Riisin viljelykuvion ja kulttuurityypin kartoitus kaukokartoituksen avulla

Riisi ruokkii maailmanlaajuisesti yli 3,5 miljardia ihmistä, mutta alle 601 000 000 riisinviljelyalueesta on saatavilla tarkat ja ajantasaiset viljelykartat Kansainvälisen riisitutkimuslaitoksen (IRRI) vuoden 2024 maailmanlaajuisen riisiatlas-päivityksen mukaan. Riisin viljelymallin ja viljelytyypin kartoittaminen kaukokartoituksen avulla kuroaa nopeasti umpeen tätä aukkoa tarjoamalla paikallisesti tarkkoja ja ajallisesti yhdenmukaisia tietoja mittakaavoissa, joihin mikään maastokartoitus ei pysty.

Vietnamin Mekongin suiston keinokasteltujen kaksoisviljelyalueiden tunnistamisesta Saharan eteläpuolisen Afrikan sadeveden kastelemien yksivuotisten peltojen tunnistamiseen satelliitti- ja tutkapohjaiset järjestelmät tarjoavat nyt tiedustelutietoa, jota maanviljelijät, hallitukset ja elintarviketurvallisuusvirastot tarvitsevat luottavaiseen suunnitteluun. Tekoälyn ja pilvipalveluiden kiihdyttäessä tiedonkäsittelyä lähes reaaliaikaisen riisin seurannan odotetaan tulevan maailmanlaajuiseksi standardiksi vuoteen 2027 mennessä.

Miksi riisi on tärkeää ja miksi sen seuranta on vaikeaa

1. Riisintuotanto ja maailmanlaajuinen ruokaturvayhtälö

Riisi on ensisijainen kalorien perusravinto yli puolelle maailman väestöstä, ja sen merkitys ulottuu paljon yksilöllisen ravinnon ulkopuolelle. Maailmanlaajuinen riisintuotanto oli noin 520 miljoonaa tonnia hiottua riisiä vuonna 2024, FAO:n tietojen mukaan, josta Aasian osuus on lähes 901 000 tonnia.

Mikä tahansa merkittävä riisin tarjonnan häiriö, olipa kyseessä sitten kuivuus, tulva, tuholaisepidemia tai poliittinen epäonnistuminen, laukaisee nopeita elintarvikkeiden hintashokkeja, jotka vaikuttavat suhteettomasti maailman köyhimpiin kotitalouksiin.

Ruokaturvan ylläpitäminen tässä mittakaavassa vaatii enemmän kuin vain riittävän riisin kasvattamista. Se edellyttää tarkan tietämyksen tuntemista siitä, missä riisiä viljellään, kuinka monta kertaa vuodessa kullakin pellolla viljellään ja mitä viljelykäytäntöjä käytetään. Hallitukset tarvitsevat näitä tietoja kasteluinfrastruktuurin kohdentamiseen, tuotantopanosten tukemiseen ja hätävarastojen rakentamiseen.

Haasteena on, että riisiä viljellään poikkeuksellisen pirstaloituneilla maisemilla, Filippiinien pengerretyistä rinteistä Kiinan laajoihin keinokasteltuihin tasangkoihin, mikä tekee perinteisistä peltokohtaisista kartoituksista logistisesti ja taloudellisesti epäkäytännöllisiä kansallisella tai alueellisella tasolla.

2. Riisin viljelykuvioiden systemaattisen seurannan tarve

Riisinviljelymallit eli riisinviljelykausien määrä vuodessa ja niiden jakautuminen maisemassa muuttuvat jatkuvasti. Ilmaston vaihtelu lyhentää kasvuaikaa joillakin alueilla ja pidentää sitä toisilla. Taloudelliset signaalit ohjaavat viljelijöitä yhdestä sadosta kahteen satoon, kun veden saatavuus ja markkinahinnat kohtaavat.

Ilman systemaattista seurantaa suunnittelijat työskentelevät väestötietojen perusteella, jotka voivat olla viisi tai enemmän vuotta vanhentuneita, mikä johtaa veden, lannoitetukien ja maaseudun luoton krooniseen väärinkäyttöön. Kaukokartoitus tarjoaa ratkaisun tähän seurantavajeeseen tarjoamalla yhdenmukaisia ja toistettavia havaintoja koko maassa muutamassa päivässä.

Sen sijaan, että satelliittipohjaiset järjestelmät luottaisivat viljelijöiden itse raportointiin tai väestönlaskijoiden kyselyihin, ne tarkkailevat maisemaa suoraan ja tallentavat, miten riisipellot muuttuvat tulvien, uudelleenistutuksen, kasvun ja sadonkorjuun myötä kaikkina vuodenaikoina.

3. Mitä kaukokartoitus tuo maatalouden kartoitukseen

Kaukokartoitus on tiedettä, jossa hankitaan tietoa esineistä tai alueista etäältä, tyypillisesti satelliittiin, lentokoneisiin tai miehittämättömiin ilma-aluksiin (UAV) asennettujen antureiden avulla. Maataloudessa anturit mittaavat viljelykasvien, maaperän ja veden heijastamaa tai lähettämää energiaa sähkömagneettisen spektrin eri aallonpituuksilla.

Koska eri maapeitetyypit heijastavat energiaa eri tavoin eri kasvuvaiheissa, satelliittikuvat pystyvät erottamaan riisipellon maissipellosta ja tulvineen siirretyn riisipellon kuivasta suorakylvöisestä pellosta tarkkuudella, joka kasvaa anturiteknologian kehittyessä. Riisin viljelymallin ja viljelytyypin kartoittaminen kaukokartoituksen avulla palvelee neljää toisiinsa liittyvää tavoitetta.

