemele. Madalaveeline märgala (vee sügavus 0.5-1 m) kahandab efektiivselt CO2 voogu.

Korrastamistöödele järgnenud aasta jooksul suurenes küll metaani emissioon, kuid see jäi märkimisväärselt madalamaks kui looduslikus seisundis rabade pikaajaline keskmine voog (joonis 3). Korrastamisaladel, kus kraavidele rajati pinnaspaisud, kasvas metaanivoog võrdlusalaga võrreldes kevadel aeglasemalt kuid säilitas kõrgema emissiooni (200-500 5 µg C m-2 h-1) kuni detsembrini. Madalaveeline veekogu on küll korrastatud alast ja võrdlusalast selgelt suurema metaanivooga (kuni 2500 µg C m-2 h-1, keskmiselt 451 µg C m-2 h-1) kuid siiski võrdlusalaga võrreldes ligi 10x väiksema kliimat soojendava efektiga ka metaani suuremat GWP100 faktorit arvestades.

Joonis 3. CH4 voog 2019.a. juulist oktoobrini korrastatud Laiuse jääksoo näitel võrrelduna looduslike rabade pikaajalise keskmise metaanivoo aastaajalise käiguga.

Joonis 4. N2O voog 2019.a. juulist oktoobrini korrastatud Laiuse jääksoo näitel võrrelduna looduslike rabade pikaajalise keskmise naerugaasivoo aastaajalise käiguga.

Korrastatud Laiuse jääksoos on naerugaasi emissioon vaatamata mulla mõõdukale N sisaldusele (0.8- 1.5%) väike ja rabale tüüpiliselt ajaliselt väga varieeruv (joonis 4). Suurim naerugaasi voog iseloomustab 2019.a. kraavidele pinnaspaisude rajamisega korrastatud ala, kus veetaseme järsud muutused aprillis ning juulis tõid kaasa suurema voo kui võrdlusalal, ent aastane käik on väga sarnane ka madalaveelise veekogu puhul, kus põhjasettes on NH4- kujul (peamine N vorm) lämmastikusisaldus ohtralt esinevate veelindude tõttu ligi 4x kõrgem kui korrastamisala mullas. Samas on ka korrastamisalal veelindude väljaheidete ja mullatööde tõttu NH4- sisaldus oluliselt suurem võrdlusalast.

Joonis 5. Ökosüsteemihingamise (Reco) ja mullahingamise (Rsoil) proportsioon korrastatud uurimisaladel 2020.a. keskmisena sõltuvalt jääksoo korrastamisviisist. CO2 emissioon oli turba lagunemiseks soodsa niiskusrežiimi ja kõrgema maapinna temperatuuri tõttu kõrgeim Kõima turbavõtuaukude vahelisel peenral (joonis 5), mis on taimestunud nõrgalt ja korrastamisjärgne veetaseme tõus ei mõjuta nii kõrget ala oluliselt. Peenardel moodustab jätkuvalt mullahingamine (emissioon) suurema osa ökosüsteemi hingamisest. Samas on Kõima jääksoo saavutamas seisundit, kus süsiniku sidumine ületab auto- ja heterotroofse hingamise voogu ja sidumine on saavutatud nii hästi taimestunud kraavides kui korrastatud turbavõtuaukudes. Laiuse jääksoos oli paisude rajamiseks vajalik suuremamahuline mullatööde läbiviimine ja seetõttu esimesel aastal pärast korrastamist (2020) on korrastatud alal süsihappegaasi emissioon mullast oluliselt suurem kui võrdlusalal ent ökosüsteemihingamine võrreldaval tasemel. Väga väike on süsinikuemissioon madalaveelisest veekogust ning kirjandusallikatele vastupidiselt ka suletud kuid veega täidetud avaveelistes kraavides.

Joonis 6. Maima jääksoos ökosüsteemi hingamine, metaani- ja naerugaasi emissioon 2017-2020. Korrastamistööd toimusid 2020.a. augustist oktoobrini, sügisesed korrastamisjärgsed vood on esitatud ka korrastamisviiside lõikes (alade keskmised, igal alal 4-5 kordust vaatluskuu kohta).

Maima korrastamistöödele järgnenud kuude gaasivoo mõõtmised langesid kokku sügisese voogude kiire kahanemise faasiga ja tulemust mõjutab tugevalt projekteerimise käigus hindamata jäänud veetaseme tõus võrdlusaladel ning erineva korrastamisviisiga proovialadel, mistõttu võrdlusalad ujutati üle osaliselt, looduslikus seisus rabapoolsed proovialad aga täielikult. Siiski on tulemustest näha, et paisudega blokeeritud kraavidega aladel suurenes metaanivoog, suurema mullatööde mahuga aladel ka naerugaasi voog. Maapinna sulamisel on proovialadel vajalik labidatööna vee liikumisteid korrigeerida. Vaatluskaevudest ning kraavidest kogutud veeproovide tulemused näitavad tugevat ruumilist autokorrelatsiooni süsiniku kontsentratsiooni ja mõõdukat autokorrelatsiooni lahustunud üldlämmastiku osas. Samuti on tugev seos lahustunud lämmastiku ja lahustunud orgaanilise süsiniku kontsentratsiooni vahel ning seos on tugevam aladel, mis on kuivendusest või korrastamisel mullatöödest enam mõjutatud. Laiuse jääksoo näitel tuleb hästi esile korrastamistöödega seonduv lahustunud lämmastiku ning orgaanilise süsiniku kontsentratsiooni tõus (joonis 7). Mõju osutus DN osas lühiajaliseks, DOC osas on mõju täheldatav kogu 2020.a. vaatlusperioodi ulatuses. DN ja DOC väljakandele jäi mõju aga väikeseks, piirdudes peamiselt väljakandega madalaveelisest veekogust, sest teistel aladel jäi sademevesi proovialadel pooride veega täitmiseks pidama ja ülevooludest peakraavi jõudis vett vaid üksikutel päevadel ning minimaalses koguses. Mõju madalaveelisest veekogust on Laiuse puhul märkimisväärne seetõttu, et korrastamistööde läbiviimiseks alandati veekogu algset veetaset enam kui poole võrra (0.7 m) ja mullatööde käigus liigutati ka põhjasetteid. Veetaset alandamata või veetaseme aeglasel tõusul võib väljakanne madalaveelisest veekogust olla väiksem. Sellele hüpoteesile loodame vastuse saada Maima ning Ess-soo madalaveeliste märgalade kujunemisel.

Joonis 7. Korrastamistööde mõju vee lahustunud orgaanilise süsiniku (DOC) ja lahustunud lämmastiku (DN) sisaldusele Laiuse jääksoos 2019.a. juulist oktoobrini (kollane toonitud ala) võrreldes korrastamiseelse baastasemega 2019 ja korrastamisjärgse seisuga vastavalt korrastamisviisile 2020. 2020.a. jätkati nii drooni- kui satelliitpiltide alusel seire metoodika väljatöötamise ja testimisega ja laiendati tegevust kasutamaks pilvisusest sõltumatut Sentinel-1 sünteetilise apertuurradari (SAR) andmeid maapinna niiskuse ning veetaseme ülepinnaliseks hindamiseks. Esialgsed tulemused näitavad, et SAR koherentsuse andmestik on ruumilise dünaamika kirjeldamiseks sobiv nii looduslikes rabades kui freesturbaväljadel ning hõreda puurindega jääksoodes. SAR interferomeetria andmestiku kasutamine on erinevalt looduslikust rabast vastu ootusi jääksoodes keeruline kuna ei kujune piisavalt ei dünaamilisi ega püsipeegelduspunkte. Mis takistab looduslikust rabast eelduslikult stabiilsemal jääksoo pinnal dünaamiliste või püsipeegelduspunktide teket, selle uurimine jätkub 2021.a. koostöös Saksa kosmoseagentuuri DLR töötajatega ja planeeritakse niiskusprofiili mõõdistamise eksperimente Ess-soos ning Maima jääksoos. SAR metoodika arendamise esimesed tulemused on avaldatud teadusartiklitena: Tampuu, T.; Praks, J.; Uiboupin, R.; Kull, A. (2020). Long term interferometric temporal coherence and DInSAR phase in Northern Peatlands. Remote Sensing, 12 (10). DOI: 10.3390/rs12101566 , 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 ja T. Tampuu, J. Praks and A. Kull (2020). "Insar Coherence for Monitoring Water Table Fluctuations in Northern Peatlands," IGARSS 2020 - 2020 IEEE International Geoscience and Remote Sensing Symposium, Waikoloa, HI, USA, 2020, pp. 4738-4741, doi: 10.1109/IGARSS39084.2020.9323709.

