Kartierung von Reisanbaumustern und Kulturtypen mittels Fernerkundung

Reis ernährt weltweit mehr als 3,5 Milliarden Menschen. Dennoch verfügen laut dem aktualisierten globalen Reisatlas 2024 des Internationalen Reisforschungsinstituts (IRRI) weniger als 601.000 Hektar Reisanbaufläche über genaue und aktuelle Anbaukarten. Die Kartierung von Anbaumustern und -methoden mithilfe von Fernerkundung schließt diese Lücke rasch, indem sie räumlich präzise und zeitlich konsistente Daten in einem Maßstab liefert, der durch keine Bodenerhebung erreicht werden kann.

Von der Unterscheidung bewässerter, doppelt bewirtschafteter Tieflandgebiete im Mekong-Delta Vietnams bis hin zur Identifizierung von Regenfeldbauflächen mit nur einer Anbausaison in Subsahara-Afrika liefern satelliten- und radargestützte Systeme heute die Informationen, die Landwirte, Regierungen und Organisationen für Ernährungssicherheit benötigen, um sicher planen zu können. Da künstliche Intelligenz und Cloud-Computing die Datenverarbeitung beschleunigen, wird die nahezu Echtzeit-Überwachung von Reisanbauflächen voraussichtlich bis 2027 zum globalen Standard werden.

Warum Reis wichtig ist und warum seine Überwachung schwierig ist

1. Reisproduktion und die globale Ernährungssicherheitsgleichung

Reis ist für mehr als die Hälfte der Weltbevölkerung das wichtigste Grundnahrungsmittel, und seine Bedeutung reicht weit über die individuelle Ernährung hinaus. Die weltweite Reisproduktion erreichte etwa 520 Millionen Tonnen geschälter Reis im Jahr 2024, Laut FAO-Daten entfallen fast 901.030 Tonnen dieser Produktion auf Asien.

Jede erhebliche Störung der Reisversorgung, sei es durch Dürre, Überschwemmungen, Schädlingsbefall oder politisches Versagen, löst rasche Preisschocks bei Lebensmitteln aus, die die ärmsten Haushalte der Welt unverhältnismäßig stark treffen.

Die Sicherstellung der Ernährungssicherheit in diesem Umfang erfordert mehr als nur den Anbau ausreichender Mengen Reis. Es ist unerlässlich, genau zu wissen, wo der Reis angebaut wird, wie oft jedes Feld pro Jahr bestellt wird und welche Anbaumethoden angewendet werden. Regierungen benötigen diese Daten, um Bewässerungsinfrastruktur bereitzustellen, Betriebsmittel zu subventionieren und Notfallreserven aufzubauen.

Die Herausforderung besteht darin, dass Reis in extrem fragmentierten Landschaften angebaut wird, von terrassenförmigen Hügeln auf den Philippinen bis hin zu riesigen bewässerten Ebenen in China, was herkömmliche Feld-für-Feld-Erhebungen auf nationaler oder regionaler Ebene logistisch und finanziell unpraktikabel macht.

2. Die Notwendigkeit einer systematischen Überwachung der Reisanbaumuster

Die Reisanbaumuster, also die Anzahl der Reisanbausaisons pro Jahr und deren Verteilung in der Landschaft, verändern sich ständig. Klimaschwankungen verkürzen die Anbauzeiträume in einigen Regionen, während sie sie in anderen verlängern. Wirtschaftliche Faktoren bewegen Landwirte dazu, von einer einzigen Ernte auf zwei Ernten pro Jahr umzusteigen, sobald Wasserverfügbarkeit und Marktpreise übereinstimmen.

Ohne systematisches Monitoring arbeiten Planer mit Zensusdaten, die fünf Jahre oder älter sein können, was zu chronischer Fehlverteilung von Wasser, Düngemittelsubventionen und Krediten für den ländlichen Raum führt. Fernerkundung bietet eine Lösung für diese Monitoring-Lücke, indem sie innerhalb weniger Tage konsistente und reproduzierbare Beobachtungen für ganze Länder liefert.

Anstatt sich auf Selbstauskünfte der Landwirte oder Erhebungen durch Interviewer zu verlassen, beobachten satellitengestützte Systeme die Landschaft direkt und erfassen, wie sich die Reisfelder durch Überflutung, Umpflanzung, vegetatives Wachstum und Ernte in jeder Jahreszeit verändern.

3. Welchen Beitrag leistet die Fernerkundung zur landwirtschaftlichen Kartierung?

Fernerkundung ist die Wissenschaft der Informationsgewinnung über Objekte oder Gebiete aus der Ferne, typischerweise mithilfe von Sensoren, die auf Satelliten, Flugzeugen oder unbemannten Luftfahrzeugen (UAVs) montiert sind. In der Landwirtschaft messen Sensoren die von Nutzpflanzen, Boden und Wasser reflektierte oder emittierte Energie in verschiedenen Wellenlängen des elektromagnetischen Spektrums.

Da unterschiedliche Landnutzungsarten in verschiedenen Wachstumsstadien Energie unterschiedlich reflektieren, können Satellitenbilder ein Reisfeld von einem Maisfeld und eine überflutete, verpflanzte Reisanbaufläche von einer trockenen, direkt ausgesäten Fläche unterscheiden – mit einer Genauigkeit, die sich mit der Verbesserung der Sensortechnologie erhöht. Die Kartierung von Reisanbaumustern und -kulturtypen mittels Fernerkundung dient vier miteinander verbundenen Zielen.

• Erstens erstellt es räumlich explizite Bestandsaufnahmen darüber, wo Reis auf saisonaler und jährlicher Zeitskala angebaut wird.
• Zweitens klassifiziert es, wie viele Anbauzyklen pro Jahr in jedem kartierten Gebiet stattfinden, und unterscheidet dabei zwischen ein-, zwei- und dreifach bewirtschafteten Systemen.
• Drittens werden die angewandten kulturellen Praktiken erfasst, beispielsweise ob ein Feld verpflanzt oder direkt eingesät wird oder ob die Wasserbewirtschaftung kontrolliert oder durch Regenwasserbewirtschaftung erfolgt.
• Viertens generiert es Basisdaten, die in Produktionsprognosen, Wasserhaushaltsplanung, Klimaanpassungsplanung und Präzisionslandwirtschaftssysteme einfließen.

Reisanbausysteme und Kulturtypen verstehen

1. Was ein Reisanbaumuster tatsächlich bedeutet

Ein Reisanbaumuster beschreibt die zeitliche Verteilung des Reisanbaus innerhalb eines Kalenderjahres an einem bestimmten Standort. Es erfasst nicht nur, ob Reis angebaut wird, sondern auch wie oft, wann die einzelnen Anbausaisons beginnen und enden und welche Kulturpflanze gegebenenfalls auf demselben Feld nach oder vor dem Reis angebaut wird. Die Kartierung dieser Muster in einer Region liefert Planern ein dynamisches Bild der Landnutzungsintensität und des Ressourcenbedarfs, das eine Momentaufnahme niemals bieten könnte.