• Ensinnäkin se tuottaa alueellisesti eksplisiittisiä luetteloita riisin viljelyalueista kausiluonteisesti ja vuosittain.
• Toiseksi se luokittelee, kuinka monta viljelysykliä esiintyy vuodessa kullakin kartoitetulla alueella, erottamalla toisistaan yhden, kahden ja kolmen viljelyn järjestelmät.
• Kolmanneksi se tunnistaa käytetyt viljelykäytännöt, kuten onko pelto istutettu vai kylvetty suoraan, tai onko vedenhallintaa kontrolloitua vai sadeveden avulla katettua.
• Neljänneksi se tuottaa lähtötietoja, joita käytetään tuotantoennusteiden, vesibudjetoinnin, ilmastonmuutokseen sopeutumisen suunnittelun ja täsmäviljelyjärjestelmien suunnittelussa.

Riisinviljelyjärjestelmien ja kulttuurityyppien ymmärtäminen

1. Mitä riisinviljelymalli todellisuudessa tarkoittaa

Riisinviljelymalli kuvaa riisinviljelyn ajallista järjestystä kalenterivuoden aikana tietyssä paikassa. Se ei ainoastaan kerro, viljelläänkö riisiä, vaan myös kuinka monta kertaa, milloin kukin kausi alkaa ja päättyy, ja mikä sato, jos mitään, seuraa tai edeltää riisiä samalla pellolla. Näiden mallien kartoittaminen alueella antaa suunnittelijoille dynaamisen kuvan maankäytön intensiteetistä ja resurssien kysynnästä, jota yksittäinen tilannekuva ei koskaan voisi tarjota.

2. Yhden sadon riisijärjestelmät

Yhden viljelykasvin (monocrop) järjestelmissä viljelijät viljelevät yhden riisikauden vuodessa, tyypillisesti monsuunisadekauden tai yhden kontrolloidun kastelusyklin yhteyteen. Nämä järjestelmät ovat vallitsevia alueilla, joilla veden saatavuus, työvoima tai ilmasto rajoittavat toisen kauden mahdollisuutta.

Yhden viljelykasvin viljelyjärjestelmissä on yleensä pidemmät kasvukaudet vuodessa, usein perinteisillä tai parannetuilla pitkäkestoisilla lajikkeilla, ja ne saavat suhteettoman paljon sadetta, mikä tekee niistä erittäin herkkiä sateiden ajoitukselle ja jakautumiselle.

3. Kaksisatoiset riisijärjestelmät

Kaksoisviljelyjärjestelmät tuottavat kaksi riisisatoa vuodessa samalta pellolta. Ne ovat yleisimpiä Kaakkois- ja Etelä-Aasiassa, mukaan lukien Punaisen joen suisto Vietnamissa, Bangladeshin tulvatasangot ja Intian Punjabin keinokastelualueet.

Kahden vuodenajan välinen ajallinen ero on pieni, usein alle 30 päivää, joten kahden sadon alueiden tunnistaminen satelliittidatasta vaatii tiheitä aikasarjahavaintoja kahden täyden fenologisen syklin havaitsemiseksi yhden vuoden aikana.

4. Kolmoisviljelyjärjestelmät riisille

Kolmoisviljelyä, jossa riisi korjataan kolme kertaa vuodessa, harjoitetaan rajoitetuilla alueilla, joilla sekä veden saatavuus että lämpötila pysyvät suotuisina ympäri vuoden. Etelä-Vietnamin Mekongin suistoalue ja osat Guangdongin maakunnasta Etelä-Kiinassa tukevat kolmoisviljelyjärjestelmiä.

Vaikka kolmoisviljelyjärjestelmät maksimoivat maankäytön intensiivisyyden, ne tuovat mukanaan merkittäviä maaperän hedelmällisyyteen ja tuholaistorjuntaan liittyviä haasteita. Näiden peltojen etätunnistaminen on teknisesti vaativaa, koska lyhyet kesantokaudet viljelykasvien välillä tiivistävät fenologiset signaalit tiukoiksi ikkunoiksi.

5. Sadekasteltu riisin viljely

Kansainvälisen riisintutkimuslaitoksen (IRRI) mukaan sadevedellä kasteltu riisi, jota viljellään kokonaan sadeveden varassa ilman keinotekoista vedensyöttöä, kattaa noin 451 300 tonnia maailman riisin kokonaisviljelyalasta. Se on hallitseva järjestelmä Saharan eteläpuolisessa Afrikassa, Etelä- ja Kaakkois-Aasian ylängöillä sekä sateesta riippuvaisilla tulvatasangoilla.

Sadekastetut järjestelmät ovat erittäin alttiita sademäärän vaihtelulle, mikä tarkoittaa 30–50%:n satovaihteluita sateiden ja kuivien vuosien välillä joillakin alueilla. Kaukokartoituksen näkökulmasta sadekasteltua riisiä on vaikeampi kartoittaa, koska tulvasignaali on heikompi ja epäsäännöllisempi kuin hoidetuilla keinokastelupelloilla.

6. Kasteltu riisinviljely

Kasteltuihin riisinviljelyjärjestelmiin vesi tulee kanavien, pumppujen tai hallinnoitujen säiliöiden kautta, minkä ansiosta viljelijät voivat hallita istutus- ja sadonkorjuuaikaa huomattavan tarkasti. Kasteltu riisi peittää tällä hetkellä vain noin 551 000 tonnia maailman riisinviljelyalasta, mutta sen osuus riisin kokonaistuotannosta on 751 000 tonnia, mikä heijastaa vedensaannin turvaaman satoedun.