Landsat 7, 8 ja Modis satelliitide andmete alusel arvutati maapinna temperatuuri aegread ning taimkatte ja niiskusindeksid. Jääksoode maapealsete mõõtmisandmetega seostades leiti, et satelliidiandmete abil on jääksoodes maapinna temperatuuri ja ökosüsteemi hingamist võimalik modelleerida suurema täpsusega kui looduslikes rabades (r= 0.5-0.7). Tulemused esitatakse EGU 2021.a. kongressil ning valmimas on artikli käsikiri „I. Burdun, A. Kull, G. Veber, O. Karasov, M. Maddison, V. Sagris and Ü. Mander, Remotely sensed temperature is a proxy of greenhouse gas emissions in intact and managed peatlands“. 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 andmestiku 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 normaalne 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). 2019.a. sügisel metoodika testimiseks Laiuse jääksoost kogutud dendrokronoloogilise uuringu materjalid, mida analüüsiti 2020.a. näitavad, et rabamännid reageerivad veetaseme järsule alanemisele 2-3 aastase radiaaljuurdekasvu aeglustumise ning seejärel 10-15 aastase kasvu järsu kiirenemisega. Veetaseme tõus (Laiuse lõunapoolne koprapaisutusest tekkinud veekogu) avaldub samuti 2-3-aastase viibega kuid puude lõikes oluliselt ebaühtlasemalt kui kuivenduse mõju. Mõju hindamise täpsust mõjutab omakorda see, et mõnel puul jääb tugeva mõjutuse tõttu aastarõnga moodustumine vahele ning mõju avaldub erineva intensiivsusega erineva vanusega puudel. Laiuse jääksoos läbi viidud metoodika testimine kinnitab algset seisukohta, et dendrokronoloogiliste proovide kogumine korrastatud jääksoodes ei ole otstarbekas varem kui 3 aastat pärast korrastamistöid. Laiuse jääksoo dendrokronoloogilise analüüsi tulemused esitatakse 2021.a. International Peatland Society kongressil ettekandes K. Erikson, A. Läänelaid, A. Kull „Effect of water level change on radial increment of Scots pine in a restored peatland in Estonia“ ning K. Eriksoni magistritöös. 2020. a suvel (9.-11. VI) tehti RMK projekti täitmiseks välitööd Laiuse, Maima ja Kõima jääksoodes kokku 90-l varem märgistatud 1x1 m püsiruudul, kus määrati taimestiku üldkatvus ja taimeliikide (soon- ja sammaltaimed) katvused (%), samblike katvus ning kulu (surnud ja kuivanud taimed) protsent eelmiste aastatega sama metoodika alusel. Igast püsiruudust tehti koos etiketiga foto. Taimedest, mida ei olnud välitingimustes võimalik liigini määrata võeti kaasa proov määrangu täpsustamiseks laboris. Taimkatte-analüüside tulemused on sisestatud tabelitesse alade ja aastate kaupa ning on tehtud esmased võrdlused eelmiste aastatega (tabelid lisatud lühiaru-andele). Iga taimeruudu ühes nurgas mõõdeti perforeeritud torus veetaseme sügavus (cm) maapinnast. Kuigi eri aastatel on mõõtmised tehtud ligikaudu samal perioodil, ei saa ühekordsete mõõtmiste alusel veel teha järeldusi muutuste kohta veetaseme sügavuses, mis jääksoodes muutub sesoonselt suures ulatuses. Vaid Laiuse jääksoos on pärast korrastamistöid toimunud oluline veetaseme tõus. Kõima ja Maima jääksoode taimeruutudes on taimestiku katvus endiselt väga väike ning ka eelnenud aastatega ei ole olulisi muutusi toimunud (Tabel 1). Laiuse jääksool on aga C ja D aladel veetase tõusnud mitukümmend sentimeetrit ja enamus taimeruute olid osaliselt või täielikult vee all. See muutus hakkab peagi mõjutama ka taimestikku. Maima jääksoo kuivenduskraavid olid taimkatteuuringu ajal (2020 suvel) veel sulgemata, siis seal on väljakutel veetase endiselt küllalt sügaval (max vastavalt 56 ja 80 cm), kuigi kevadel ja sadude järgselt võivad mõned alad olla lühiajaliselt ka üle ujutatud. Kõige sügavamad veetasemed on mõõdetud nii Maima kui 2019.a. korrastatud Kõima jääksoo vanade turbaaukude vahelistel tervikutel. Võrreldes varasemate aastatega on kõige suuremad muutused toimunud Laiuse jääksoos, kus pärast korrastamistööde tegemist, sh paisude ehitamist kraavidele, on osad väljakud kuni 20-30 cm sügavuse veega üle ujutatud (Foto 1). Kõige olulisem on veetaseme tõusu mõju C ja D uurimisaladel. C alal ulatub veekihi sügavus taimestikuruutudel 25 sentimeetrini ning kuuest ruudust on üleni vee all kolm ja osaliselt kaks ruutu (Foto 2). D ala ruutudest on üleni vee all neli ja osaliselt üks ruut, veekihi sügavus ruutudel

kuni 32 cm. A ala ruutudes on veetase 13-38 cm sügavusel. Tabel 1. 2020. aastal kolmes jääksoos analüüsitud taimestikuruutude keskmised, soon- ja sammaltaimede üldkatvused (ÜK, %) ning keskmised veetaseme sügavused (- cm) ja veekihi paksused (+ cm) võrreldes 2019. a andmetega.

Jääksoo

Taimestiku

ÜK, %

Soontaimede

ÜK, %

Sammaltaimede

ÜK, %

Veetase, keskm. (min-max) cm

2019 2020 2019 2020 2019 2020 2019 2020

Laiuse 96,3 54,7 46,7 17,4 57,2 31,4 -31,1 (3-60) -24,8 (13-38)

Maima 34,7 34,8 21,1 21,1 11,5 11,6 -29 (11-62) +10,5 (-12+25)

Kõima 77,6 76 27,5 24,7 67,2 63,8 -23,6 (2-44) +16,3 (-5+32)

Laiuse jääksoos on oluliselt vähenenud nii taimestiku üld- kui ka soon- ja sammaltaimede katvus (Tabel 1). Suurenenud on invasiivse samblaliigi, võõr-kõverharjaku katvus, kuid veetaseme tõustes see liik pigem kaob. Veekihi all on väiksemaid taimeliike juba raske märgata ja osalt võib olla sellest tingituna on taimeliikide koguarv vähenenud 27-lt kahekümne kaheni, samas kui Maima ja Kõima jääksoos on erinevus varasemaga vaid mõne liigi võrra.

Foto 1. Üleujutatud ala Laiuse jääksoos. Foto 2. Üleujutatud Laiuse C 2 taimeruut. Maima jääksoos ei olnud välitööde ajaks tingimused muutunud ja sellest tingituna ei ole toimunud ka olulisi muutusi taimestikus (Tabel 1). Ka liikide koguarv on tõusnud vaid ühe võrra (36-lt 37-ni) jätkates aga ka eelnenud aastatel registreeritud tõusu ja uute (sambla)liikide ilmumist. Taimeliikidest on katvus tõusnud alpi jänesvillal (Trichophorum alpinum), kuid vähenenud turbasamblaliikidel, mis osutab kuivenduse jätkuvale mõjule. Kõima jääksoos on taimestiku üldkatvus võrreldes 2019. aastaga jäänud praktiliselt samaks ja ka taimeliikide katvuse osas olulisi muutusi ei olnud, kuigi nii soon- kui sammaltaimede katvus on vähenenud. Ka liikide arv Kõima jääksoos on vähenenud 28-lt 25-ni. See võib osutada kuivendamise jätkuvale mõjule ja taimestiku vaesumisele jääksoos veel aasta pärast kraavide sulgemist (2019.a. sügisel). 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 7. PROJEKTIGA HAAKUVAD TEADUSTEEMAD, GRANDID, DOKTORI- JA MAGISTRITÖÖD, JÄRELDOKTORITE UURIMISTEEMAD, LEPINGUD: 2013-2018. Institutsionaalne uurimisteema IUT2-16: “Globaalne soojenemine ja maastike aineringe (Maastike struktuuri ja funktsioonide muutused seoses globaalse kliima soojenemise ja inimtegevusega

ning aineringe modelleerimine ja ökotehnoloogiline reguleerimine)”; Ü. Mander vastutav täitja. Gert Veberi doktoritöö: Kasvuhoonegaaside emissiooni ajalis-ruumiline dünaamika sooökosüsteemides kui soode puhvervööndite määramise oluline kriteerium; Birgit Viru doktoritöö: Spatio-temporal variability of snow cover in Estonia and its influence on greenhouse gas emission in winter; Iuliia Burdun doktoritöö: Satellite-derived Land Surface Temperature (LST) as Proxy for Greenhouse Gas Fluxes in Boreal Peatlands. Tauri Tampuu doktoritöö: Application of spaceborne SAR polarometry and interferometry for landscape ecological studies in bogs. Kärt Erikson magistritöö: Effect of water level change on radial increment of Scots pine in a restored peatland in Estonia. MarjanSadat Barekaty magistritöö geograafia osakonnas "Compare the performance of applying Machine Learning concepts to landcover classification models using very high-resolution UAV data".

8. Projekti juht (nimi): Ain Kull

Allkiri: allkirjastatud digitaalselt

Kuupäev: 08.03.2020

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

Allkiri: allkirjastatud digitaalselt

Kuupäev: 08.03.2020

NB! Aruanne esitada elektrooniliselt aadressil [email protected]

RMK projekti „Ammendatud turbamaardlate vee-režiimi taastamise kompleksuuringu

metoodika väljatöötamine ja uuringu läbiviimine“ 2021. a toimunud taimestiku analüüside

välitööde lühikokkuvõte

Koostajad: Kai Vellak ja Edgar Karofeld, Tartu Ülikool

2021. a juunis tehti RMK projekti täitmiseks välitööd Laiuse, Ess-soo, Kildema, Maima

ja Kõima jääksoodes. Kokku tehti taimestiku analüüsid 150-l varem märgistatud 1x1 m

püsiruudul, kus määrati taimestiku üldkatvus ja taimeliikide (soon- ja sammaltaimed) katvused

(%), samblike katvus ning kulu (surnud ja kuivanud taimed) protsent eelmiste aastatega sama

metoodika alusel. Igast püsiruudust tehti koos etiketiga foto, mida võrdluste võimaldamiseks

säilitatakse jääksoode ja alade kaupa kataloogides. Taimedest, mida ei olnud välitingimustes

võimalik liigini määrata võeti kaasa proov määrangu täpsustamiseks laboris. Taimkatte-

analüüside tulemused on sisestatud tabelitesse alade ja aastate kaupa (Lisa 1) ning on tehtud

esmased võrdlused eelmiste aastatega. Taimestiku üldkatvuse, soon- ja sammaltaimede keskmise

katvuse muutused kõikide taimeruutude keskmisena alade kaupa 2018. ja 2021. aastal on esitatud

Tabelis 1. Tuleb aga arvestada, et 2021. a oli korrastamise järgselt tõusnud veetasemega Maima

jääksoo A ja B ala üle ujutatud ja ligipääsmatud, ning taimestiku analüüsi ei saanud seal teha.

Tabel 1. Taimestiku üldkatvuse, soon- ja sammaltaimede keskmise katvuse (%) muutused

jääksoode kaupa 2018. ja 2021. aastal.

Üldkatvus Soontaimede katvus Sammaltaimede katvus

2018 2021 2018 2021 2018 2021 Ess-soo 32,9 33,6 17,6 18,3 18,2 21,7 Laiuse 92,3 58,1 57,1 23,4 47,8 40,3 Maima 33,8 32,3 22,9 22,5 11,4 10 Kõima 81,5 75,9 29,4 27,3 64,1 63,2 Kildema 49,2 45,3 33,2 36,1 9,4 12,2

Laiuse jääksoos toimus korrastamine 2019. aastal, mille käigus C ja D alal suleti paisudega

väljakute vahelised kraavid ning ehitati turbast vallid vee hoidmiseks korrastataval alal. A ala jäi

korrastamata võrdlusalaks. Seal oli veetase taimeruutudes 17-43 (keskmiselt 34,8 ) cm sügavusel

ning taimestikus olulisi muutusi ei ole toimunud. C ja D alal on veetase märgatavalt tõusnud,

ulatuslikud alad on paarikümne sentimeetrise veekihi all (Foto 1; 2), sh kuuest taimestiku

püsiruudust C alal üleni või suuremas osas viis ja D alal neli ruutu. Veetaseme tõus ja üleujutus

on juba praegu C ja D alal muutnud taimestiku katvust ja liigilist koosseisu (Tabel 2), kusjuures

väiksemaid soontaimi ja samblaliike on üleujutatud taimeruutudes ka raske märgata. Kui

taimestiku üldkatvus C alal ei ole praktiliselt muutunud, siis soontaimede katvus on enam kui

kolmandiku võrra vähenenud ning kadunud on näiteks mänd, kahevärviline paju ja ka alpi-

jänesvill. Samas sammaltaimede katvus on vaatamata liikide arvu vähenemisele (10 vs 6) hoopis

suurenenud. D alal on taimestiku üldkatvus vähenenud ligikaudu kaks korda ning soontaimede

katvus veelgi enam, samuti on vähenenud nende liikide arv (14 vs 10). Ruutudest ei leitud enam

kollast tarna, jõhvikat, mändi ja mustjat paju. Ka sammalde üldkatvus oli võrreldes 2018. aastaga

vähenenud enam kui kaks korda, samuti registreeriti ruutudest oluliselt vähem samblaliike.