2. Monokultur-Reissysteme

In Monokultursystemen bauen Landwirte einmal jährlich Reis an, typischerweise abgestimmt auf die Monsunzeit oder einen einzigen kontrollierten Bewässerungszyklus. Diese Systeme sind in Regionen vorherrschend, in denen Wasserverfügbarkeit, Arbeitskräfte oder das Klima eine zweite Anbausaison verhindern.

Monokultursysteme weisen tendenziell längere Vegetationsperioden pro Saison auf, oft mit traditionellen oder verbesserten Langzeitsorten, und sind überproportional stark vom Regen abhängig, wodurch sie sehr empfindlich auf den Zeitpunkt und die Verteilung der Niederschläge reagieren.

3. Reisanbausysteme mit doppelter Ernte

Doppelnutzungssysteme ermöglichen zwei Reisernten pro Jahr vom selben Feld. Sie sind vor allem in Südost- und Südasien verbreitet, darunter im Roten-Fluss-Delta in Vietnam, in den Überschwemmungsgebieten Bangladeschs und in den bewässerten Gebieten des indischen Punjab.

Der zeitliche Abstand zwischen den beiden Anbausaisons ist gering, oft weniger als 30 Tage. Daher sind für die Identifizierung von Gebieten mit Doppelanbau anhand von Satellitendaten dichte Zeitreihenbeobachtungen erforderlich, um zwei vollständige phänologische Zyklen innerhalb eines einzigen Jahres zu erfassen.

4. Dreifach-Reisanbausysteme

Dreifachernte-Anbau, also drei Reisernten pro Jahr, wird in begrenzten Gebieten praktiziert, in denen Wasserverfügbarkeit und Temperatur ganzjährig günstig sind. Das Mekong-Delta in Südvietnam und Teile der Provinz Guangdong in Südchina eignen sich für Dreifachernte-Systeme.

Dreifachanbausysteme maximieren zwar die Landnutzungsintensität, stellen aber erhebliche Herausforderungen an die Bodenfruchtbarkeit und das Schädlingsmanagement dar. Die Fernerkundung dieser Felder ist technisch anspruchsvoll, da die kurzen Brachezeiten zwischen den Anbauzyklen die phänologischen Signale in enge Zeitfenster komprimieren.

5. Regenreisanbau

Regenreis, der ausschließlich durch Niederschläge ohne künstliche Bewässerung angebaut wird, macht laut dem Internationalen Reisforschungsinstitut (IRRI) weltweit etwa 451.300 Tonnen der gesamten Reisanbaufläche aus. Er ist das vorherrschende Anbausystem in Subsahara-Afrika, in den Hochlandgebieten Süd- und Südostasiens sowie in den vom Regen abhängigen Überschwemmungsgebieten.

Regenfeldbau ist stark von Niederschlagsschwankungen abhängig, was in manchen Regionen zu Ertragsschwankungen von 30 bis 50 Tonnen zwischen nassen und trockenen Jahren führt. Fernerkundungstechnisch ist Regenfeldbau schwieriger zu kartieren, da das Überschwemmungssignal schwächer und unregelmäßiger ist als bei bewässerten Feldern.

6. Bewässerter Reisanbau

Bewässerte Reissysteme werden über Kanäle, Pumpen oder künstlich angelegte Stauseen mit Wasser versorgt, wodurch Landwirte den Zeitpunkt von Aussaat und Ernte sehr präzise steuern können. Derzeit werden weltweit nur etwa 551.300 Tonnen Reis für bewässerten Reis angebaut, doch der Anteil an der gesamten Reisproduktion beträgt 751.300 Tonnen. Dies verdeutlicht den Ertragsvorteil, der durch die Wasserversorgungssicherheit entsteht.

Durch die gezielte Überflutung von bewässerten Reisfeldern entsteht ein starkes und gleichmäßiges Radar-Rückstreusignal, das von Satellitensensoren zuverlässig erfasst wird. Dadurch gehört bewässerter Reis zu den am genauesten kartierten Nutzpflanzenarten der Welt.

7. Reisanbausysteme im Hoch- und Tiefland

Hochlandreis wird auf nicht überfluteten, gut durchlässigen Böden angebaut, oft an Hängen oder auf Terrassen in Asien und Afrika. Da diese Felder nie absichtlich überflutet werden, fehlt ihnen das Wassersignal, das Tieflandreis per Radar identifizierbar macht, weshalb Forscher ausschließlich auf spektrale Vegetationsmuster angewiesen sind.

Im Gegensatz dazu wird Tieflandreis auf flachen oder flach überfluteten Feldern angebaut, wo sich Wasser auf natürliche Weise oder durch Bewässerung sammelt. Tieflandsysteme prägen die Reisanbaugebiete Asiens und stehen im Mittelpunkt der meisten großflächigen Kartierungsprojekte.

Der morphologische Kontrast zwischen Hochland- und Tieflandfeldern, einschließlich Feldform, topografischer Lage und Kronenstruktur, liefert zusätzliche räumliche Hinweise, die die objektbasierte Bildanalyse effektiv nutzen kann.

8. Direktsaat vs. verpflanzter Reis

Bei der Reispflanzung werden die Setzlinge 25 bis 30 Tage lang in einer Anzuchtstation vorgezogen und anschließend manuell oder maschinell auf das Hauptfeld verpflanzt. Im Gegensatz dazu werden die Samen bei der Direktsaat ohne vorherige Anzucht direkt in das vorbereitete Feld gesät oder gebohrt.

Diese beiden Methoden erzeugen messbar unterschiedliche zeitliche Signaturen in Satellitendaten: Auf verpflanzten Feldern kommt es etwa drei Wochen nach der Überflutung zu einem abrupten, synchronen Grünaustrieb, während sich die Vegetationsdecke auf direkt eingesäten Feldern ab dem Tag der Aussaat allmählicher entwickelt. Dieser subtile, aber reale phänologische Unterschied lässt sich durch sorgfältige Zeitreihenanalyse von Vegetationsindizes nachweisen.

Fernerkundungswerkzeuge und -technologien für die Reiskartierung

1. Physikalisches Prinzip der Fernerkundung

Jede Pflanze reflektiert, absorbiert und transmittiert Sonnenstrahlung in Mustern, die von ihrer Blattbiochemie, der Struktur ihrer Baumkrone und ihrem Wassergehalt bestimmt werden. Grüne Blätter absorbieren viel rotes Licht für die Photosynthese und reflektieren gleichzeitig einen Großteil der Nahinfrarotstrahlung (NIR). Überschwemmte Böden hingegen absorbieren nahezu die gesamte einfallende Strahlung.