Kasteltujen peltojen tarkoituksellinen tulviminen luo voimakkaan ja yhdenmukaisen tutkaheijastusjäljen, jonka satelliittianturit havaitsevat luotettavasti, mikä tekee kastellusta riisistä yhden maailman tarkimmin kartoitetuista viljelykasvilajeista.

7. Ylämaan ja alankojen riisijärjestelmät

Ylämaan riisiä viljellään tulvimattomilla, hyvin vettä läpäisevillä mailla, usein rinteillä tai terasseilla Aasiassa ja Afrikassa. Koska näitä peltoja ei koskaan tulviteta tarkoituksella, niiltä puuttuu vesisignaali, jonka avulla alamaan riisi voidaan tunnistaa tutkalla, minkä vuoksi tutkijat joutuvat turvautumaan pelkästään spektrisiin kasvillisuuskuvioihin.

Alamaan riisiä sitä vastoin viljellään tasaisilla tai matalilla tulvivilla pelloilla, joille vesi kertyy luonnostaan tai kastelun kautta. Alamaan järjestelmät hallitsevat Aasian riisikulhoalueita ja ovat useimpien laajamittaisten kartoituspyrkimysten ensisijainen kohde.

Ylä- ja alamaiden peltojen välinen morfologinen kontrasti, mukaan lukien peltojen muoto, topografinen sijainti ja latvuston rakenne, tarjoaa täydentäviä spatiaalisia vihjeitä, joita objektipohjainen kuva-analyysi voi hyödyntää tehokkaasti.

8. Suorakylvöinen vs. istutettu riisi

Riisin istuttaminen tarkoittaa taimien kasvattamista taimitarhassa 25–30 päivän ajan, minkä jälkeen ne siirretään manuaalisesti tai koneellisesti pääpellolle. Suorakylvössä riisin siemenet sitä vastoin kylvetään suoraan valmisteltuun peltoon ilman taimitarhavaihetta.

Nämä kaksi menetelmää tuottavat mitattavasti erilaisia ajallisia tunnisteita satelliittidatassa: istutetuilla pelloilla näkyy terävä, synkronoitu vihertyminen noin kolme viikkoa tulvan jälkeen, kun taas suorakylvöisillä pelloilla latvuston kehitys on hitaampaa kylvöpäivästä lähtien. Tämä fenologinen ero, hienovarainen mutta todellinen, on havaittavissa kasvillisuusindeksien huolellisen aikasarja-analyysin avulla.

Kaukokartoitustyökalut ja -teknologiat riisin kartoitukseen

1. Kaukokartoituksen fysikaalinen periaate

Jokainen kasvi heijastaa, absorboi ja lähettää auringonsäteilyä lehtien biokemian, latvusrakenteen ja vesipitoisuuden säätelemillä malleilla. Vihreät lehdet absorboivat voimakkaasti punaista valoa yhteyttämistä varten ja heijastavat samalla suuren osan lähi-infrapunaenergiasta (NIR). Tulvineet maaperät sitä vastoin absorboivat lähes kaiken tulevan säteilyn.

Nämä vastakkaiset vasteet luovat ennustettavia spektrisignaaleja, joita satelliittien anturit voivat tallentaa yhdenmukaisella ajoituksella, jolloin analyytikot voivat seurata sadon kuntoa, kasvuvaihetta ja peltotason hoitopäätöksiä käymättä koskaan pellolla.

2. Optinen kaukokartoitus

Optiset anturit havaitsevat heijastuneen auringonsäteilyn ja tuottavat kuvia, jotka muistuttavat läheisesti sitä, mitä ihmissilmä näkisi infrapunasäteilylle laajennettuna. Kolme optista alustaa hallitsee riisikartoitustutkimusta.

Landsat (NASAn ja USGS:n vuodesta 1972 lähtien operoima satelliittisarja) tarjoaa kuvia 30 metrin spatiaalisella resoluutiolla ja 16 päivän tarkkuudella. Sen pitkä ajallinen arkisto tekee siitä välttämättömän riisinviljelyalueiden muutosten tutkimuksissa vuosikymmenten aikana. 16 päivän toistuminen tarkoittaa kuitenkin sitä, että jotkin lyhyen kasvukauden fenologiset tapahtumat saattavat jäädä huomaamatta havaintojen välillä.

Sentinel-2 (Euroopan avaruusjärjestön operoima, laukaistiin vuosina 2015 ja 2017 kaksoissatelliittikonstellaationa) parantaa Landsat-satelliittia 10–20 metrin resoluutiolla ja 5 päivän paluusyklillä päiväntasaajalla. Nämä kaksi parannusta yhdessä mahdollistavat tarkemman kenttärajojen määrittelyn ja paremman fenologisen näytteenoton, ja useimmat viimeisimmät erittäin tarkat riisikartoitustutkimukset, mukaan lukien ISPRS Journal of Photogrammetry and Remote Sensing -lehdessä vuonna 2024 julkaistut, käyttävät Sentinel-2:ta ensisijaisena optisena tietolähteenä.

MODIS NASAn Terra- ja Aqua-satelliiteissa oleva MODIS (Moderate Resolution Imaging Spectroradiometer) tarjoaa 250–500 metrin resoluution ja päivittäisen tarkistuskapasiteetin. Vaikka se on liian karkea yksittäisten peltojen kartoitukseen, se on edelleen arvokas kansallisissa ja mannertenvälisissä viljelyintensiteetin arvioinneissa, joissa korkea spatiaalinen resoluutio on vähemmän kriittinen kuin ajallinen tiheys.

3. Tutka-kaukokartoitus

Synteettisen apertuurin tutka (SAR) on tutkapohjainen teknologia, joka lähettää mikroaaltopulsseja kohti maanpintaa ja mittaa anturiin takaisin sironneen energian. Toisin kuin optiset anturit, SAR toimii pilvipeitteestä ja auringon valaistuksesta riippumatta, mikä tarkoittaa, että se hankkii tietoa yhtä hyvin pilvisenä monsuuniyönä kuin kirkkaana kuivana vuodenaikana.