Tõusnud veetasemega ja üleujutatud aladel võib taimestikus prognoosida ulatuslike muutuste

jätkumist, sh soodele iseloomulike taimeliikide osatähtsuse ja katvuse suurenemist edaspidi.

Näiteks 2021. aastal registreeriti juba kolm soodes tavalist liiki (Carex lasiocarpa, Fragmites

australis, Juncus arcticulatus), mida 2018. aastal ei leitud. Kuid üleujutused suurtel aladel ja

lainetus seal ei ole soodsad turbasammalde ja enamuse soodele (rabale) iseloomulike

taimeliikide kasvama hakkamiseks.

…

Foto 1. Paisutamise järgselt tõusnud veetasemega Laiuse C ala üldvaade (vasakul) ja taimestiku

püsiruut C III (paremal).

Foto 2. Taimestiku püsiruudi kirjeldamine üleujutatud Laiuse D alal (vasakul) ning taimestiku

püsiruut D V.

Tabel 2. Taimestiku üldkatvuse, soon- ja sammaltaimede keskmise katvuse (%) muutused Laiuse

jääksoo C ja D ala taimeruutude keskmisena 2018. ja 2021. aastal.

Üldkatvus Soontaimede katvus Sammaltaimede katvus

2018 2021 2018 2021 2018 2021 Laiuse C 59,2 60,8 30,8 20 32,2 46 Laiuse D 54,2 25,3 40,8 13,7 13,8 15

Ess-soo jääksoos tehti 2021. a välitööd juunis, seega enne korrastamistöid septembris-oktoobris.

Seetõttu ei ole analüüsitud taimeruutudes ka olulisi muutusi toimunud (Tabel 1) ja sarnaselt

Laiuse, Maima ja Kõima jääksoodega hakkavad muutused avalduma koos veetaseme tõusuga

juba mõni aasta pärast korrastamist.

Kildema jääksool ei ole korrastamist tehtud ja ka taimestikus ei ole suuremaid muudatusi

toimunud (Tabel 1). Kildema A ala taimeruudud on endiselt suures osas palja turbapinnaga, tupp-

villpea, kanarbik ja raba-karusammal katavad taimeruute vaid laiguti. B ala taimeruutudes

domineerib kanarbik ja kuivanud (kanarbiku) taimekulu. Kuna ka veetase on jätkuvalt A alal 36-

59 ja B alal 41-53 cm sügavusel, siis ei ole eeldust ka prognoosida, et ilma korrastamiseta võiks

lähiaastatel seal taimestikus midagi muutuda ning jätkub ka pealmise turbakihi

mineraliseerumine.

Kõima jääksoos tehti korrastamistööd 2019. a, mille käigus ehitati turbast valle ja suleti kraave.

A alal kraavide vahelisel tervikul paiknevates taimeruutudes on veetase 20-30 cm sügavusel,

kuid pinnalähedase turbakihi vähese veejuhtivuse tõttu on pind kuiv ja taimestikus on valdavaks

osaliselt kuivanud kanarbik, veidi ka samblikke ja kuivanud turbasamblaid. Muutused on

toimunud C ala kraavis asuvate püsiruutude taimestikus, kus veetaseme tõustes 0-9 cm

sügavuseni on võrreldes 2018. aastaga soontaimede katvus vähenenud 44,2-lt kuni 34,2

protsendini. Väikene langus (65,8 vs 61,3 %) on toimunud ka taimestiku üldkatvuses, kuid

sammaltaimede katvus on vaid veidi vähenenud. Looduslikus rabaosas B ja D alal paiknevates

taimestikuruutudes ei ole muutusi toimunud, seal domineerivad rabadele iseloomulikud

turbasamblad, tupp-villpea ja kanarbik.

Maima jääksoos tehti korrastamine 2020. a, mille käigus täideti või suleti paisudega väljakute

vahelised kraavid ja väljavoolud ning laotati turbasamblafragmente, mis kaeti põhuga. C ja E

aladel ei olnud taimestiku analüüsi võimalik teha, kuna püsiruutude tähistust ei olnud üleujutuse

tõttu veel taastatud. Kõrgenenud veetasemega ja osaliselt üleujutatud A ja B alade (Foto 3)

taimestikus on aga toimunud suured muutused (Tabel 3).

Foto 3. Osaliselt üleujutatud Maima jääksoo A (vasakul) ja B ala (paremal) üldvaade.

A ja B alal on toimunud oluline vähenemine nii taimestiku üldkatvus, kui ka soon- ja

sammaltaimede katvuses ning ka taimeliikide arvus. Maima A alal on soontaimede liikide arv

võrreldes 2018. aastaga vähenenud 12-lt kaheksani ning sammaltaimede liikide arv neljalt

nullini. B alal on liikide arv vähenenud vastavalt 13-lt kaheksani ning kolmelt kaheni. Kuna

korrastamine toimus alles eelmisel aastal ja veetaseme tõus ei ole jõudnud veel kõikjal mõju

avaldada, sh mitmete liikide kadumisele ja seejärel sooliikide ilmumisele, siis võib suuremaid

muutusi prognoosida järgnevatel aastatel.

Turbasamblafragmentide korrastatavatel aladel soovitatakse veetase tõsta turbapinna lähedale ja

vältida kestvaid üleujutusi ning stabiilsema veetaseme saavutamiseks ja lainetuse mõju vähenda-

miseks rajada ka tihendatud turbast madalad vallid. Maima jääksoos ujutati korrastamise järgselt

suured alad üle (Foto 4) ning taimefragmendid ja põhk kanti tuule ja lainetuse mõjul suures osas

ühte serva ning samblad ei ole kasvama hakanud. Kuni turbasamblafragmendid ei ole püsivalt

paigale jäänud, kasvama hakanud ja moodustanud samblavaiba ei ole võimalik usaldusväärselt

mõõta nende pikkuskasvu ega produktsiooni. 2022. a seire käigus otsitakse, kas selleks on

tekkinud püsiva samblakattega alasid.

Tabel 3. Taimestiku üldkatvuse, soon- ja sammaltaimede keskmise katvuse (%) muutused Maima

jääksoo A ja B ala taimeruutude keskmisena 2018. ja 2021. aastal.

Üldkatvus Soontaimede katvus Sammaltaimede katvus

2018 2021 2018 2021 2018 2021 Maima A 50,3 11,5 50,3 11,5 9,7 0 Maima B 26,3 7 22,2 6,3 3,5 0,5

Foto 4. Turbasamblafragmentide ja põhuga korrastatud ning seejärel üleujutatud Maima jääksoo E ala üldvaade (vasakul) ja turbapinna lähivaade (paremal).

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

JÄÄKSOODE VEEREŽIIMI TAASTAMISE KOMPLEKSUURINGU VAHEARUANNE PROJEKTI 6. ETAPI KOHTA (2022.a.) 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. Martin Maddison PhD keskkonnatehnoloogia kaasprofessor 10. Ivika Ostonen-Märtin PhD juureökoloogia professor Projektiga seotud abitööjõud: 1. Tauri Tampuu MSc doktorant, kaitsnud PhD 2022 2. Kärt Erikson BSc magistrant 5. PROJEKTI KULUD ARUANDEPERIOODIL 2022.a. 39302,43 eurot

Kokku

Töötasud (põhitäitjad +abitööjõud) 25807.61 Sotsiaalmaks 8516.52 Töötuskindlustusmaks 206.44 Ostetud teenused 4718.40 Lähetuskulud 6357.51 Materjalid, tarvikud, masinad, seadmed 21601.09 Muud kulud 8164.11 Kokku 75371.68

Ostetud teenuste selgitus 4718.40 Mulla- ja veekeemia analüüsid biogeokeemia

laboris Lähetuskulude selgitus 6357.51 Kõik lähetused on seotud välitöödel gaasi-

ning veeproovide regulaarse kogumisega, drooniseire ning taimkatteseirega, taimestikuseire uurimisrühma osalemisega RMK teaduspäeval Narvas

Materjalide, tarvikute, masinate ja seadmete selgitus

21601.09 Peamisteks kuluallikateks olid 2021.a. lõpus korrastatud Ess-soo uutele seirealadele veetaseme andurite soetamine (ning vanematel aladel nt. Kõima andurite vahetus) ja paigaldusmaterjalid, dünaamilise gaasimõõtesüsteemi sensorid. Soetati mõõteseadmetele patareisid ja akusid, seadmete hooldusmaterjale, mõõdulinte, teipe jmt. tarvikuid

Muude kulude selgitus 8164.11 Tartu Ülikooli üldkulueraldis (20%) RMK-lt 2022.a. laekunud lepingutasult