Diese gegensätzlichen Reaktionen erzeugen vorhersagbare spektrale Signaturen, die Sensoren auf Satelliten mit gleichbleibender Zeit aufzeichnen können. Dadurch sind Analysten in der Lage, den Zustand der Pflanzen, das Wachstumsstadium und Managemententscheidungen auf Feldebene zu verfolgen, ohne jemals das Feld besuchen zu müssen.

2. Optische Fernerkundung

Optische Sensoren erfassen reflektierte Sonnenstrahlung und erzeugen Bilder, die dem, was das menschliche Auge im Infrarotbereich sehen würde, sehr ähnlich sind. Drei optische Plattformen dominieren die Forschung zur Kartierung von Reisfeldern.

Landsat (Eine seit 1972 von NASA und USGS betriebene Satellitenreihe) liefert Bilder mit einer räumlichen Auflösung von 30 Metern und einem Wiederholungszyklus von 16 Tagen. Dank ihres langen zeitlichen Archivs ist sie für Studien zur Veränderung der Reisanbaufläche über Jahrzehnte hinweg unverzichtbar. Die 16-tägige Wiederholung bedeutet jedoch, dass einige phänologische Ereignisse innerhalb einer kurzen Vegetationsperiode zwischen den Beobachtungen möglicherweise nicht erfasst werden.

Sentinel-2 (Betrieben von der Europäischen Weltraumorganisation, gestartet 2015 und 2017 als Doppelsatellitenkonstellation) bietet im Vergleich zu Landsat eine höhere Auflösung von 10–20 Metern und einen fünftägigen Wiederholungszyklus am Äquator. Diese beiden Verbesserungen ermöglichen eine feinere Feldabgrenzung und eine bessere phänologische Erfassung. Die meisten aktuellen, hochpräzisen Reiskartierungsstudien, darunter auch solche, die 2024 im ISPRS Journal of Photogrammetry and Remote Sensing veröffentlicht wurden, nutzen Sentinel-2 als primäre optische Datenquelle.

MODIS Das MODIS-Instrument (Moderate Resolution Imaging Spectroradiometer) an Bord der NASA-Satelliten Terra und Aqua liefert eine Auflösung von 250 bis 500 Metern und kann täglich wiederholt werden. Obwohl es für die Kartierung einzelner Felder zu grob ist, bleibt es wertvoll für die Bewertung der Anbauintensität auf nationaler und kontinentaler Ebene, wo eine hohe räumliche Auflösung weniger wichtig ist als eine hohe zeitliche Auflösung.

3. Radarfernerkundung

Synthetisches Aperturradar (SAR) SAR ist eine radarbasierte Technologie, die Mikrowellenimpulse zur Erdoberfläche aussendet und die zum Sensor zurückgestreute Energie misst. Im Gegensatz zu optischen Sensoren arbeitet SAR unabhängig von Wolkenbedeckung und Sonneneinstrahlung, sodass es sowohl in einer bewölkten Monsunnacht als auch an einem klaren Tag in der Trockenzeit Daten liefert.

Diese Eigenschaft ist von entscheidender Bedeutung für die Kartierung von Reisanbauflächen im tropischen Asien, wo optische Sensoren regelmäßig wochenlange Wachstumsperioden aufgrund von Wolkenbedeckung verlieren.

Sentinel-1 Die ESA sendet Mikrowellenenergie im C-Band (Wellenlänge ca. 5,6 cm) aus und liefert kostenlose, globale SAR-Daten mit einer Auflösung von 10 Metern und einem Wiederholungszyklus von 6–12 Tagen. Reisfelder interagieren auf besondere Weise mit SAR-Signalen:

• Überflutete Felder wirken wie ein nahezu perfekter Spiegel und reflektieren den größten Teil der Radarenergie vom Sensor weg (wodurch niedrige Rückstreuwerte entstehen),
• Mit zunehmender Pflanzendichte und Blattfläche streut das wachsende Reispflanzendach immer mehr Energie zurück zum Sensor.

Dieser zeitliche Verlauf der Rückstreuung, der während der Überflutung und der Verpflanzung niedrig ist, während der vegetativen Stadien ansteigt und nach dem Ährenschieben wieder abnimmt, bildet eine für Reis einzigartige phänologische Radarsignatur.

Nguyen et al. (Remote Sensing of Environment, 2023) stellten fest, dass die Sentinel-1 SAR-Zeitserienklassifizierung erreicht wurde. 92,31 TP3T Gesamtgenauigkeit bei der Kartierung der Reisanbausaisonen in drei Provinzen des Mekong-Deltas in Vietnam, einschließlich Gebieten mit dreifachem Anbau, wo aufgrund von Wolkenbedeckung für mehr als 60% der Wachstumsperiode keine optischen Daten verfügbar waren.

In tropischen Reisanbaugebieten sind SAR-basierte Methoden nicht einfach nur eine Alternative zur optischen Sensorik, sondern oft die einzige zuverlässige Option für die saisonale Kartierung während der Monsunmonate.

4. Integration von Multisensor-Daten

Kein einzelner Sensor bietet die ideale Kombination aus räumlicher Detailgenauigkeit, zeitlicher Dichte und Wolkendurchdringung. Die präzisesten Reiskartierungssysteme integrieren daher mehrere Sensortypen in ein einheitliches Analysemodell.

Eine gängige Architektur kombiniert Sentinel-1 SAR für die wolkenfreie zeitliche Verfolgung mit optischen Sentinel-2-Daten für die spektrale Vielfalt während klarer Perioden und nutzt MODIS als grob auflösenden Anker für die phänologische Mustererkennung auf regionaler Ebene.

Werden diese Datenströme algorithmisch zusammengeführt, kann der kombinierte Datensatz Anbaugrenzen auflösen, Pflanztermine ermitteln und Kulturartenklassifizierungen mit einer Sicherheit zuweisen, die kein einzelner Sensor allein erreicht.

Identifizierung von Reisanbaumustern anhand von Satellitendaten

1. Zeitliche Merkmale der Reiswachstumsstadien

Reis durchläuft eine klar definierte Abfolge von Wachstumsstadien: Bodenvorbereitung und Überflutung, Verpflanzen oder Aussaat, Bestockung (die Entwicklung mehrerer Halme aus einer einzigen Pflanze), Rispenbildung, Ährenschieben (Erscheinen des körnertragenden Blütenstands) und Ernte.

Jede Phase führt zu einer messbaren Veränderung der optischen und Radareigenschaften des Feldes. Analysten nutzen diese phasenspezifischen Signaturen, die als Zeitreihen von Spektralindizes oder SAR-Rückstreuung erfasst werden, um zu rekonstruieren, was auf jedem Feld wann geschehen ist – ohne dass der Landwirt Vorwissen dazu hat.