Tämä ominaisuus on kriittisen tärkeä riisin kartoituksessa trooppisessa Aasiassa, jossa optiset anturit menettävät rutiininomaisesti viikkoja kasvukaudesta pilvien tukkeutumisen vuoksi.

Sentinel-1 (ESA) lähettää C-kaistan mikroaaltoenergiaa (aallonpituus noin 5,6 cm) ja toimittaa ilmaista, globaalia SAR-dataa 10 metrin tarkkuudella 6–12 päivän toistumisjaksolla. Riisipellot vuorovaikuttavat SAR-signaalien kanssa erityisellä tavalla:

• tulvineet pellot toimivat lähes täydellisenä peilinä, heijastaen suurimman osan tutkaenergiasta pois anturista (tuottaen alhaiset takaisinhajoamisarvot), samalla kun
• Kasvava riisin latvusto sirottaa yhä enemmän energiaa takaisin anturia kohti kasvien tiheyden ja lehtipinta-alan kasvaessa.

Tämä ajan myötä tapahtuva takaisinsironta, joka on alhainen tulvien ja uudelleenistutuksen aikana, nousee kasvullisten vaiheiden läpi ja laskee jälleen pään jälkeen, muodostaa riisille ainutlaatuisen tutkafenologisen ominaisuuden.

Nguyen ym. (Remote Sensing of Environment, 2023) havaitsivat, että Sentinel-1 SAR -aikasarjaluokittelu saavutti 92.3% kokonaistarkkuus riisinviljelykausien kartoittamisessa kolmessa Vietnamin Mekongin suiston maakunnassa, mukaan lukien kolmen viljelyn alueet, joilla optista dataa ei ollut saatavilla yli 60% kasvukaudelta pilvipeitteen vuoksi.

Trooppisilla riisinviljelyalueilla SAR-pohjaiset menetelmät eivät ole pelkästään vaihtoehto optiselle havainnoinnille, vaan ne ovat usein ainoa luotettava vaihtoehto vuodenaikojen mittaamiseen monsuunikuukausina.

4. Monianturidatan integrointi

Mikään yksittäinen anturi ei tarjoa ihanteellista yhdistelmää spatiaalisista yksityiskohdista, ajallisesta tiheydestä ja pilvien läpäisevyydestä. Tarkimmat riisikartoitusjärjestelmät integroivat siksi useita anturityyppejä yhteen analyyttiseen kehykseen.

Yleinen arkkitehtuuri yhdistää Sentinel-1:n SAR-datan pilvetöntä ajallista seurantaa varten Sentinel-2:n optiseen dataan spektririkkauden selvinä aikoina havaitsemiseksi ja käyttää MODISia karkean resoluution ankkurina fenologisten kuvioiden havaitsemiseksi alueellisella tasolla.

Kun nämä tietovirrat yhdistetään algoritmisesti, yhdistetty tietojoukko voi selvittää viljelykasvien rajat, havaita istutuspäivät ja määrittää viljelytyyppiluokituksia varmuudella, johon mikään yksittäinen anturi ei yksinään pysty.

Riisinviljelymallien tunnistaminen satelliittidatasta

1. Riisin kasvuvaiheiden ajalliset tunnusmerkit

Riisi käy läpi tarkoin määritellyn kasvuvaiheiden sarjan: maanmuokkaus ja tulviminen, uudelleenistutus tai kylvö, versominen (useiden varsien kehittyminen yhdestä kasvista), röyhyjen muodostuminen, kukkaan puhkeaminen (jyvää sisältävän kukinnon ilmestyminen) ja sadonkorjuu.

Jokainen vaihe tuottaa mitattavan muutoksen pellon optisissa ja tutkaominaisuuksissa. Analyytikot käyttävät näitä vaihekohtaisia signatuureja, jotka on tallennettu spektri-indeksien tai SAR-takaisinhajonnan aikasarjoina, rekonstruoidakseen, mitä kullakin pellolla tapahtui ja milloin, ilman viljelijän ennakkotietoa.

2. Fenologiaan perustuva riisikartoitus

Fenologiaan perustuva kartoitus (biologisten tapahtumien ajoituksen käyttäminen viljelykasvien luokitteluun) on vallitseva lähestymistapa laaja-alaisten riisin havaitsemiseen. Menetelmä toimii sovittamalla matemaattisia käyriä aikasarjatietoihin ja tunnistamalla sitten pellot, joilla ajallinen kuvio vastaa riisin ominaista kasvukäyrää. Tästä sovitusprosessista saatuja keskeisiä tapahtuma-aikoja ovat mm.

• kasvukauden alku (tyypillisesti tunnistettavissa kasvillisuusindeksin arvojen jyrkästä noususta tulvien jälkeen),
• kasvukauden huippu (suurin lehtipinta-alaindeksi) ja
• kauden loppu (nopea lasku sadonkorjuun aikaan).

Tällaisten syklien määrä kalenterivuoden aikana määrää suoraan, luokitellaanko pelto kerta-, kaksi- vai kolminkertaisesti sadotuksi.

3. Viljelyintensiteetin arviointi

Viljelyintensiteetti eli tietyllä maa-alueella vuosittain suoritettujen satokausien määrä on yksi politiikan kannalta merkityksellisimmistä riisin viljelykuvioiden kartoituksen tuotoksista. Yksinkertainen mutta tehokas lähestymistapa laskee, kuinka monta kertaa riisin kaltainen spektri- tai takaisinsirontahuippu esiintyy pikselin vuotuisessa aikasarjassa.