6. PROJEKTI TÄITMISE VAHEARUANNE 2022.a. alguseks olid viiest monitooringus olevast jääksoost korrastatud Laiuse, Kõima, Maima ja Ess- soo jääksoo. Neist Kõima ja Laiuse alad korrastati 2019.a. lõpuks ning Maima 2020.a. lõpuks. 2021.a. suvel parandati Laiuse jääksoos eraldusvalli kõrge veetasemega ala ja kontrollala vahel ning korrigeeriti kahel alal ülevoolude kõrgust. 2021.a. lõpus lõpetati Ess-soo jääksoos korrastamistegevused, kus alustati seejärel novembrist alates korrastamisjärgset veeseiret värskelt rajatud ülevooludest. Põhiline Ess-soo seirevõrgustiku taastamine ja loomine toimus 2022.a. kevadest alates kui lumi ja maapind sulasid. Kildemaa jääksoos korrastamistegevusi 2022.a. läbi ei viidud ja jätkati korrastamiseelset seiret nii sealsel mahajäetud freesturbaväljakul kui taimestunud eelkuivendusalal. Välitööd monitooringualadel. 2022.a. jätkati uuringut varasematel aastatel välja kujunenud igakuise seireprogrammi alusel ning täiendavalt pöörati suuremat tähelepanu seiremetoodikate arendamisele, pidades silmas korrastamistööde käigus välja kujunenud väga erineva seisundiga uurimisalasid. Peamine arendustöö käis dünaamilise ja staatilise kambri metoodikate ristvõrdluse, kaugseire optiliste ja radarandmete rakendatavuse ja masinõppe algoritmide rakendatavuse hindamisel mullakeemia andmete analüüsimiseks. Igakuiselt koguti võrdlusaladelt ja erineval meetodil korrastatud proovialadelt (kraavide lausaline täitmine pinnasega, kraavide lausaline täitmine pinnasega ja turbasamblafragmentide laotamine, kraavide sulgemine pinnaspaisudega, kraavide sulgemine pinnaspaisudega ja samblafragmentide laotamine, madalaveeline veekogu) gaasiproovid (CO2, N2O, CH4), mõõdeti vaatluskaevudes ning kraavides veetaset, portatiivsete seadmetega O2 sisaldust (mg/l) ning küllastatustaset (O2 %), pH, konduktiivsust (µS/cm), ORP (mV) ja koguti veeproovid laboratoorseteks analüüsideks. Laboratoorselt on igakuiselt määratud vaatluskaevudest ning kontrollaladega piirnevatest kraavidest ja rajatud ülevooludest kogutud veeproovidest üldsüsiniku ja üldlämmastiku, lahustunud üldsüsiniku, lahustunud orgaanilise süsiniku, lahustunud anorgaanilise süsiniku ning lahustunud üldlämmastiku sisaldus. Kuna eelnevate aastate tulemused näitasid, et kraavidest eritub kasvuhoonegaase ümbriteseva alaga võrreldes erinevalt ja kraavid hõlmavad üle 5% uurimisalade pindalast, siis jätkati igakuist kasvuhoonegaaside (CO2, N2O, CH4) voo mõõtmist ka endiste tootmisväljakute vahelistest kraavidest. Ess-soos alustati 2022.aastal kõigi eelnimetatud näitajate seiret 13 alal (sh. 2 võrdlusala, turbaaukude ja tervikute piirkond, 9 erineval viisil korrastatud ala kordustena). Rajati täiendavalt piesomeetrid, vaatluskaevud ja gaasivoogude mõõtmise alad (sh. täiendavad ujuvkambrid kraavidel mõõtmisteks). Korrastatud proovialadelt koguti mullaproovid ning viidi läbi taimkatteanalüüs. Jätkati drooniseirega ning satelliitandmete analüüsimisega ning satelliitradarandmetega (SAR) häiringurežiimide (maakate, veetase, pinnakõrguse muutus) tuvastamise metoodikate väljatöötamisega (metoodika. Sarnaselt 2021.a. varakevadel Laiuse jääksoos alustatud maa-aluse ja maapealse biomassi lagunemiskatsetega

laiendati katset värskelt korrastatud Ess-soo alale. Lagunemiskatsesse lisati standardiseeritud teekotikatsele ka eraldi proovid männi ja sookase ning 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 1)

Joonis 1. 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. Standardiseeritud teekottide (punane e. rooibos ja rohelise tee) katse esmased tulemused Laiuse jääksoos alustatud eksperimendist lubavad oodata selget seost nii veetasemega kui taimestikuga (joonis 2).

Joonis 2. 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 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). 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. Veetaset, kasvuhoonegaaside voogu ning värskelt korrastatud aladel samblafragmentide kasvama minekut (ka laiemalt alade taimestumist) mõjutas väga tugevalt 2022.a. ilmastik. 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 vaaludesse. Talvistele keskmiselähedastele sajuhulkadele järgnes aga 2022.a. erakordselt kuiv märts (joonis 4) ning kogu järgneva aasta jooksul oli iga kuu sademete hulk ligi 40% väiksem pikaajalisest kuu sademete normist.

Joonis 3. 2022.a. kuu keskmise õhutemperatuuri (joonisel punaste tulpadena) erinevus ( ̊C) võrreldes pikaajalise keskmisega (joongraafik) ning uuringuperioodi eelnevate aastate kuu keskmise temperatuuri erinevusega võrreldes (joonisel rohelised tulbad).

Joonis 4. 2022.a. kuu keskmise sademete summa (joonisel punaste tulpadena) erinevus (%) võrreldes pikaajalise kuu keskmise sademete summaga (joongraafik; kuu sademete summa millimeetrites) ning uuringuperioodi eelnevatel aastatel kuu sademete summa erinevusega võrreldes (% normi suhtes; joonisel siniste tulpadena). Selline keskmisest kõrgem õhutemperatuur, erakordselt väike sademete hulk (132 mm normist vähem) ja keskmisest päikeselisem ilm (eriti juunis; joonis 5) 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, mis olid eelneval aastal soodsa veetasemega olnud (nt. Ala 9, kood P). Ala P, mis oli 2021.a. sügiseks pindalaliselt kõige parema turbasambla fragmentide elulevusega, kaotas 2022.a. talve ning kevadega suure osa elujõulistest fragmentidest külmakohrutuse ning märtsis-aprillis intensiivse päikesekiirguse tõttu. Seda võimendas veel omakorda talvine

lumesulavee poolt ära uhutud õlekate, mis kuhjus pinnaspaisude servadesse ning kõrgematele väljakuosadele, aga ka ummistasid liigvee äravoolukanaleid.

Joonis 5. 2022.a. kuu keskmise päikesepaiste kestuse summa (joonisel punaste tulpadena) erinevus (%) võrreldes pikaajalise kuu keskmise päikesepaistega tundide summaga (joongraafik; kuu päikesepaistega tundide summa) ning uuringuperioodi eelnevatel aastatel kuu päikesepaistega tundide summa erinevusega võrreldes (% normi suhtes; joonisel kollaste tulpadena). Seevastu eelneval aastal liiga kõrge veetaseme ning hõljuva turbakihiga aladel (alad 3 (K), 4 (C), 5 (B), 7 (N), 11 (E), veetase alanes maapinnani või isegi alla selle (joonis 6). Vaatamata eelnevalt üleujutatud aladel mudaga kattumisele suutsid kõikidel aladel üksikud samblafragmendid elujõu säilitada ja K, L ning N aladel moodustasid kohati kõige soodsamates piirkondades sügiseks (oktoober) lausalise katvusega mitme ruutmeetrilisi turbasamblalaigukesi. Ess-soos säilisid fragmendid heas seisus kuni mai teise pooleni, kuid seejärel maapind kuivas ja juuni teisel poolel halvenes fragmentide seisund järsult. 2022.a. juuni III dekaad oli alates 1922. aastast soojuselt 3. kohal ning põuakahjustus süvenes augusti lõpuni (august oli kuumuselt 2. kohal alates 1922.a aastast). 30. augustil järgnes aga erakordselt intensiivne sadu (Korelas mõõdeti 24 h jooksul 84 mm sademeid), mis tulvaveega uhtus ära Ess-soo uurimisala peamise ülevoolu mulde (P3).

Joonis 6. 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 7). Sellest tulenevalt algas 2022 aastal 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 7) 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 7. Kuu keskmise veetaseme dünaamika Kõima ja Lause jääksoo korrastatud aladel ning võrdlusalal. Korrastamise käigus saavutatud kõrge veetase on kahandanud turba lagunemise kiirust ja süsihappegaasi lendumist korrastatud aladelt. 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. 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.a. suvel oli seal veetase sarnane uuringuperioodi algusega, aga 2022.a. ei avaldunud see mõju veel taimestiku arengus väljaspool kraavi servasid. 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 -151 mg CO2-C m2 h-1 ja turbasamblal -72 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.

Sellest tulenevalt on ökosüsteemi hingamine (Reco) jätkuvalt hea indikaator süsihappegaasi emissiooni väljendamiseks (joonis 8), mis toob kombineeritult välja nii mullahingamise kui taimestiku arengu mõju. Ökosüsteemi hingamine jäi vaatamata soojale kuivale suvele valdavalt samale tasemele kui eelnevatel aastatel. Eelneval aastal veega kaetud aladel aga 2022.a. põuasel suvel 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 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.

Joonis 8. 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. 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 (vt. joonis 7 Kõima 2) emiteeriv (0.6 t/ha C). Laiuse jääksoos algas 2022.a. suve teises pooles 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 9). 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.

Joonis 9. 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 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.

Joonis 10. Kuu keskmine süsiniku kadu metaanina lendumise kaudu Maima kontrollalal (2017-2022) ja korrastamisjärgselt nii kontrollalal kui korrastatud aladel. Naerugaasi voog oli 2022.a. sarnaselt eelnevatele aastatele toitainevaestes tingimustes kõigis uuritavates jääksoodes ebaoluliselt väike. 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.

Joonis 11. Naerugaasi emissioon Maima jääksoost. Märgalade gaasivood on ajaliselt ja ruumiliselt suure varieeruvusega, seetõttu on ennatlik ühe või kahe 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. Sama tähelepanek kehtib ka Ess-soo kohta, kus taimestiku taastumise aeg on olnud oluliselt lühem. 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 lisas 1. Korrastamiseelse ja korrastamisjärgse ülepinnalise temperatuuri- ja niiskusrežiimi muutuse hindamiseks loodi Google EarthEngine keskkonnas programm, mis võimaldab Modis Aqua ja Terra satelliitide andmete alusel arvutada iga pilvkatteta päeva kohta päevaste ja öiste temperatuuride aegread. Ööpäevase temperatuuriamplituudi järgi on võimalik kaudselt hinnata ala niiskusrežiimi (joonis 12). Meetodi puudusteks meie laiuskraadil on sagedane pilvkatte esinemine, mis takistab pidevate temperatuuri aegridade saamist ning sagedase ülelennuga (öö ja päeva temperatuuri saamiseks) satelliitidel on ruumiline lahutus tagasihoidlik. Sünteetilist apertuurradarit (SAR) Sentinel satelliidi missioon on vaba pilvisuse probleemist kuid selle ülelennu sagedus on oluliselt väiksem, 12 päeva või kombineeritud tsükli puhul 6 päeva ning ka lahutusvõime on mõõdukas, eeldades uurimisalana vähemalt mõne hektari suuruseid väljakuid. SAR andmestiku eeliseks on võimalus kasutada interferomeetriat suure täpsusega maapinna kõrgusmuutuste tuvastamiseks (nn. soo hingamine, mahu muutus tulenevalt turba veega täitumisest või aurumisel vee kaotamisest) või koherentsust (pinna/struktuuri muutuse mõõt), mis näitab ühe tegurina maapinna niiskust. Interferomeetria tulemused on paljulubavad, kuid eeldavad ka kohapealseid maapinna kõrguse mõõtmisi või metsavaba üleminekut püsiva kõrgusega mineraalpinnale. Metoodika on detailsemalt avaldatud artiklina Tampuu et al., 2022. doi: 10.1109/IGARSS46834.2022.9883421.