2. Phänologiebasierte Reiskartierung

Phänologiebasierte Kartierung Die Klassifizierung von Nutzpflanzen anhand des Zeitpunkts biologischer Ereignisse ist der vorherrschende Ansatz zur großflächigen Reisdetektion. Das Verfahren funktioniert durch die Anpassung mathematischer Kurven an Zeitreihendaten und die anschließende Identifizierung von Feldern, deren zeitliches Muster der charakteristischen Wachstumskurve von Reis entspricht. Zu den aus diesem Anpassungsprozess extrahierten Schlüsselereignisdaten gehören:

• der Beginn der Vegetationsperiode (typischerweise erkennbar an einem starken Anstieg der Vegetationsindexwerte nach Überschwemmungen),
• der Höhepunkt der Vegetationsperiode (maximaler Blattflächenindex) und
• das Ende der Saison (rascher Rückgang zur Erntezeit).

Die Anzahl der innerhalb eines Kalenderjahres festgestellten Erntezyklen bestimmt direkt, ob ein Feld als einfach, doppelt oder dreifach bewirtschaftet eingestuft wird.

3. Bewertung der Anbauintensität

Die Anbauintensität, also die Anzahl der pro Jahr auf einer bestimmten Fläche abgeschlossenen Anbausaisons, ist eine der wichtigsten politischen Kennzahlen der Kartierung von Reisanbaumustern. Ein einfacher, aber aussagekräftiger Ansatz berechnet, wie oft ein für Reis typisches Spektral- oder Rückstreumaximum in der jährlichen Zeitreihe eines Pixels auftritt.

In Kombination mit räumlichen Filtern zur Entfernung von Fehlmessungen durch Feuchtgebiete, Gewässer oder saisonale Überschwemmungen ergeben diese Zykluszählungen Karten von ein-, zwei- und dreifachem Reisanbau, die anhand von Felduntersuchungen und regionalen Statistiken validiert werden können.

4. Kartierung der saisonalen und jährlichen Reisverteilung

Saisonale Karten (eine Karte pro Anbausaison und Jahr) erfassen nicht nur, wo Reis angebaut wird, sondern auch, wann er an jedem Standort wächst. Jährliche Stapel saisonaler Karten zeigen dann den vollständigen Anbaukalender einer Region, einschließlich der räumlichen Verteilung von früh- und spätreifendem Reis. Dies hat direkte Auswirkungen auf die Bewässerungsplanung, die Schädlingsbekämpfung und die Erntelogistik.

5. Erkennung von Fruchtfolgen mit Reis

In vielen asiatischen Reisanbausystemen wechseln die Bauern innerhalb desselben Feldes über mehrere Anbausaisons hinweg zwischen Reisanbau, Weizen, Gemüse, Hülsenfrüchten oder Bracheperioden. Fernerkundung erfasst diese Fruchtfolgen durch die Analyse der gesamten jährlichen Zeitreihe anstatt einzelner Saisons isoliert zu betrachten.

Ein Feld, das in der Regenzeit als Reisfeld und in der Trockenzeit als Weizenfeld klassifiziert wird, weist in den Vegetationsindexdaten ein deutliches zeitliches Muster mit zwei Maxima auf, wobei die spektralen Eigenschaften jedes Maximums die jeweilige Kulturart identifizieren. Die Kartierung dieser Fruchtfolgen ist wichtig für die Beurteilung der Bodengesundheit, die Modellierung des Bewässerungsbedarfs und Programme zur Einkommensdiversifizierung.

Wie GeoPard die Kartierung von Reisanbaumustern ermöglicht

Die Kartierung von Reisanbaumustern erfordert kontinuierliche Beobachtungen aus verschiedenen Quellen während der gesamten Vegetationsperiode – und genau das leistet GeoPard. Durch die Kombination von Landsat-8-, Sentinel-2- und Planet-Bildern auf einer einzigen Plattform überwacht GeoPard die Felder jeden zweiten Tag mit einer Auflösung von bis zu 3 Metern. So wird sichergestellt, dass wichtige Ereignisse im Reisanbau, wie die Überflutung vor dem Umpflanzen, das Ergrünen der Setzlinge und die Ernte, auch bei fehlender Bewölkung nicht verpasst werden.

Die Multisensorfusion der Plattform hat eine um 4% höhere Genauigkeit als Einzelsensoransätze gezeigt, was die Unterscheidung zwischen ein-, zwei- und dreifach-Erntereisystemen direkt schärft.

Zur Identifizierung des Kulturtyps erfasst die Vegetationsindex-Suite von GeoPard, einschließlich NDWI zur Erkennung von Oberflächenüberschwemmungen, EVI2 zur Bestimmung des Zeitpunkts der Kronenbiomasse und LAI zur Bestimmung der Kronendichte, die spektrale Biografie, die bewässerten verpflanzten Reis von Regenfeld- oder Direktsaatsystemen unterscheidet.

An bewölkten Monsuntagen, an denen optische Bildgebung vollständig ausfällt, sorgt die integrierte Radardatenschicht von GeoPard für eine ununterbrochene Vegetationsüberwachung, indem sie die SAR-Rückstreumulde erfasst, die das eindeutige Kennzeichen eines überfluteten Reisfelds zum Zeitpunkt der Verpflanzung darstellt.

Mit dem Tool „Layer vergleichen“ können Agronomen bis zu vier synchronisierte Datenebenen nebeneinander platzieren. Dadurch lassen sich Reisanbautypen einfach unterscheiden, indem NDWI-Überschwemmungssignale mit mehrjährigen Vegetationstrends und Bodenproduktivitätskarten verglichen werden.

Gestützt auf über 30 Jahre Satellitenbildmaterial, deckt die Plattform langfristige Muster der Anbauintensität auf Feldebene auf. Diese Erkenntnisse fließen direkt in Karten für die variable Ausbringung von Dünger, Saatgut und Pflanzenschutzmitteln ein und wandeln so Karten der Reisanbautypen in konkrete, feldspezifische Bewirtschaftungsanweisungen um.

Kartierung von Reisanbaukulturtypen mittels Fernerkundung

1. Spektrale Eigenschaften verschiedener kultureller Praktiken

Der Kulturtyp, also die spezifische Kombination der auf einem Reisfeld angewandten Bewirtschaftungsmethoden, prägt die zeitliche Entwicklung der spektralen Signatur dieses Feldes. Überfluteter, verpflanzter Reis beispielsweise beginnt die Saison mit einer wasserdominierten optischen Reaktion (geringe Reflexion in allen sichtbaren Spektralbereichen), gefolgt von einem abrupten Wechsel, sobald sich das dichte Blätterdach der Sämlinge etabliert hat.

Bei direkt in ein nicht überflutetes Saatbett gesätem Reis ist der Anstieg des Vegetationssignals vom Beginn der Keimung an eher allmählich, ohne die anfängliche Überflutungsperiode, die optische Sensoren und SAR-Sensoren problemlos erfassen.