Yhdistettynä spatiaalisiin suodattimiin kosteikkojen, vesistöjen tai kausiluonteisten tulvien aiheuttamien virheellisten havaintojen poistamiseksi nämä syklilaskennat tuottavat karttoja yhden, kahden ja kolmen sadon riisistä, jotka voidaan validoida kenttätutkimusten ja alueellisten tilastojen avulla.

4. Riisin kausittainen ja vuosittainen levinneisyyskartoitus

Kausikartat (yksi kartta kasvukautta kohden vuodessa) kuvaavat paitsi riisin viljelypaikkoja myös sen kasvuaikoja kullakin alueella. Vuosittaiset kausikarttapinot paljastavat alueen koko viljelykalenterin, mukaan lukien varhaisen ja myöhäisen kauden riisin alueellisen jakautumisen, millä on suora vaikutus veden ajoitukseen, tuholaistorjuntaan ja sadonkorjuun logistiikkaan.

5. Riisin viljelykiertojen havaitseminen

Monissa aasialaisissa riisinviljelyjärjestelmissä viljelijät vuorottelevat riisin, vehnän, vihannesten, palkokasvien tai kesantojen kanssa samalla pellolla peräkkäisten kausien aikana. Kaukokartoitus havaitsee nämä kiertoliikkeet analysoimalla koko vuosittaisen aikasarjan yksittäisen kauden sijaan.

Sateisena kautena riisiksi, mutta kuivana kautena vehnäksi luokiteltu pelto esittää kasvillisuusindeksitiedoissa selkeän kahden piikin ajallisen kuvion, jossa kunkin piikin spektriominaisuudet tunnistavat vastaavan viljelykasvityypin. Näiden viljelykiertojen kartoittaminen on tärkeää maaperän terveyden arvioinnin, kastelun kysynnän mallintamisen ja tulojen monipuolistamisohjelmien kannalta.

Kuinka GeoPard mahdollistaa riisinviljelymallien kartoituksen

Riisin satomallien kartoittaminen vaatii jatkuvaa, useista lähteistä tulevaa havainnointia koko kasvukauden ajan, ja juuri tätä GeoPard tarjoaa. Yhdistämällä Landsat-8-, Sentinel-2- ja Planet-kuvat yhdelle alustalle GeoPard valvoo peltoja joka toinen päivä jopa 3 metrin tarkkuudella varmistaen, että kriittiset riisitapahtumat, kuten istutusta edeltävät tulvat, taimien vihertyminen ja sadonkorjuu, eivät koskaan jää huomaamatta pilvirakojen vuoksi.

Alustan monianturifuusio on osoittanut 4%:n tarkkuuden parannuksen yhden anturin lähestymistapoihin verrattuna, mikä terävöittää suoraan eroa yhden, kahden ja kolmen sadon riisijärjestelmien välillä.

Viljelystyypin tunnistamista varten GeoPardin kasvillisuusindeksipaketti, joka sisältää NDWI:n pintatulvien havaitsemiseen, EVI2:n latvusbiomassan ajoitukseen ja LAI:n latvustiheyteen, tallentaa spektraalisen elämäkerran, joka erottaa keinokastellun istutetun riisin sadekastelluista tai suorakylvöisistä järjestelmistä.

Pilvisinä monsuunipäivinä, kun optinen kuvantaminen epäonnistuu kokonaan, GeoPardin integroitu tutkatietokerros pitää kasvillisuuden seurannan keskeytyksettä lukemalla SAR-säteilyn takaisinhajonnan kourua, joka on tulvineen riisipellon lopullinen tunnus uudelleenistutuksen aikaan.

Vertaile tasoja -työkalun avulla agronomit voivat sijoittaa jopa neljä synkronoitua datatasoa vierekkäin, mikä helpottaa riisin viljelytyyppien erottelua vertaamalla NDWI-tulvasignaaleja monivuotisiin kasvillisuustrendeihin ja maaperän tuottavuuskarttoihin.

Yli 30 vuoden satelliittikuvien tuella alusta paljastaa pitkän aikavälin viljelyintensiteettimallit peltotasolla. Nämä tiedot syötetään sitten suoraan muuttuvan levitysmäärän karttoihin lannoitteiden, siementen ja kasvinsuojelun osalta, jolloin riisin viljelytyyppikartat muuttuvat konkreettisiksi peltotason hoitomääräyksiksi.

Riisin kulttuurityyppien kartoitus kaukokartoituksella

1. Eri kulttuurikäytäntöjen spektraaliset ominaisuudet

Viljelmätyyppi, eli riisipellolle sovellettavien hoitokäytäntöjen yhdistelmä, muokkaa kyseisen pellon spektraalisen ominaisuuden ajallista kehitystä. Esimerkiksi tulviva istutettu riisi aloittaa kauden vesipainotteisella optisella vasteella (alhainen heijastavuus kaikilla näkyvillä alueilla), jota seuraa äkillinen muutos taimien latvustuksen muodostuessa.

Suoraan kylvetty riisi, joka on istutettu tulvimattomaan kylvöalustaan, osoittaa kasvillisuussignaalin lisääntymistä asteittaisemmin itämisen alusta lähtien ilman alkuperäistä tulvimisjaksoa, jonka sekä optiset että SAR-anturit havaitsevat helposti.

2. Kastellun ja sadevedellä kastellun riisin erottaminen

Kastellut ja sadeveden kastelemat riisipellot eroavat toisistaan kahdella havaittavalla tavalla: tulvien ajoituksessa ja säännöllisyydessä sekä niiden kausittaisen fenologian yhdenmukaisuudessa. Kastellut pellot tulvivat yleensä aikataulun mukaisesti, niillä on vähemmän vaihtelua istutuspäivissä vuodesta toiseen ja ne ylläpitävät tasaista latvustotiheyttä kontrolloidun vedenhallinnan avulla.