Joonis 12. Näide Google Earth Engine programmiaknast ning 2021.a. andmete alusel arvutatud ööpäevane temperatuuri amplituud kahe erineva jääksoo osa (B ja N ala) ning looduslikus seisundis rabaosa kohta (Nat). Korrastamistöödega seotud muutused mulla keemilistes omadustes on väga väikesed ja üldjuhul statistiliselt ebaolulised (joonis 13). 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 13. 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 14). 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.

Joonis 14. Lahustunud lämmastiku (DN) sisalduse muutus Maima jääksoo korrastamistööde järel. Vähemal määral esines sarnane olukord ka Laiuse jääksoos, kuid seal taandus mõju ühe aastaga ja on seejärel jäänud stabiilseks. Küll aga esineb Laiuse madalaveelise veekogu puhul selge aastane käik DN osas seoses veelindude massilise rändega – kevadel ja sügisel rändeperioodil on veekogus DN sisaldus regulaarselt kõrgem kui muul perioodil. Ess-soos korrastamistööd muutust kaasa ei toonud, DN kontsentratsioon on looduslikult oluliselt madalama fooniga, aga esineb ka selge aastaajaline käik – suve lõpus (august, september) tõuseb esimeste sügisvihmade järel mineraliseerumise tulemusena kontsentratsioon 2-3 mg/l võrra ja muutus on tugevam põuaste suvede järel (2018, 2021, 2022). Lahustunud orgaanilise süsiniku (DOC) sisaldus järgib Maima ja Laiuse jääksoos DN muutusega sarnast mustrit, kuid taas on Laiuse jääksoos korrastamisjärgne kõrgem foon taandunud 1 aastaga, Maimal püsib kõrgenenud foon veel ka 2022. aastal. Üks võimalikke selgitusi on lisatud põhu ja surnud sambla/taimse materjali jätkuv lagunemine.

Joonis 15. Lahustunud orgaanilise süsiniku (DOC) sisalduse dünaamika Maima (vasakul) ja Laiuse (paremal) jääksoos. Vaatamata suhteliselt kõrgemale kontsentratsioonile nii DN kui DOC osas, ei ole ärakanne jääksoost kummalgi juhul suur kuna 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. 7. PROJEKTIGA HAAKUVAD TEADUSTEEMAD, GRANDID, DOKTORI- JA MAGISTRITÖÖD, JÄRELDOKTORITE UURIMISTEEMAD, LEPINGUD: Tauri Tampuu doktoritöö: Application of spaceborne SAR polarometry and interferometry for landscape ecological studies in bogs (kaitstud 2022.a. augustis). Kärt Erikson magistritöö: Effect of water level change on radial increment of Scots pine in a restored peatland in Estonia (kaitstud 2022.a. juunis). T. Tampuu, F. De Zan, R. Shau, J. Praks, M. Kohv and A. Kull, "CAN Bog Breathing be Measured by Synthetic Aperture Radar Interferometry," IGARSS 2022 - 2022 IEEE International Geoscience and Remote Sensing Symposium, Kuala Lumpur, Malaysia, 2022, pp. 16-19, doi: 10.1109/IGARSS46834.2022.9883421.

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]

Lisa 1

RMK projekti „Ammendatud turbamaardlate veerežiimi taastamise kompleksuuringu

metoodika väljatöötamine ja uuringu läbiviimine“ 2022. a toimunud taimestiku analüüside

välitööde lühikokkuvõte

Koostajad: Edgar Karofeld ja Kai Vellak

Sarnaselt varasematele aastatele tehti 2022. a juunis ja juulis RMK projekti täitmiseks

välitööd Laiuse, Ess-soo, Kildema, Maima ja Kõima jääksoodes. Taimestiku analüüsid tehti

varem märgistatud 1x1 m püsiruutudel, kus määrati taimestiku üldkatvus ja taimeliikide

(soon- ja sammaltaimed) katvused (%), samblike üldkatvus ning kulu (surnud ja kuivanud

taimed) protsentides eelmiste aastatega sama metoodika alusel. Taimkatte analüüside tule-

mused on salvestatud eraldi Excel failina. Iga ala juures on esitatud katvuste võrdlused

eelnevate aastatega ning lühidalt iseloomustatud muutusi taimkattes. Igast püsiruudust tehti

koos etiketiga foto, mida võrdluste võimaldamiseks säilitatakse jääksoode ja alade kaupa

kataloogides. Taimedest, mida ei olnud välitingimustes võimalik liigini määrata võeti kaasa

proov määrangu täpsustamiseks laboris.

Taimestiku üldkatvus ning soon- ja sammaltaimede keskmine katvus kõikide alade

taimeruutude keskmisena jääksoode kaupa 2018. 2021. ja 2022. aastal on esitatud Tabelis 1.

Võrreldes 2018. aastaga, mil alustati taimestiku seirega jääksoodel, on suurem muutus

taimestiku üldkatvus toimunud Ess-soo ja Laiuse jääksoos. Neist esimeses on vähenemine

toimunud nii soon- kui sammaltaimede katvuses ning arvatavalt on see põhjustatud osadelt

aladelt taimestiku ja pindmise turbakihi eemaldamisest enne korrastamist ja selle järgselt

tõusnud veetasemest ning sellest tingitud taimeliikide vahetusest. Laiuse jääksoos on taimes-

tiku katvuse vähenemine toimunud peamiselt ligikaudu kahe kordse soontaimede katvuse

vähenemise tõttu, mis on tõenäoliselt tingitud alade üleujutamisest kraavide paisutamise

järgselt. Sügavas vees on väiksemaid taimeliike juba ka raske näha.

Tabel 1. Taimestiku üldkatvus, soon- ja sammaltaimede keskmine katvus (%) jääksoode kaupa 2018., 2021. ja 2022. aastal.

Üldkatvus Soontaimede katvus Sammaltaimede katvus Ala/aasta 2018 2021 2022 2018 2021 2022 2018 2021 2022 Ess-soo 32,9 33,6 16,8 17,6 18,3 10 18,2 21,7 7,0 Laiuse 92,3 58,1 59,7 57,1 23,4 24,5 47,8 40,3 44,9 Maima 33,8 32,3 27,6 22,9 22,5 21,3 11,4 10,0 10,4 Kõima 81,5 75,9 79,5 29,4 27,3 28,9 64,1 63,2 62,9 Kildema 49,2 45,3 45,9 33,2 36,1 36,6 9,4 12,2 11,2

Tulemused jääksoode kaupa

Laiuse jääksoos toimus korrastamine 2019. aastal, kui C ja D alal suleti paisudega väljakute

vahelised kraavid ning vee hoidmiseks korrastataval alal ehitati turbast vallid. A ala jäi

korrastamata võrdlusalaks. Kui 2022. a oli võrdlusalal A veetase 22-36 (keskmiselt 28,2) cm

sügavusel, siis C ja D ala olid osaliselt üle ujutatud. Võrdlusalal A oli taimestiku üldkatvuses

toimunud vaid minimaalsed muutused ja seda pidurdas sügav veetase ning suvine kuivus. Kui

keskmine üldkatvus ja soontaimede katvus oli veidi vähenenud, siis sammaltaimede katvus

oli neil aladel siiski veidi tõusnud (Foto 1). Taimeruutudest olid C alal tervikuna vee all teine

ning osaliselt kolmas, D alal vastavalt esimene ja neljas. Üleujutatud aladel ulatus veekihi

paksus 30 sentimeetrini ning see mõjutab ka taimestikku ning väiksemaid taimeliike on vee

all juba raske märgata. Samas koos veetaseme tõusuga laieneb turbasammalde levik ning

näiteks alal C neljandas (IV) taimeruudus ulatub pudeva turbasambla katvus juba 80 prot-

sendini (Foto 2). D alal on aga katvuse vähenemine toimunud nii soon- kui sammaltaimede

seas, olles ilmselt põhjustatud üleujutusest ja sellest tingitud alles toimuvast taimeliikide

vahetumisest (Foto 3). Vee alla jäänud ruutudes esines kohati massiliselt väike vesihernes

(Utricularia minor), mille keskmine katvus D-alal oli 17,5%, eelmisel aastal oli see 10%.

Laiuse jääksoo taimestiku katvused alade kaupa 2021. ja 2022. a. on esitatud Tabelis 2.

Tabel 2. Taimestiku üldkatvus, soon- ja sammaltaimede katvus (vahemik ja keskmine, %) Laiuse jääksoos alade kaupa 2021. ja 2022. aastal.

Taimestiku üldkatvus Soontaimede katvus Sammaltaimede katvus 2021 2022 2021 2022 2021 2022 A kontroll 60-98 (88) 80-90 (83) 15-50 (36,7) 10-50 (31,7) 30-80 (60) 30-80 (62,3) C ala 15-90 (60,8) 35-90 (71,7) 15-25 (20) 15-30 (22,5) 2-70 (46) 10-80 (57,2) D ala 7-60 (25,3) 10-40 (23,3) 7-25 (13,7) 10-35 (23,3) 0-60 (15) 0-30 (10)

Foto 1. Laiuse jääksoo kontrollala (A) üldvaade ning taimestiku püsiruut A I.

Foto 2. Laiuse jääksoo C ala üldvaade ning turbasammalde ja tupp-villpeaga taimeruut IV.

Foto 3. Laiuse jääksoo D ala üldvaade ning VI taimeruut alal D.

Kildema jääksoos ei ole kooskõlastuste puudumise tõttu korrastamist seni tehtud ning jääk-

soo erinevatel vaatlusaladel pole taimestikus toimunud muutused märkimisväärsed ja on

erinevatel aladel erisuunalised, olenedes arvatavalt sademete jaotusest ning veetaseme süga-

vusest vastaval alal. Võrreldes eelmise aastaga oli 2022. aastaks veetase veidi tõusnud nii A

kui ka B alal (keskmised veetaseme sügavused vastavalt 48,7 ja 42,2 ning 47,2 ja 32,2 cm).