2. Unterscheidung von bewässertem und unbewässertem Reis

Bewässerte und nicht bewässerte Reisfelder unterscheiden sich in zwei wesentlichen Punkten: dem Zeitpunkt und der Regelmäßigkeit der Überflutungen sowie der Beständigkeit ihrer saisonalen Phänologie. Bewässerte Felder werden tendenziell planmäßig überflutet, weisen geringere jährliche Schwankungen bei den Pflanzterminen auf und behalten durch kontrolliertes Wassermanagement eine gleichmäßige Bestandsdichte bei.

Bei Regenfeldern ist die zeitliche Variabilität zwischen den Jahren größer, es kann in der Mitte der Vegetationsperiode zu Wasserstress kommen, der sich als anomale Einbrüche der Vegetationsindexwerte bemerkbar macht, und manchmal wird in Dürrejahren keine vollständige Vegetationsperiode abgeschlossen.

Die Analyse mehrjähriger Zeitreihen erfasst diese Variabilitätsstruktur und ermöglicht es Klassifizierungsalgorithmen, bewässerte von nicht bewässerten Gebieten zu trennen. Die Genauigkeit liegt in gut kalibrierten Systemen typischerweise über 85%.

3. Kartierung von verpflanztem und direkt gesätem Reis

Der zuverlässigste Indikator zur Unterscheidung zwischen verpflanztem und direkt gesätem Reis in SAR-Daten ist der Zeitpunkt und die Dauer der anfänglichen Flutungsperiode mit geringer Rückstreuung.

Die Reisfelder werden vor dem Umpflanzen der Setzlinge 2-4 Wochen lang überflutet, wodurch zu Beginn der Saison ein verlängertes Zeitfenster entsteht, in dem das Radar keine Daten liefert.

Direktgesäte Felder weisen entweder kein Überflutungsfenster (Trockensaat) oder ein sehr kurzes (Nasssaat) auf, und der Anstieg der Rückstreuung erfolgt sowohl früher im Verhältnis zum Aussaattermin als auch mit einer strukturell unterschiedlichen Steigung. Diese zeitlichen Merkmale lassen sich automatisch mithilfe von Algorithmen extrahieren, die auf dichte SAR-Zeitserien angewendet werden.

4. Erkennung von Managementpraktiken mittels Fernerkundung

Neben der Transplantationsmethode und dem Wasserregime kann die Fernerkundung bestimmte Wassermanagementpraktiken erfassen, wie zum Beispiel das abwechselnde Bewässern und Trocknen (AWD), eine Technik, die zur Reduzierung von Methanemissionen und Wasserverbrauch durch intermittierendes Entwässern von Reisfeldern eingesetzt wird.

AWD-Felder zeigen während der Vegetationsperiode oszillierende SAR-Rückstreumuster, die die wiederholten Flut- und Entwässerungszyklen widerspiegeln, während kontinuierlich überflutete Felder einen gleichmäßigeren Rückstreuverlauf aufweisen. Diese Fähigkeit ist besonders wertvoll für die Überwachung der Anwendung klimafreundlicher Reisanbaumethoden in nationalen Treibhausgasinventaren.

5. Indikatoren für das Wassermanagement in Reisfeldern

Die SAR-basierte Erkennung von Wasseroberflächen ist äußerst empfindlich und kann selbst stehendes Wasser in nur wenigen Zentimetern Tiefe unter dem Reiskorn erfassen. Dank dieser hohen Empfindlichkeit können Analysten den Überflutungsstatus einzelner Felder zu wichtigen Zeitpunkten der Vegetationsperiode kartieren und so die Bewässerungsplanung optimieren sowie frühzeitig Hochwasserschäden abschätzen.

Werden Wasseroberflächenkarten aus verschiedenen Zeitpunkten zeitlich übereinandergelegt, ergibt sich für jedes Feld eine dynamische Signatur des Wassermanagements, die als wertvolle Eingangsgröße für Modelle zur Klassifizierung kultureller Typen dient.

Techniken und Methoden: Von Indizes zum Deep Learning

1. Vegetationsindizes für die Reisüberwachung

Vegetationsindizes sind mathematische Kombinationen von Reflexionswerten bei verschiedenen Wellenlängen. Sie dienen dazu, das Signal der Pflanzenbiomasse und des Pflanzenzustands zu verstärken und gleichzeitig Störungen durch Bodenbeschaffenheit, atmosphärische Einflüsse und die Beleuchtungsgeometrie zu reduzieren. Drei dieser Indizes sind für die Kartierung von Reisfeldern von zentraler Bedeutung.

i. NDVI (Normalisierter Differenzvegetationsindex) Der Wert wird als (NIR – Rot) / (NIR + Rot) berechnet und ist der am weitesten verbreitete Index in der Reisüberwachung. Er erfasst den Grünanteil des Pflanzenbestands von der Etablierung der Sämlinge bis zur Seneszenz, wobei die Werte typischerweise von nahezu null beim Umpflanzen auf 0,6–0,8 zum Zeitpunkt des maximalen vegetativen Wachstums ansteigen.

ii. EVI (Verbesserter Vegetationsindex) Korrigiert atmosphärische Aerosoleffekte und Bodenhintergrundrauschen effektiver als der NDVI, wodurch er in Umgebungen mit hoher Aerosolbelastung, wie beispielsweise während der in tropischen Gebieten Asiens häufigen Biomasseverbrennungssaisons, vorzuziehen ist.

iii. LSWI (Land Surface Water Index) Es nutzt die Reflexion im kurzwelligen Infrarotbereich, um den Wassergehalt sowohl im Pflanzenbestand als auch an der Bodenoberfläche zu erfassen. Dadurch reagiert es sehr empfindlich auf die Überschwemmungsereignisse, die den Reisanbau im Tiefland kennzeichnen, und liefert ein zuverlässiges Signal zur Erkennung des Beginns der Vegetationsperiode.

2. Zeitreihenanalyse

Ein einzelnes Satellitenbild erfasst den Zustand eines Reisfelds zu einem bestimmten Zeitpunkt, doch seine Geschichte entfaltet sich in der Abfolge dieser Momente. Zeitreihenanalysen verknüpfen zahlreiche Beobachtungen, typischerweise ein Bild alle 5–16 Tage über ein ganzes Jahr, und extrahieren zeitliche Kennzahlen wie Saisonbeginn, maximalen NDVI-Wert, Begrünungsrate und Erntetermin.

Diese Kennzahlen beschreiben gemeinsam das gesamte phänologische Verhalten des Feldes und sind für die Bestimmung der Kulturart wesentlich aussagekräftiger als Einzelbeobachtungen. Statistische Methoden wie harmonische Regression und Dynamic Time Warping (DTW) werden häufig verwendet, um Zeitreihendaten über verschiedene Jahre und Regionen hinweg anzugleichen und zu vergleichen.