Sadekasveilla pelloilla on suurempaa ajallista vaihtelua vuosien välillä, niillä voi esiintyä kesken kauden vesistressiä, joka on havaittavissa kasvillisuusindeksin arvojen poikkeavina laskuina, ja joskus ne eivät saavuta täyttä kasvukautta kuivuusvuosina.

Monivuotinen aikasarja-analyysi tallentaa tämän vaihtelurakenteen, jolloin luokittelualgoritmit voivat erottaa keinokastellut ja sadeveden kastelemat alueet tyypillisesti yli 85%:n tarkkuudella hyvin kalibroiduissa järjestelmissä.

3. Istutus- ja suorakylvöisen riisin kartoitus

Luotettavin indikaattori istutetun riisin erottamiseksi suoraan kylvetystä riisistä SAR-tiedoissa on alkuperäisen matalan takaisinsironnan tulvajakson ajoitus ja kesto.

Siirretyt riisipellot tulvitetaan vedellä 2–4 viikkoa ennen taimien siirtoa, mikä luo kauden alussa pidemmän pimeän ajan.

Suorakylvöisillä pelloilla tulvaikkunaa ei joko ole lainkaan (kuivakylvö) tai se on hyvin lyhyt (märkäkylvö), ja takaisinsironta on sekä aikaistunut kylvöpäivään nähden että rakenteellisesti erilainen kaltevuudessaan. Nämä ajalliset ominaisuudet voidaan määrittää automaattisesti käyttämällä tiheisiin SAR-aikasarjoihin sovellettuja algoritmeja.

4. Hallintakäytäntöjen havaitseminen kaukokartoituksen avulla

Istutusmenetelmän ja vedenkäytön lisäksi kaukokartoituksella voidaan havaita tiettyjä vedenhallintakäytäntöjä, kuten vuorotteleva kastelu ja kuivaus. Tätä tekniikkaa käytetään metaanipäästöjen ja vedenkulutuksen vähentämiseen kuivattamalla riisipeltoja ajoittain.

AWD-pelloilla havaitaan värähteleviä SAR-säteilyn takaisinsironnan kuvioita kasvukauden aikana, mikä heijastaa toistuvia tulva-valuntasyklejä, kun taas jatkuvasti tulvivilla pelloilla on tasaisempi takaisinsironnan liikerata. Tämä ominaisuus on erityisen arvokas seurattaessa ilmastoälykkäiden riisikäytäntöjen käyttöönottoa kansallisissa kasvihuonekaasuinventaarioissa.

5. Riisipeltojen vedenkäytön indikaattorit

SAR-laitteiston avulla tehtävä vedenpinnan havaitseminen on erittäin herkkä menetelmä, jolla voidaan tunnistaa jopa muutaman senttimetrin syvyydessä riisin latvuston alla oleva lammikoitunut vesi. Tämän herkkyyden ansiosta analyytikot voivat kartoittaa peltokohtaisesti tulvatilanteen kasvukauden keskeisinä vaiheina, mikä tukee kastelun aikataulutuspäätöksiä ja tulvavahinkojen varhaisia arviointeja.

Kun useilta päivämääriltä kerätyt vedenpintakartat pinotaan ajallisesti, ne tuottavat dynaamisen vedenhallinnan profiilin kullekin kentälle, mikä toimii arvokkaana syötteenä kulttuurityyppien luokittelumalleille.

Tekniikat ja menetelmät: Indekseistä syväoppimiseen

1. Kasvillisuusindeksit riisin seurantaa varten

Kasvillisuusindeksit ovat eri aallonpituuksilla laskettujen heijastusarvojen matemaattisia yhdistelmiä, joiden tarkoituksena on vahvistaa kasvien biomassan ja terveyden signaalia samalla kun vähennetään maaperän taustan, ilmakehän vaikutusten ja valaistusgeometrian aiheuttamaa kohinaa. Kolme indeksiä on keskeinen osa riisin kartoitustyötä.

i. NDVI (normalisoitu kasvillisuuseroindeksi) lasketaan muodossa (NIR – punainen) / (NIR + punainen), ja se on riisin seurannassa yleisimmin käytetty indeksi. Se seuraa latvuksen vihreyttä taimen juurtumisesta vanhenemiseen asti, ja arvot nousevat tyypillisesti läheltä nollaa istutuksen hetkellä 0,6–0,8:aan kasvullisen kasvun huipussa.

ii. EVI (parannettu kasvillisuusindeksi) korjaa ilmakehän aerosolien vaikutukset ja maaperän taustamelun tehokkaammin kuin NDVI, mikä tekee siitä paremman menetelmän ympäristöissä, joissa on paljon aerosolikuormaa, kuten trooppisessa Aasiassa yleisinä biomassan palamiskausina.

iii. LSWI (maanpinnan vesi-indeksi) sisältää lyhytaaltoisen infrapunaheijastuksen havaitakseen sekä kasvillisuuden että maaperän vesipitoisuuden, mikä tekee siitä erittäin herkän alankomaiden riisinviljelylle tyypillisille tulville ja tarjoaa luotettavan signaalin kasvukauden alun havaitsemiseen.

2. Aikasarja-analyysi

Yksi satelliittikuva tallentaa riisipellon tilan tiettynä hetkenä, mutta riisipellon tarina kirjoitetaan noiden hetkien sarjana. Aikasarja-analyysi ketjuttaa yhteen useita havaintoja, tyypillisesti yhden kuvan 5–16 päivän välein koko vuoden ajan, ja poimii ajallisia mittareita, kuten kauden alkamispäivämäärän, NDVI:n huippuarvon, vihertymisnopeuden ja sadonkorjuupäivämäärän.