Kuid tegu on ühekordsete mõõtmistega, mis olenevad suuresti mõõtmisele eelnenud ilmas-

tikust. Muutused Kildema alade taimestikus 2021.-2022. a. on A (valdavalt paljas turbapind

tupp-villpea ja kaskedega) ja B alal (kõdusoo-rabametsa sarnane kuivendatud ala) (Foto 4)

kohati toimunud eri suunas. Alal A on taimestiku üldkatvus pisut suurenenud, seda eelkõige

tupp-villpea (kõige suurema katvusega liik alal) katvuse suurenemises tõttu, alal B on üld-

katvus isegi pisut langenud, eelkõige kanarbiku (kõige suurema katvusega liik alal) katvuse

vähenemise tulemusel. Taimestiku katvuste tulemused on esitatud Tabelis 3. Kui A alal

üldkatvus suurenes, siis B alal hoopis vähenes veidi nii soon- kui ka sammaltaimede arvel.

Tabel 3. Taimestiku üldkatvus, soon- ja sammaltaimede katvus (vahemik ja keskmine, %) Kildema jääksoos alade kaupa 2021. ja 2022. aastal.

Taimestiku üldkatvus Soontaimede katvus Sammaltaimede katvus 2021 2022 2021 2022 2021 2022 A ala 10-40 (28,8) 8-60 (36,3) 10-40 (23) 0-60 (23,8) 0-35 (10,2) 0-55 (12,7) B ala 20-80 (61,7) 25-70 (55,5) 20-70 (49,2) 18-75 (48,8) 0-60 (14,2) 0-40 (9,8)

Foto 4. Kildema jääksoo A ja B ala üldvaade.

Kõima jääksoos tehti korrastamistööd 2019. a, mille käigus paisutati väljakute vahelised

kraavid ja ehitati turbast vallid. Vaatamata alade erinevusele (A ja C ala kraavitatud rabaosas

ning B ja D ala väheste mändidega looduslähedases seisus rabas) ei ole nende taimestiku

katvustes võrreldes eelmise aastaga olulisi muutusi toimunud (Tabel 4). C ala kraavides

asuvates taimeruutudes domineerivad juba turbasamblad. Näiteks C V ruudus raba ja punane

turbasammal (katvusega vastavalt 78 ja 20 %), lisaks tupp-villpea ja vaevakask (Foto 5).

Turbasammalde keskmine üldkatvus Kõima jääksoos pole aja jooksul märkimisväärselt

suurenenud, kuid pisut on suurenenud niiskuselembesemate liikide osakaal, nagu pudev

turbasammal (S. cuspidatum) , valge nokkhein (Rhunchospora alba) ja ümaralehine huulhein

(Drosera rotundifolia), vähehenud aga kuivalembesemate liikide katvus, nagu harilik palu-

sammal (Pleurozium schreberi) ja harilik kaksikhammas (Dicranum scoparium).

Tabel 4. Taimestiku üldkatvus, soon- ja sammaltaimede katvus (vahemik ja keskmine, %) Kõima jääksoos alade kaupa 2021. ja 2022. aastal.

Taimestiku üldkatvus Soontaimede katvus Sammaltaimede katvus 2021 2022 2021 2022 2021 2022 A ala 25-100 (65,8) 40-95 (67,5) 25-50 (34,2) 30-55 (38,3) 0-90 (42,8) 0-90 (41,7) B ala 60-100 (93,3) 50-11 (91,7) 15-30 (24,2) 15-40 (25,8) 15-95 (80,5) 15-95 (80,8) C ala 25-100 (61,3) 15-100 (60,5) 20-55 (34,2) 15-60 (34,5) 1-95 (35,2) 0-90 (34,7) D ala 95-100

(99,2) 95-100 (98,3)

10-25 (16,7)

15-25 (16,7) 80-100 (94,2)

80-100 (94,3)

Foto 5. Kõima jääksoo turbasammalde ja tupp-villpeaga kraav ning turbasammalde

domineerimisega V taimeruut C alal.

Maima jääksoos tehti korrastamine 2020. a sügisel, mille käigus täideti turbaga või suleti

paisudega väljakute vahelised kraavid ja väljavoolud, ning E alale laotati turbasambla-

fragmente ja kaeti põhuga (MLTT – Moss Layer Transfer Technique). Võrreldes 2021.

aastaga olid suuremad muutused toimunud B alal, kus tõusis nii taimestiku üld- kui ka

soontaimede katvus, ning F alal, kus suurenes sammaltaimede katvus (Tabel 5).

Kraavide sulgemise mõju on märgata juba ka taimestiku muutumises. Maima jääksoos on

vähenenud kuivalembesemate liikide nagu sinikas, kanarbik ja sookask keskmised katvused.

Juurde on tulnud aga mitmed märgadele kasvukohtadele iseloomulikud liigid, nagu tarnad

(kokku registreeriti 5 liiki tarnu, eelmisel aastal 2), pilliroog, aga ka lausa vees kasvavad

taimed harilik kuuskhein (Hippuris vulgaris) soontaimedest ja ujuv võsusammal (Cladopo-

diella fluitans) sammaldest.

Tabel 5. Taimestiku üldkatvus, soon- ja sammaltaimede katvus (vahemik ja keskmine, %) Maima jääksoos alade kaupa 2021. ja 2022. aastal.

Taimestiku üldkatvus Soontaimede katvus Sammaltaimede katvus 2021 2022 2021 2022 2021 2022 A ala 3-25 (11,5) 0,1-40 (14,2) 3-25 (11,5) 0,1-40 (14,2) 0 0 B ala 1-15 (7) 10,25 (20) 0-13 (7,6) 10-25 (19,2) 0,1-3 (0,5) 0-5 (0,8) C ala Vee all 0-20 (4,7) Vee all 0-20 (4,5) Vee all 0-1 (0,3) D ala 8-30 (15,5) 6-20 (14,8) 8-30 (15,5) 8-30 (15,5) 0 0 E ala MLTT 3-7 (4,7) MLTT 1-5 (2,5) MLTT 0-5 (2,2) F ala 30-100 (75) 35-100 (76,7) 15-60 (34,2) 13-65 (38,8) 15-95 (33,3) 0,1-100 (61) G ala 20-90 (65,8) 20-90 (66,7) 20-80 (48,3) 20-80 (49,2) 0-80 (26) 0,1-85 (28) H ala 10-30 (19,2) 10-35 (20) 10-30 (19,2) 10-35 (19,2) 0 0,1-4 (0,85)

Turbasamblafragmentide ja põhuga korrastatud E alal olid taimestumise tulemused oodatutest

märksa tagasihoidlikumad. Taimestiku üldkatvus alla 5 ning sammaltaimede katvus alla 3 %,

ning leidsime vaid raba turbasammalt. Turbasamblafragmentide vähest kasvama hakkamist

võis mõjutada see, et eelmisel aastal oli ala mitmekümne sentimeetri sügavuse veekihiga üle

ujutatud ning tuule ja lainetuse toimel kanti samblafragmendid ja põhk alalt ära ning osaliselt

mattusid turbamudasse (Foto 6). Kõrgematele servaaladele kantud ja ilma kaitsva põhukihita

jäänud samblafragmendid aga enamasti kuivasid intensiivse päikesekiirguse käes ja seetõttu

ongi vaid mõnes taimeruudus turbasammalde katvus kuni 3 %. Kuna turbasamblad ei olnud

kasvama hakanud, ega kusagil moodustanud suuremat laiku, siis ei olnud võimalik mõõta ka

nende aastast pikkuskasvu nagu oli planeeritud.

Foto 6. Üldvaade samblafragmentidega korrastatud E alale 2022. a suvel ning II taimeruut E

alal.

Korrastamise käigus on paisude ja turbavallide rajamiseks kaevatud järskude servadega

ligikaudu poole meetri sügavusi auke (Foto 7), mis on ohtlikuks lõksuks väikeloomadele ja ei

ole soodne ka taimestumiseks. Õhukese jääkihi ja lumega kattunult on need augud ohtlikud

kõigile seal liikujatele. Ohtlikkuse vähendamiseks ja taimestumise kiirendamiseks tuleb

sellistel aukudel teha lauged servad. Eriti H ja D alal oli turbapinnal näha palju tupp-villpea

lennukarvadega seemneid. Vähegi soodsate niiskustingimuste korral võib selle liigi katvus

lähiaastatel oluliselt suureneda, põhjustades seejärel ka metaani emissiooni suurenemist.

Foto 7. Järskude servadega turbaaugud (Maima ja Ess-soo jääksoos) on ohtlikud ning ei

soodusta nende taimestumist.

Maima jääksoo A ja B alad olid osaliselt üle ujutatud, kased ja vähesed männid kuivanud

ning veest ulatusid peamiselt välja vaid tupp-villpea mättad (Foto 8). C ala oli praktiliselt

täiesti üle ujutatud ja soosis vaid pilliroo kasvu.

Foto 8. Suures osas üle ujutatud Maima jääksoo A ja B alad kuivanud puudega.

Ess-soo jääksoo korrastati 2021. a sügisel, mille käigus täideti turbaga või suleti paisudega

väljakute vahelised kraavid, piirdekraavid ja väljavoolud, ning D, E, F ja G alale laotati

turbasamblafragmente ja kaeti põhuga (MLTT). Ülevaade taimestiku katvusest võrrelduna

eelmise aastaga on esitatud tabelis 6. Võrdluseks korrastamata jäetud A alal oli taimestiku

üldkatvus soontaimede (tupp-villpea ja sinikas) arvel veidi tõusnud, kuid valdavalt on tegu

vaid tupp-villpea puhmikutega paljal turbapinnal.

Tabel 6. Taimestiku üldkatvus, soon- ja sammaltaimede katvus (vahemik ja keskmine, %) Ess-soo jääksoos alade kaupa 2021. ja 2022. aastal.