3. Maschinelles Lernen zur Reisklassifizierung

Maschinelles Lernen hat den Umfang und die Genauigkeit der Kartierung von Reisanbaumustern revolutioniert, indem es die Identifizierung komplexer, nichtlinearer Zusammenhänge zwischen spektral-zeitlichen Daten und Feldbedingungen automatisiert hat.

i. Random Forest (RF) Es handelt sich um eine Ensemble-Methode, die Hunderte unabhängiger Entscheidungsbäume erstellt, die jeweils mit einer zufälligen Teilmenge von Merkmalen trainiert werden, und deren Ergebnisse für eine endgültige Klassifizierung aggregiert. Sie ist robust gegenüber verrauschten Trainingsdaten, verarbeitet hochdimensionale Merkmalsräume effizient und liefert Wichtigkeitswerte für Variablen, die Analysten helfen zu verstehen, welche zeitlichen oder spektralen Merkmale die Klassifizierungsentscheidungen beeinflussen.

ii. Support Vector Machine (SVM) Die Support Vector Machine (SVM) findet die optimale Trenngrenze zwischen Klassen in einem hochdimensionalen Merkmalsraum. Sie erzielt gute Ergebnisse bei begrenzten Trainingsdaten und ist daher in datenarmen Regionen nützlich, in denen die Erhebung von Referenzdaten aufwendig ist.

iii. Deep Learning, Insbesondere Convolutional Neural Networks (CNNs) und Recurrent Neural Networks (RNNs) wie Long Short-Term Memory (LSTM)-Architekturen können sowohl räumliche Muster innerhalb einzelner Bilder als auch zeitliche Muster über Bildsequenzen hinweg gleichzeitig erlernen. LSTM-basierte Klassifikatoren, angewendet auf Satellitenzeitreihen, haben bei der Kartierung von Reisfeldern höchste Genauigkeit erzielt. Mehrere Studien berichten von Gesamtgenauigkeiten von über 90% auf regionaler Ebene.

Xiao et al. (International Journal of Applied Earth Observation and Geoinformation, 2025) demonstrierten, dass ein mit fusionierten Zeitreihendaten von Sentinel-1 und Sentinel-2 trainiertes LSTM-Deep-Learning-Modell die Reisanbautypen in drei südasiatischen Ländern kartierte. Die Gesamtgenauigkeit beträgt 91,71 TP3T und der Kappa-Koeffizient 0,89., und übertrifft Random Forest unter den gleichen Trainingsbedingungen um 6,4 Prozentpunkte.

Für die großflächige Kartierung von Reisanbaukulturtypen, bei der die Erhebung von Trainingsdaten möglich ist, sind LSTM-basierte Deep-Learning-Klassifikatoren mittlerweile die Benchmark-Methode und sollten die Standardwahl für neue nationale Kartierungsprogramme sein.

4. Objektbasierte Bildanalyse (OBIA)

Objektbasierte Bildanalyse (OBIA) Funktioniert, indem benachbarte Pixel mit ähnlichen spektralen und räumlichen Eigenschaften zu Objekten (Segmenten) zusammengefasst werden, bevor sie klassifiziert werden, anstatt jedes Pixel unabhängig zu klassifizieren.

Bei der Kartierung von Reisfeldern ist OBIA deshalb wertvoll, weil es Form, Textur und Kontext in die Klassifizierung einbeziehen kann und ein Reisfeld anhand der regelmäßigen rechteckigen Geometrie des Reisfelds von einem ähnlich gefärbten Gewässer unterscheidet.

OBIA ist besonders effektiv bei sehr hoher räumlicher Auflösung, wie z. B. Daten von kommerziellen Satelliten mit einer Auflösung von 1-5 Metern oder UAV-Bildern.

5. Techniken zur Änderungserkennung

Die Veränderungserkennung identifiziert Gebiete, in denen sich die Landnutzung zwischen zwei oder mehr Zeitpunkten verändert hat. Im Reisanbau-Monitoring dient die Veränderungserkennung zwei Zwecken: der Verfolgung der jährlichen Ausdehnung oder Verringerung der Reisanbaufläche als Reaktion auf klimatische oder wirtschaftliche Faktoren sowie der Identifizierung von Veränderungen während der Vegetationsperiode, wie z. B. Ernteausfälle, Aufgabe des Anbaus oder unerwartete Überschwemmungen.

Die bitemporale Veränderungsanalyse (direkter Vergleich zweier Zeitpunkte) ist zwar einfach, aber anfällig für phänologische Unterschiede zwischen den Jahren. Die multitemporale Veränderungsanalyse über vollständige Jahresdatensätze ist robuster und kann tatsächliche Landnutzungsänderungen von saisonalen phänologischen Schwankungen unterscheiden.

Genauigkeitsbewertung und Validierung

1. Erhebung von Referenzdaten

Jedes Reiskartierungsprodukt muss anhand unabhängig erhobener Feldbeobachtungen validiert werden. Die Referenzdaten umfassen typischerweise GPS-gestützte Feldbegehungen, bei denen geschulte Erfasser an einer statistisch repräsentativen Stichprobe von Standorten die Kulturart, das Wachstumsstadium, den Bewässerungsstatus und die Anbaumethode dokumentieren. Diese Beobachtungen werden zeitlich mit Satellitenaufnahmen erfasst und nicht für das Modelltraining verwendet, sondern ausschließlich zur Genauigkeitsbewertung.

2. Metriken zur Klassifizierungsgenauigkeit

Bei Anwendungen speziell für Reisanbau wird der F1-Score, der die Genauigkeit von Produzenten und Nutzern für jede Klasse ausgleicht, zunehmend zusammen mit dem Kappa-Wert als aussagekräftigere Kennzahl zur Leistungsbewertung angegeben. Zu den Standardmetriken für die Beurteilung der Kartengenauigkeit gehören:

• Gesamtgenauigkeit (der Prozentsatz aller korrekt klassifizierten Validierungspunkte),
• Produzentengenauigkeit (die Wahrscheinlichkeit, dass ein Feld einer bestimmten wahren Klasse korrekt zugeordnet wird, analog zur Trefferquote),
• Genauigkeit des Benutzers (die Wahrscheinlichkeit, dass ein einer bestimmten Klasse zugeordnetes Feld tatsächlich dieser Klasse angehört, analog zur Präzision) und
• Der Kappa-Koeffizient (ein Maß für die Übereinstimmung, korrigiert um zufällige Übereinstimmung; Werte über 0,80 deuten auf eine starke Übereinstimmung hin).

3. Validierung der Anbaumuster- und Kulturtypenkarten

Zur Validierung von Anbaumusterkarten werden multitemporale Felddaten benötigt, die durch Feldbesuche zu verschiedenen Zeitpunkten im Anbaukalender ermittelt werden, um zu bestätigen, wie viele Erntesaisons pro Jahr an jedem Validierungsstandort tatsächlich durchgeführt wurden.

Die Validierung der Anbauart, bei der zwischen verpflanzten und direkt gesäten Pflanzen oder zwischen bewässerten und nicht bewässerten Pflanzen unterschieden wird, ist anspruchsvoller, da diese Unterschiede im Feld nicht immer visuell erkennbar sind und Interviews mit Landwirten oder die direkte Beobachtung von Bewirtschaftungsmaßnahmen während sensibler Zeitfenster in der Vegetationsperiode erfordern.