Nämä mittarit kuvaavat yhdessä pellon koko fenologista käyttäytymistä ja ovat paljon diagnostisempia viljelykasvityypin tunnistamisessa kuin mikään yhden päivämäärän havainto. Tilastollisia menetelmiä, kuten harmonista regressiota ja dynaamista aikavääristymää (DTW), käytetään yleisesti aikasarjatietojen yhdenmukaistamiseen ja vertailuun eri vuosien ja alueiden välillä.

3. Koneoppiminen riisin luokitteluun

Koneoppiminen on mullistanut riisinviljelykuvioiden kartoituksen mittakaavan ja tarkkuuden automatisoimalla monimutkaisten, epälineaaristen suhteiden tunnistamisen spektri-ajallisen datan ja kenttäolosuhteiden välillä.

i. Satunnainen metsä (RF) on ensemble-menetelmä, joka rakentaa satoja itsenäisiä päätöspuita, joista jokainen on koulutettu satunnaisella ominaisuusjoukolla, ja yhdistää niiden äänet lopullista luokitusta varten. Se on kestävä kohinaiselle harjoitusdatalle, käsittelee tehokkaasti korkeaulotteisia ominaisuusavaruuksia ja tarjoaa muuttuvia tärkeyspisteitä, jotka auttavat analyytikoita ymmärtämään, mitkä ajalliset tai spektraaliset ominaisuudet ohjaavat luokittelupäätöksiä.

ii. Tukivektorikone (SVM) löytää optimaalisen rajan luokkien välille korkeaulotteisessa ominaisuusavaruudessa. SVM toimii hyvin, kun harjoitusdataa on rajoitetusti, mikä tekee siitä hyödyllisen datapulan alueilla, joilla totuudenmukaisen tiedon kerääminen on kallista.

iii. Syväoppiminen, erityisesti konvoluutiohermoverkot (CNN) ja rekurrenttihermoverkot (RNN), kuten pitkän lyhytkestoisen muistin (LSTM) arkkitehtuurit, voivat oppia samanaikaisesti sekä yksittäisten kuvien spatiaalisia kuvioita että ajallisia kuvioita kuvasarjojen välillä. Satelliittiaikasarjoihin sovelletut LSTM-pohjaiset luokittelijat ovat saavuttaneet huippuluokan tarkkuuden riisikartoitustehtävissä, ja useissa tutkimuksissa on raportoitu kokonaistarkkuuksia, jotka ovat yli 90% alueellisella tasolla.

Xiao ym. (International Journal of Applied Earth Observation and Geoinformation, 2025) osoittivat, että Sentinel-1:n ja Sentinel-2:n yhdistetyillä aikasarjatiedoilla koulutettu LSTM-syväoppimismalli kartoitti riisin kulttuurityyppejä kolmessa Etelä-Aasian maassa kokonaistarkkuus 91,7% ja kappa-kerroin 0,89, päihittäen Random Forestin 6,4 prosenttiyksiköllä samoissa harjoitusdataolosuhteissa.

Laaja-alaisessa riisin kulttuurityyppikartoituksessa, jossa harjoitusdatan kerääminen on mahdollista, LSTM-pohjaiset syväoppimisluokittelijat ovat nyt vertailumenetelmä, ja niiden tulisi olla oletusvalinta uusille kansallisille kartoitusohjelmille.

4. Objektipohjainen kuva-analyysi (OBIA)

Objektipohjainen kuva-analyysi (OBIA) toimii ryhmittelemällä samanlaisten spektraalisten ja spatiaalisten ominaisuuksien omaavat vierekkäiset pikselit objekteiksi (segmenteiksi) ennen niiden luokittelua sen sijaan, että luokiteltaisiin jokainen pikseli erikseen.

Riisikartoituksessa OBIA on arvokas, koska se voi sisällyttää luokitteluun muodon, rakenteen ja kontekstin, erottaen riisipellon samanvärisestä vesistöstä paddyn säännöllisen suorakulmaisen geometrian perusteella.

OBIA on erityisen tehokas erittäin korkealla spatiaalisella resoluutiolla, kuten kaupallisten satelliittien 1–5 metrin resoluutiolla keräämässä datassa tai miehittämättömien ilma-alusten kuvissa.

5. Muutosten havaitsemistekniikat

Muutosten havaitseminen tunnistaa alueet, joilla maankäyttö on muuttunut kahden tai useamman päivämäärän välillä. Riisijärjestelmän seurannassa muutosten havaitsemisella on kaksi tarkoitusta: seurata riisinviljelyalan laajenemista tai supistumista vuodesta toiseen ilmaston tai taloudellisten tekijöiden seurauksena ja tunnistaa kesken kauden tapahtuvia muutoksia, kuten sadon epäonnistumista, viljelystä luopumista tai odottamattomia tulvia.

Kahden ajankohdan suora vertailu on yksinkertainen menetelmä, mutta se on altis vuosien välisille fenologisille eroille. Usean ajankohdan muutosten havaitseminen kokonaisissa vuosikertomuksissa on luotettavampaa ja voi erottaa todelliset maankäytön muutokset kausittaisesta fenologisesta vaihtelusta.

Tarkkuuden arviointi ja validointi

1. Ground Truth -tiedonkeruu

Jokainen riisikartoitustuote vaatii validoinnin itsenäisesti kerättyjä kenttähavaintoja vasten. Maastokartoitustiedot sisältävät tyypillisesti GPS-pohjaisia kenttäkäyntejä, joissa koulutetut tilastoijat kirjaavat satotyypin, kasvuvaiheen, vedenhallinnan tilan ja vakiintumismenetelmän tilastollisesti edustavasta otoksesta paikkoja. Nämä havainnot kerätään ajallisesti samaan aikaan satelliittihavaintojen kanssa, eivätkä ne sisälly mallin koulutukseen ja niitä käytetään yksinomaan tarkkuuden arviointiin.