Taimestiku üldkatvus Soontaimede katvus Sammaltaimede katvus 2021 2022 2021 2022 2021 2022 A ala 3-30 (8,8) 5-40 (12) 3-30 (8,2) 5-40 (12) 0 0 B ala 5-75 (38,3) 5-75 (35) 1-55 (29,3) 0,1-55 (22,7) 1-20 (9,7) 0-20 (10,5) D ala 25-98 (45,5) 20-95 (41,7) 15-50 (30) 10-75 (32,5) 0,1-60 (19,4) 1-20 (10,3) E ala 0,1-30 (7,2) 5-30 (15,8) 0,1-10 (3) 0,1-2 (1,2) 0-25 (4,2) 5-30 (15,8) F ala 5-30 (16,3) 10-30 (20) 2-25 (6,3) 0,1-3 (0,9) 0-50 (10,5) 7-30 (19,5) G ala 2-20 (8) 5-25 (16,2) 0-20 (7,5) 1-5 (1,8) 0-3 (0,5) 5-25 (16,2) H ala 3-30 (12,5) 3-40 (15,8) 0,1-30 (11,7) 0,5-40 (15,1) 1-3 (0,7) 0,1-2 (0,7) J ala 3-40 (25,2) 3-50 (28,2) 0-40 (15,2) 0,1-50 (15,5) 0-30 (16,2) 0-40 (16,8) K ala 50-100 (81,7) 50-100 (80) 10-50 (33,3) 10-45 (33,3) 30-100 (69,7) 30-98 (63,8) M ala 75-100 (92,2) 70-98 (87,7) 25-70 (38,3) 15-75 (30,8) 40-50 (70,8) 45-90 (69,2)

Suuremad olid ootused turbasamblafragmentide ja põhuga korrastatud alade (D; E; F; G)

taimestumiseks. Suvel oli D ala suures osas üle ujutatud ja pind ei kandnud. Üleujutuse ajal

oli tuule ja lainetuse tõttu turbasamblafragmendid ja põhk kantud kõrgematele servaaladele,

kuid ka seal ei olnud rohelisi samblaid väga märgata (Foto 9). Doonoralalt kogutud turba-

samblafragmendid (peamiselt pruun, punane ja raba turbasammal) ei saanud üleujutatud alal

kasvama hakata. Kui fragmendid kanti lainetusega kõrgematele aladele, siis jäid nad vee-

taseme alanedes ilma põhuta intensiivse päikesekiirguse kätte ning kuivasid. Koos põhuga

kõrgematele aladele kantud samblafragmendid võivad soodsate niiskustingimuste korral

järgmisel aastal veel kasvama hakata.

Foto 9. Üleujutatud D ala ja sealt lainetusega kõrgematele servaaladele kantud põhk ja

samblafragmendid.

Ka septembris oli D ala osaliselt veel üle ujutatud ja püdel turbapind ei kandnud isegi

räätsadega ning turbasamblafragmendid olid lainetusega alalt ära kantud või mattunud

turbamuda alla (Foto 10). Samadel põhjustel nagu Maima jääksoos, ei olnud ka siin MLTT-

ga korrastatud aladel võimalik mõõta turbasammalde pikkuskasvu.

Foto 10. Ka septembris oli D ala osaliselt üleujutatud ja väga püdela turbapinnaga.

Lisaks varasemale kuuele taimeruudule tähistati ka räätsadega raskesti ligipääsetaval D ala

teepoolses osas septembris täiendavalt kuus taimeruutu, et jälgida turbasamblafragmentide

kasvama hakkamist (Foto 11).

Foto 11. Täiendavate taimeruutude märgistamine D alal 2022. a septembris ning uus taime-

ruut D IV.

E alal oli tõusnud nii taimestiku üld- kui ka sammaltaimede katvus, kuid taimestiku

taastumine on siiski aeglane (Foto 12). Enamuses taimeruutudes registreeriti nii punast,

pruuni kui ka raba turbasammalt. Suurim (30 %) oli punase turbasambla katvus E I taime-

ruudus. F alal oli peamiselt tõusnud sammaltaimede katvus, turbasammaldest peamiselt

punane ja pruun turbasammal, mille katvus F II taimeruudus oli 30 %. G alal oli üldkatvus

suurenenud peamiselt sammaltaimede katvuse suurenemise tõttu (Foto 13). Kolm tavalisemat

taimefragmentidega taastamisel kasutatud turbasamblaliiki (punane, pruun ja raba-turba-

sammal) kasvasid enamuses taimeruutudes ning nende katvus oli kuni 25 % (näiteks

taimeruudus G I). Sel alal on samblafragmendid üleujutuse ajal vähem ära kantud või

turbamudasse mattunud ning soodsate niiskustingimuste korral on lootust veelgi rohkemate

fragmentide kasvama hakkamiseks ja turbasammalde katvuse suurenemiseks (Foto 14).

Foto 11. Ess-soo jääksoo E ala üldvaade ning taimeruut I alal E.

Foto 12. Ess-soo jääksoo F ala üldvaade ning taimeruut II alal F.

Foto 13. Ess-soo jääksoo G ala üldvaade ning taimeruut I, alal G.

2022. a. kesksuvi oli kuum ja põuane ning kindlasti mõjutas see ka korrastatud jääksoode

taimestumist. Samas samblafragmendid püsivad mõne aasta tärkamisvõimelistena ka pärast

läbikuivamist kui taastuvad soodsad niiskustingimused. Seetõttu võib loota, et eriti Ess-soo

turbasamblafragmentidega korrastatud aladel taimestiku, sh turbasammalde katvus suureneb.

JÄÄKSOODE VEEREŽIIMI TAASTAMISE KOMPLEKSUURINGU VAHEARUANNE PROJEKTI 1. ETAPI KOHTA (2018.a.) 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) Vanemteadur, PhD

(Amet, teaduskraad) 4. PROJEKTI PÕHITÄITJAD ARUANDEPERIOODI VÄLTEL Projekti põhitäitjad:

Ees- ja perekonnanimi Teaduskraad Ametikoht 1. Ain Kull PhD loodusgeograafia vanemteadur 2. Valentina Sagris PhD geoinformaatika teadur 3. Edgar Karofeld PhD rakendusökoloogia vanemteadur 4. Kai Vellak PhD taimeökoloogia vanemteadur 5. Gert Veber MSc, doktorant keskkonnaspetsialist 6. Edgar Sepp MSc, doktorant geoinformaatika spetsialist 7. Marko Kohv PhD rakendusgeoloogia teadur 8. Mae Uri Dipl./BSc spetsialist (keemik) Projektiga seotud abitööjõud: 1. Birgit Viru MSc doktorant 2. Iuliia Burdun MSc doktorant 3. Tauri Tampuu MSc doktorant 4. Merle Muru PhD teadur 5. PROJEKTI KULUD ARUANDEPERIOODIL 2018.a. 25451.25 eurot

Kokku

Töötasud (põhitäitjad +abitööjõud) 5384.91 Sotsiaalmaks 1777.02 Töötuskindlustusmaks 43.07 Ostetud teenused 1124.80 Lähetuskulud 3144.02 Materjalid, tarvikud, masinad, seadmed 8944.96 Muud kulud 5032.47 Kokku 25451.25

Ostetud teenuste selgitus 1124.80 Mullaanalüüsid (v.a. mulla süsinikusisaldus,

mis analüüsiti geogr. osak. laboris) Lähetuskulude selgitus 3144.02 Kõik lähetused on seotud välitöödel gaasi-

ning veeproovide regulaarse kogumisega, drooniseire ning taimkatteseirega.

Materjalide, tarvikute, masinate ja seadmete selgitus

8944.96 Soetati veetasemete automaatlogerid, drooniseireks kalibreeritud peegeldusnäitajatega referentsplaadid, taimkattepüsiruutude märkimiseks plastikvaiad, mõõteseadmete patareid, mõõdulindid jmt. tarvikud

Muude kulude selgitus 5032.47 Tartu Ülikooli üldkulueraldis (20%) RMK-lt 2018.a. laekunud lepingutasult

6. PROJEKTI TÄITMISE VAHEARUANNE Jääksoode taastamisprojektidele sisendi andmine. 2018.a. osalesid Tartu Ülikooli esindajad regulaarselt Kõima, Maima, Laiuse ja Ess-soo taastamisprojektide arutelus ja andsid kogu projekteerimistööde perioodi ulatuses sisendit nii projekteerijale kui tellijale. Täiendavalt osaleti koos RMK esindajatega 8. märtsil Urvaste seltsimajas Ess-soo taastamistöödest huvitatud kodanikele ettekandega, mis tutvustas 2017.a. alanud, 2018.a. toimuvat ja kuni 2023.a. kavandatud tegevust Ess-soos. Välitööd monitooringualadel. 2018.a. on igakuiselt (Laiuse ja Ess-soo aladelt sügisest kevadeni kaks korda kuus) püsiproovialadelt kogutud gaasiproovid (CO2, N2O, CH4), mõõdetud vaatluskaevudes veetase, portatiivsete seadmetega O2 sisaldus (mg/l) ning küllastatustase (O2%), pH, konduktiivsus (µS/cm), ORP (mV). Laboratoorselt on igakuiselt (Laiuse ja Ess-soo puhul kaks korda kuus) määratud vaatluskaevudest ning referentsaladega piirnevatest kraavidest kogutud veeproovidest üldsüsiniku ja üldlämmastiku, lahustunud üldsüsiniku, lahustunud orgaanilise süsiniku, lahustunud anorgaanilise süsiniku ning lahustunud üldlämmastiku sisaldus. Alustati igakuist kasvuhoonegaaside (CO2, N2O, CH4) voo mõõtmist tootmisväljakute vahelistest kraavidest. Esmased tulemused näitavad, et kui 2017 keskmisest sademeterikkamal aastal oli CO2 voog madal kuni mõõdukas (30-50 mg C m-2 h-1) ja soodele iseloomuliku aastase käiguga, kus maksimaalsed väärtused (52-123 C m-2 h-1) esinevad soojematel kuudel, siis 2018.a. mis oli tavapärasest oluliselt kuivem ning keskmisest soojem, oli gaasivoog intensiivsema mineraliseerumisprotsessi tõttu oluliselt suurem (>100 mg C m-2 h-1) ja püsis kõrgena kauem (oktoobrini). Intensiivsest mineraliseerumisest andis 2018.a. kõige selgemalt tunnistust N2O voog, mis looduslikes rabades on iseloomulikult väga madal (<1.5 µg N m-2 h-1) ent jääksoodes kõrgem. Kui 2017.a. oli emissioon Kõima, Ess-soo ja Laiuse -0.7 ... 0.5 µg N m-2 h-1, 4.2 ... 6.3 µg N m-2 h-1 Kildemaa ja Maima jääksoos, siis 2018.a. oli emissioon ligi 2-2.5 korda kõrgem ja väga kõrge oli emissioon Kildemaa (>25 µg N m-2 h-1) ja Maima jääksoos (>100 µg N m-2 h-1). Vaatamata pikaajalisest põuast (aprill-august) tingitud madalale veetasemele, oli kõrgema poorivee temperatuuri tõttu siiski ka metaani emissioon 2018.a. kõrgem (~10%) kui sademeterohkel 2017.a. Tootmisväljakute vahelistest 1-1.2 m laiadest kraavidest gaasivoo mõõtmine tõi esile äärmiselt olulise aspektina, mida on vaja korrastamistööde juures arvestada, et vaatamata nende tühisele osakaalule jääksoode kogupindala mõttes (alla 0.05%) võib neist lenduda kuni 50% kogu jääksoo metaanist (voog ligi 50-200x suurem kui endistel tootmisväljakutel). Veeseire tulemused näitavad, et 2018.a. kuival suvel langes minimaalne veetase Laiuse, Ess-soo ja Maima jääksoos ligi 40 cm sügavamale kui 2017.a. (vastavalt -46.7, -72.5 ja -55.2 cm) ja Kildemaa freesturbaväljal kuivas läbi kogu jääkturbalasund (68 cm). Kõima rabas, mis on lausaliselt turbasambalaga kaetud ja looduslikule seisundile kõige lähedasem, oli veetaseme alanemine väiksem. Nii turbavees kui jääksoo kraavides on süsinik ja lämmastik valdavalt lahustunud vormis, 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: DN/DC suhe on seda kõrgem ja regressioonvõrrandi seos tugevam, mida enam on ala häiritud (joonis 1).