Nationale Agrarstatistiken, die oft auf Provinz- oder Bezirksebene aggregiert werden, bieten eine zusätzliche Validierungsebene für Flächenschätzungen, da die Summen auf den Karten mit den offiziell gemeldeten Zahlen abgeglichen werden können.

Anwendungen im gesamten Agrarsystem

1. Landwirtschaftliche Planung und Politikentwicklung

Mithilfe von Fernerkundungsdaten erstellte Karten der Reisanbaumuster liefern den Landwirtschaftsministerien die notwendige räumliche Auflösung für die Planung gezielter Maßnahmen. Regionen, die als Regenfeldbau mit nur einer Ernte identifiziert wurden, können für den Ausbau der kleinbäuerlichen Bewässerung priorisiert werden; Gebiete mit Dreifachanbau und sinkenden Erträgen können auf Bodendegradation oder Grundwasserabsenkung untersucht werden.

2. Schätzung der Reisproduktion

Die Kombination von Reisanbaugebietskarten aus Fernerkundungsdaten mit Ertragsschätzungsmodellen, wie zum Beispiel auf Wetterdaten basierenden Pflanzenwachstumssimulationen, ermöglicht die Erstellung von subnationalen und nationalen Produktionsprognosen Wochen oder Monate vor der Ernte.

Das Dashboard für Ernährungssicherheit der Asiatischen Entwicklungsbank und das Globale Informations- und Frühwarnsystem (GIEWS) der FAO nutzen beide satellitengestützte Daten zur Reisanbaufläche, um Produktionsschätzungen vor der Ernte zu generieren, die nachweislich genauer sind als auf Umfragen basierende Ansätze.

3. Wasserressourcenmanagement

Der Anbau von bewässertem Reis ist der größte Einzelverbraucher von Süßwasser in Asien und macht etwa 401 Tonnen des gesamten landwirtschaftlichen Wasserverbrauchs in Ländern wie Indien und Bangladesch aus.

Der wertvollste Nutzen der satellitengestützten Reiskartierung liegt nicht in der Karte selbst, sondern in der Entscheidung, die sie ermöglicht, sei es der Bau eines Kanals, die Schließung eines Brunnens oder die Umleitung einer Subvention.

Das genaue Wissen darüber, wo bewässerter Reis angebaut wird, wie viele Bewässerungssaisons er erhält und welche Felder effiziente Wassermanagementpraktiken wie AWD nutzen, unterstützt direkt die Flussbeckenplanung, die Planung des Stauseebetriebs und die Bewertung der Grundwassernachhaltigkeit.

4. Überwachung der Ernährungssicherheit

Frühwarnsysteme für Ernährungsunsicherheit sind auf die schnelle Erkennung von Ernteausfällen angewiesen. Wenn Reisfelder ihren Wachstumszyklus nicht vollständig durchlaufen, erkennt die satellitengestützte Überwachung diese Anomalie durch das Ausbleiben oder die Verkürzung des phänologischen Höhepunkts innerhalb des erwarteten Zeitraums. Das von USAID unterstützte FEWS NET (Famine Early Warning Systems Network) nutzt Satellitendaten zur Vegetation, einschließlich reisspezifischer Überwachung, um Warnungen zur Ernährungssicherheit in Asien und Afrika zu generieren.

5. Bewertung der Auswirkungen des Klimawandels

Langjährige Archive von Reisanbaumusterkarten, die 20 Jahre oder mehr an Landsat-Daten umfassen, zeigen, wie sich Anbauflächen, Anbausaisons und Erträge von Reis als Reaktion auf veränderte Temperatur- und Niederschlagsmuster verschoben haben. Diese historischen Trendkarten liefern empirische Belege für die Auswirkungen des Klimawandels auf Reissysteme und dienen als Grundlage für die Prognose zukünftiger landwirtschaftlicher Risiken unter verschiedenen Erwärmungsszenarien.

7. Anwendungen in der Präzisionslandwirtschaft

Auf Betriebsebene unterstützt die mithilfe von UAVs erstellte Kartierung von Reisanbautypen in Kombination mit Boden- und Wasserdaten präzise Managemententscheidungen, wie z. B. die variable Düngung, die standortspezifische Schädlingsbekämpfung und die optimierte Planung des Pflanztermins. Diese Anwendungen entwickeln sich derzeit rasant in Japan, Südkorea und Teilen Chinas, wo der Reisanbau hochgradig mechanisiert ist und eine Dateninfrastruktur zur Verknüpfung von Fernerkundungsdaten mit landwirtschaftlichen Managementsystemen vorhanden ist.

Herausforderungen und Einschränkungen bei der Kartierung von Reisanbaugebieten

1. Wolkenbedeckung und Datenverfügbarkeit

Anhaltende Wolkendecke während der Monsunzeit, in der ein Großteil des asiatischen Reises angebaut wird, schränkt die Anzahl nutzbarer optischer Beobachtungen stark ein. An manchen Standorten reduziert die Wolkenbedeckung die verfügbaren Sentinel-2-Beobachtungen während der kritischen Pflanz- und frühen Vegetationsphase auf weniger als zwei pro Monat. SAR-Daten mildern dieses Problem zwar ab, beseitigen es aber nicht vollständig, da Starkregen das Radarsignal vorübergehend überlagern kann.

2. Gemischte Pixel und kleine Feldgrößen

In Regionen, in denen die Reisfelder kleiner als die räumliche Auflösung des Sensors sind, erfasst ein einzelnes Pixel eine Mischung aus Reis- und Nicht-Reis-Landbedeckung, was die Klassifizierung erschwert. Hochlandreisflächen in hügeligem Gelände und kleinere Reisfelder in Teilen Indonesiens und der Philippinen erzeugen selbst bei der 10-Meter-Auflösung von Sentinel-2 regelmäßig Mischpixel, was den Einsatz pixelbasierter Methoden in diesen Umgebungen einschränkt.

3. Spektrale und zeitliche Ähnlichkeit zwischen verschiedenen Pflanzenarten

Einige Nutzpflanzen, insbesondere Zuckerrohr, Jute und bestimmte Grasarten, weisen in NDVI- oder EVI-Zeitreihen ähnliche phänologische Kurven wie Reis auf, was zu Klassifizierungsschwierigkeiten führt. Die SAR-basierte Überflutungserkennung reduziert diese Schwierigkeiten bei Tieflandreis, doch Hochlandreissysteme ohne überflutete Felder lassen sich ohne zusätzliche Felddaten oder geografische Informationen weiterhin nur schwer von spektral ähnlichen Nutzpflanzen unterscheiden.

4. Beschränkungen der zeitlichen Auflösung

Die Kartierung von Reisanbaumustern und -kulturtypen mittels Fernerkundung erfordert eine dichte zeitliche Abtastung, idealerweise mindestens eine Beobachtung alle 8–10 Tage während der gesamten Vegetationsperiode. Wenn Wolkenbedeckung oder Lücken in der Satellitenumlaufbahn diese zeitliche Dichte verringern, können kurzlebige Reissorten oder schnell wechselnde Dreifacherntezyklen von automatisierten Erkennungsalgorithmen vollständig übersehen werden.

5. Einschränkungen der Bodenmessdaten

Hochwertige, annotierte Trainingsdaten – Feldbeobachtungen, die bekannten Kulturpflanzenarten und Anbaumethoden zugeordnet sind – sind nach wie vor teuer und logistisch schwierig in dem Umfang zu erheben, der für das Training und die Validierung nationaler Kartierungssysteme erforderlich ist. In vielen einkommensschwachen Reisanbauländern stellt die unzureichende personelle und finanzielle Kapazität für die systematische Datenerhebung vor Ort das größte Hindernis für die Verbesserung der Kartierungsgenauigkeit dar.

Neue Trends und die Zukunft der Reisüberwachung

1. UAV- und drohnengestützte Reisüberwachung

Unbemannte Luftfahrzeuge (UAVs) mit multispektralen und thermischen Sensoren liefern heute zentimetergenaue Bilder einzelner landwirtschaftlicher Betriebe und erfassen Feldgrenzen, Pflanzenreihen und sogar den Gesundheitszustand einzelner Pflanzen. UAVs fungieren als Brücke zwischen satellitengestützter Kartierung und der Beobachtung einzelner Pflanzen und liefern die hochauflösenden Bodenmessdaten, die für das Training und die Validierung satellitengestützter Modelle in fragmentierten Landschaften benötigt werden.

2. KI und Deep Learning für die Reisklassifizierung

Konvolutionelle neuronale Netze, angewendet auf Satellitenbild-Zeitserien und kombiniert mit Transformer-Architekturen, die aus der Verarbeitung natürlicher Sprache adaptiert wurden, erzielen derzeit die höchsten jemals berichteten Genauigkeiten bei der Reisklassifizierung.

Das PRISM-Framework (Phenology-based Rice crop Identification System using Multisource data), das von Forschern der Universität Wageningen im Jahr 2024 veröffentlicht wurde, zeigte, dass selbstüberwachtes Lernen auf Basis unbeschrifteter Satellitenarchive Reisklassifizierungsmodelle vortrainieren kann, die nur minimal beschriftete Bodendaten für die Feinabstimmung benötigen, wodurch der Aufwand für Felduntersuchungen drastisch reduziert wird.

3. Reisüberwachungssysteme mit nahezu Echtzeit-Überwachung

Operative Reisüberwachungssysteme, die nahezu in Echtzeit arbeiten, verarbeiten automatisch eingehende Satellitendaten, aktualisieren Reiskarten in Abständen von 10 bis 16 Tagen und übermitteln Warnmeldungen zu Pflanzterminen, Wasserstressereignissen und Erntezeiten direkt an Regierungs-Dashboards oder mobile Anwendungen, die von Landwirten und Beratern genutzt werden.

Sowohl das thailändische Reisministerium als auch das vietnamesische Landwirtschaftsministerium betreiben Prototypensysteme dieser Art, und das Internationale Reisforschungsinstitut unterstützt die Entwicklung ähnlicher Kapazitäten in Bangladesch und Kambodscha.

4. Integration von Satelliten- und IoT-Daten

Sensoren des Internets der Dinge (IoT), die in Reisfeldern eingesetzt werden und Bodenfeuchtigkeit, Wasserstand, Temperatur und Mikroklima des Kronendachs messen, erzeugen kontinuierliche Beobachtungen auf Bodenebene, die Satellitenfernerkundungsdaten ergänzen und kalibrieren.

Werden IoT-Sensornetzwerke und Satellitenbeobachtungen in Datenfusions-Frameworks kombiniert, kann das resultierende Überwachungssystem Wasserstress, den Beginn von Überschwemmungen und Krankheitsdruck mit größerer Sicherheit und in kürzerer Vorlaufzeit erkennen, als es jede der beiden Quellen für sich bietet.

5. Digitale Landwirtschaft und intelligente Landwirtschaft

Die Konvergenz von satellitengestützter Reiskartierung, IoT-Sensorik und KI-gestützter Entscheidungsunterstützung schafft die Grundlagen für einen intelligenten Reisanbau, bei dem Managemententscheidungen von der Bewässerungszeit bis zur Düngemittelanwendung auf räumlich expliziten, nahezu in Echtzeit verfügbaren Datenströmen basieren und nicht auf kalenderbasierten Faustregeln.

Pilotprojekte in der japanischen Präfektur Niigata und in der chinesischen Provinz Heilongjiang haben gezeigt, dass eine auf Fernerkundung basierende Präzisionsbewirtschaftung des Reisanbaus die Inputkosten senken kann. 15-25% bei gleichbleibenden oder sogar verbesserten Erträgen, wie vorläufige Feldversuchsberichte aus dem Jahr 2024 zeigen.

Schlussfolgerung

Die Kartierung von Reisanbaumustern und -kulturmethoden mittels Fernerkundung hat sich von einer akademischen Forschungsdisziplin zu einem praktischen Instrument entwickelt, das von Regierungen, internationalen Organisationen und Agrartechnologieplattformen in Asien und darüber hinaus eingesetzt wird. Multisensor-Zeitreihenverfahren, die optische und SAR-Daten kombinieren und mithilfe von Machine-Learning- und Deep-Learning-Klassifikatoren verarbeitet werden, liefern mittlerweile routinemäßig Reisanbauflächenkarten auf nationaler Ebene mit einer Gesamtgenauigkeit von über 85–901 TP3T. Diese Karten zeigen nicht nur, wo Reis angebaut wird, sondern auch, wie oft pro Jahr, unter welchen Bewässerungsbedingungen und mit welcher Anbaumethode.

Die Kartierung von Reisanbauflächen geht über die reine Erfassung von Anbautypen hinaus und wandelt Landnutzungsdaten in wertvolle Agrarinformationen um. Die Erkenntnis, dass eine Region innerhalb eines Jahrzehnts von verpflanztem zu direkt gesätem Reis gewechselt hat, signalisiert gleichzeitig Veränderungen auf dem Arbeitsmarkt und sinkende Grundwasserspiegel. Die Kenntnis der am stärksten von Trockenperioden im frühen Anbaujahr betroffenen Regenfeldgebiete, identifiziert anhand ihrer zeitlichen und spektralen Muster, ermöglicht eine vorausschauende Dürrehilfe anstelle reaktiver Katastrophenbewältigung. Fernerkundung ermöglicht diese detaillierte räumliche Analyse zu einem Bruchteil der Kosten vergleichbarer Bodenerhebungen.