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 1. Lahustunud süsiniku ja lahustunud üldlämmastiku vaheline seos Kildemaa ja Maima jääksoo näitel. Veekvaliteedi näitajate ruumilise autokorrelatsiooni hindamiseks viidi läbi eksperiment, mille käigus koguti veeproovid nii tootmisväljakutevahelistest kraavidest, piirdekraavidest kui väljavooludest. Kevadsuviste veeproovide tulemused näitavad tugevat autokorrelatsiooni süsiniku kontsentratsiooni (joonis 2) ja mõõdukat korrelatsiooni lahustunud üldlämmastiku (joonis 3) osas. Plaanitud suvelõpu- sügisene kordusanalüüs jäi 2018.a. põuast tingitud kraavide läbikuivamise tõttu ära kuid kordusanalüüs on kavandatud 2019.aastaks.

Joonis 2. Lahustunud süsiniku (DC) kontsentratsioon jääksoo kraavivees.

Joonis 3. Lahustunud lämmastiku (DN) kontsentratsioon jääksoo kraavivees. 2018.a. jätkati satelliitpiltide alusel seire metoodika väljatöötamise ja testimisega ja laiendati tegevust kasutamaks pilvisusest sõltumatut Sentinel-1 sünteetilise apertuurradari (SAR) andmeid maapinnaniiskuse ning veetaseme ülepinnaliseks hindamiseks. Alustati drooniseirega ja metoodika väljatöötamisega. Peamised RGB kaameraga seotud metoodilised küsimused on seotud erinevate aastate lõikes homogeensete aegridade saavutamisega, sest vaatamata päikesekiirgusandurite ja kalibreeritud peegeldusplaatide kasutamisele on drooniseireks liiga suurte (eriti Ess-soo ja Maima) alade puhul probleemiks suur kiirgusspektri ajaline varieeruvus ja sellest tulenevalt piiratud automatiseeritud taimkatteklassifitseerimise edukus erinevate ülelendude vahel, aga ka isegi sama päeva lendude osas kui kiirgusintensiivsus jõudis pika lennuaja jooksul oluliselt muutuda. 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 4). IR kaameraga testiti ka erineva lennukõrguse mõju 5 m kõrguse muuduga vahemikus 35-150 meetrit, sobivaimaks lennukõrguseks on taimkattestruktuuri määramiseks 70-80 m, maapinna temperatuur hindamiseks piisab ka 150 m lennukõrgusest.

Joonis 4. IR kaameraga mõõdetud maapinna temperatuur (23.aug.2018, kl. 15) ja samal ajal maapinnal kontaktmeetodil mõõdetud mullaniiskus (iga lilla ja kollane punkt tähistab mõõtepunkti).

Mullaseire viidi 2018.a. läbi kõikidel võrdlusaladel ja kõikidel korrastamisprojektis kavandatud eksperimendialadel. Nitraatlämmastiku sisaldus oli ootuspäraselt kõrgeim kõikidel mahajäetud freesturbaväljadel kuid üldlämmastiku sisaldus oli kõikide alade lõikes sarnane (Nüld 1.1-1.6%), pisut madalam vaid turbavõtuaukudes turbasamblaga taastunud aladel (Nüld 0.8-1.1%). Taastumise edukusele võib hakata mõju avaldama alade lõikes selgelt erinev Ca (424-3834 mg/kg) ja Mg sisaldus (194 – 819 mg/kg). Kuna kõige suuremaid muutusi ootame korrastamistöödega seoses süsinikus, siis lisaks tavapärasele üldsüsiniku ja orgaanilise süsiniku määramisele määrasime termogravimeetria metoodikal põhinevalt 275-325 ˚C juures suhkrud ja tselluloosi, 360-460 ˚C juures humiinainete ja 500- 560 ˚C juures mittehüdrolüüsuvad jäägid. Süsiniku kvalitatiivseks (spektraal)analüüsiks oleme alustanud FTIR analüsaatoriga spektraalkõverate moodustamist, mis hüpoteesikohaselt peaks võimaldama eristada kiirelt toimuvaid kvalitatiivseid muutusi süsinikühendites taastamistööde (veetaseme muutuste ja biomassi moodustumise) mõjul. 2018 a suvel tehti taimkatte maapealse seire välitöid viies jääksoos (Kõima, Maima, Laiuse, Kildema ja Ess-soo), kus erinevas seisundis ja erineva korrastamismeetodiga aladel märgistati 1x1 m püsiruudud (kokku 156), võeti nende nurgapostide koordinaadid (RTK, kasutatakse ka drooniseirel ankurpunktidena), püsiruudud fotografeeriti ja neil teostati taimkatte analüüs (üldkatvus, eri rinnete ja taimeliikide katvus) selgitamaks korrastamise mõju iseärasusi ja dünaamikat järgnevate uuringute käigus. Laiuse jääksool väärib eraldi nimetamist invasiivne võõrliik võõr-kõverharjak Campylopus introflexus, mis Eestis ongi ilmunud just mahajäetud jääksoodele ja mille levikut ja tõrje vajadust tuleb eraldi jälgida. Vee- ja gaasiseire käigus avastati Laiuse jääksood läbiva tee muldelt ka kauni kuldkinga Cypripedium calceolus isendid. Teavitustegevus: 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. Birgit Viru et al., Winter nitrous oxide and methane emissions from drained peatlands. BG2.17 – Peatlands under pressure, EGU General Assembly 2019. The abstract identification number EGU2019- 15964. 7. PROJEKTIGA HAAKUVAD TEADUSTEEMAD, GRANDID, DOKTORI- JA MAGISTRITÖÖD, JÄRELDOKTORITE UURIMISTEEMAD, LEPINGUD: 2013-2018. Institutsionaalne uurimisteema IUT2-16: “Globaalne soojenemine ja maastike aineringe (Maastike struktuuri ja funktsioonide muutused seoses globaalse kliima soojenemise ja inimtegevusega ning aineringe modelleerimine ja ökotehnoloogiline reguleerimine)”; Ü. Mander vastutav täitja. Gert Veberi doktoritöö: Kasvuhoonegaaside emissiooni ajalis-ruumiline dünaamika sooökosüsteemides kui soode puhvervööndite määramise oluline kriteerium; Birgit Viru doktoritöö: Spatio-temporal variability of snow cover in Estonia and its influence on greenhouse gas emission in winter; Iuliia Burdun doktoritöö: Satellite-derived Land Surface Temperature (LST) as Proxy for Greenhouse Gas Fluxes in Boreal Peatlands. Tauri Tampuu doktoritöö: Application of spaceborne SAR polarometry and interferometry for landscape ecological studies in bogs.

8. Projekti juht (nimi):

Ain Kull

Allkiri: allkirjastatud digitaalselt

Kuupäev: 31.01.2019

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

Allkiri: allkirjastatud digitaalselt

Kuupäev: 31.01.2019

NB! Aruanne esitada elektrooniliselt aadressil [email protected]

AKT

(hiliseima digitaalallkirja kuupäev)

Töövõtuleping nr 1-18/178 täitmine, 3. vahearuande esitamine 2019 tegevuste kohta

Käesolevaga töövõtja annab üle ja tellija võtab vastu RMK ja Tartu Ülikool, registrikood

74001073, vahel 21.04.2018 sõlmitud töövõtulepingu nr 1-18/178 kohaselt tehtud järgmise töö:

Kolmanda perioodi vahearuanne (01.01.2018 – 31.12.2019), mis on Lepingus ettenähtud

tähtajaks üle antud Tellijale. Tellija kinnitab, et töö vastab Lepingus kokkulepitud

uurimisülesandele ning on läbi viidud vastavalt Lepingule ja Töös ei esine puudusi.

Tellija tasub tehtud töö eest 57222,25 (viiskümmend seitse tuhat kakssada kakskümmend kaks

eurot ja kakskümmend viis senti).

Tellija Töövõtja

(allkirjastatud digitaalselt) (allkirjastatud digitaalselt)

Ain Kull Kaupo Kohv

AKT

(hiliseima digitaalallkirja kuupäev)

Töövõtuleping nr 1-18/178 täitmine, 5. vahearuande esitamine 2021 tegevuste kohta

Käesolevaga töövõtja annab üle ja tellija võtab vastu RMK ja Tartu Ülikool, registrikood

74001073, vahel 21.04.2018 sõlmitud töövõtulepingu nr 1-18/178 kohaselt tehtud järgmise töö:

Neljanda perioodi vahearuanne (01.01.2021 – 31.12.2021), mis on üle antud Tellijale. Tellija

kinnitab, et töö vastab Lepingus kokkulepitud uurimisülesandele ning on läbi viidud vastavalt

Lepingule ja Töös ei esine puudusi.

Tellija tasub töö eest 40 820,58 eurot (nelikümmend tuhat kaheksasada kakskümmend eurot ja

viiskümmend kaheksa senti). Summale lisandub käibemaks.

Tellija Töövõtja

(allkirjastatud digitaalselt)

(allkirjastatud digitaalselt)

Kaupo Kohv Ain Kull

AKT

(hiliseima digitaalallkirja kuupäev)

Töövõtuleping nr 1-18/178 täitmine, 6. vahearuande esitamine 2022 tegevuste kohta

Käesolevaga töövõtja annab üle ja tellija võtab vastu RMK ja Tartu Ülikool, registrikood

74001073, vahel 21.04.2018 sõlmitud töövõtulepingu nr 1-18/178 kohaselt tehtud järgmise töö:

Kuuenda perioodi vahearuanne (01.01.2021 – 31.12.2021), mis on üle antud Tellijale. Tellija

kinnitab, et töö vastab Lepingus kokkulepitud uurimisülesandele ning on läbi viidud vastavalt

Lepingule ja Töös ei esine puudusi.

Tellija tasub töö eest 40 820,58 eurot (nelikümmend tuhat kaheksasada kakskümmend eurot ja

viiskümmend kaheksa senti). Summale lisandub käibemaks.

Tellija Töövõtja

(allkirjastatud digitaalselt)

(allkirjastatud digitaalselt)

Kaupo Kohv Ain Kull