2. Luokittelun tarkkuusmittarit

Riisikohtaisissa sovelluksissa F1-pistemäärä, joka tasapainottaa tuottajan ja käyttäjän tarkkuuden kullekin luokalle, raportoidaan yhä useammin Kappan rinnalla informatiivisempana yhden numeron suorituskykyyhteenvetona. Karttatarkkuuden arvioinnin vakiomittareita ovat mm.

• kokonaistarkkuus (kaikkien oikein luokiteltujen validointipisteiden prosenttiosuus),
• tuottajan tarkkuus (todennäköisyys sille, että tietyn todellisen luokan kenttä on kartoitettu oikein, analogisesti palautuksen kanssa),
• käyttäjän tarkkuus (todennäköisyys sille, että tiettyyn luokkaan yhdistetty kenttä on itse asiassa kyseinen luokka, analogisesti tarkkuuden kanssa), ja
• Kappa-kerroin (sattumanvaraisella yhtäpitävyydellä korjattu yhtäpitävyyden mittari, jossa yli 0,80:n arvot osoittavat vahvaa yhtäpitävyyttä).

3. Viljelymallien ja kulttuurityyppien karttojen validointi

Viljelykuviokarttojen validointi edellyttää usean aikajanan maastotietoja, joihin kuuluu kenttäkäyntejä useissa pisteissä viljelykalenterin aikana sen varmistamiseksi, kuinka monena kaudella sato todellisuudessa korjattiin vuodessa kullakin validointipaikalla.

Viljelystyypin validointi, jossa erotetaan istutetut ja suorakylvetyt kasvit tai keinokastellut ja sadekastellut kasvit, on vaativampaa, koska nämä erot eivät aina ole visuaalisesti ilmeisiä pellolla ja vaativat viljelijöiden haastatteluja tai hoitotapahtumien suoraa havainnointia kasvukauden herkkien ikkunoiden aikana.

Kansalliset maataloustilastot, vaikka ne usein kootaankin maakunta- tai piirikuntatasolla, tarjoavat lisäkerroksen pinta-ala-arvioiden validointia, jonka avulla karttasummia voidaan verrata virallisiin raportoituihin lukuihin.

Sovellukset koko maatalousjärjestelmässä

1. Maataloussuunnittelu ja -politiikan kehittäminen

Kaukokartoituksesta saadut riisinviljelykartat antavat maatalousministeriöille tarvittavan alueellisen tarkkuuden kohdennettujen toimenpiteiden suunnitteluun. Yhden viljelykasvin sadevesiviljelyalueiksi tunnistetut alueet voidaan priorisoida pienimuotoisen kastelun kehittämisessä; kolmen viljelykasvin alueita, joilla sadot laskevat, voidaan tutkia maaperän huonontumisen tai pohjaveden ehtymisen varalta.

2. Riisin tuotannon arviointi

Yhdistämällä kaukokartoituksesta saatuja riisipinta-alakarttoja satoarviointimalleihin, kuten säädatoihin perustuviin kasvusimulaatioihin, voidaan tuottaa alueellisia ja kansallisia tuotantoennusteita viikkoja tai kuukausia ennen sadonkorjuuta.

Aasian kehityspankin elintarviketurvallisuuden hallintapaneeli ja FAO:n maailmanlaajuinen tieto- ja varhaisvaroitusjärjestelmä (GIEWS) hyödyntävät molemmat satelliittipohjaisia riisinviljelyalatietoja sadonkorjuuta edeltävien tuotantoarvioiden luomiseksi, ja niiden tarkkuus on osoitettu paremmaksi kuin kyselytutkimuksiin perustuvissa lähestymistavoissa.

3. Vesivarojen hallinta

Kasteltu riisi on Aasian suurin yksittäinen makean veden kuluttaja, ja se vastaa noin 401 300 000 tonnin maatalouden vedenkulutuksesta esimerkiksi Intiassa ja Bangladeshissa.

Satelliittipohjaisen riisikartoituksen arvokkain tuotos ei ole itse kartta, vaan sen mahdollistama päätös siitä, rakennetaanko kanava, suljetaanko kaivo vai ohjataanko tuki uudelleen.

Sen tarkka tunteminen, missä keinokasteltua riisiä viljellään, kuinka monta vuodenaikaa sitä kastellaan ja millä pelloilla käytetään tehokkaita vedenhallintamenetelmiä, kuten AWD:tä, tukee suoraan jokien valuma-alueiden suunnittelua, tekoaltaiden toiminnan aikataulutusta ja pohjaveden kestävyyden arviointeja.

4. Elintarviketurvallisuuden seuranta

Elintarviketurvattomuuden varhaisvaroitusjärjestelmät ovat riippuvaisia satovirheiden nopeasta havaitsemisesta. Kun riisialueet eivät saavuta täyttä kasvusykliä, satelliittipohjainen seuranta havaitsee poikkeavuuden puuttuvana tai lyhentyneenä fenologisena huippuna odotetun kausittaisen ikkunan sisällä. USAIDin tukema FEWS NET (Famine Early Warning Systems Network) käyttää satelliittien kasvillisuusdataa, mukaan lukien riisikohtaista seurantaa, tuottaakseen elintarviketurvahälytyksiä Aasiassa ja Afrikassa.

5. Ilmastonmuutoksen vaikutusten arviointi

Landsat-satelliitin pitkäaikaiset riisinviljelykartta-arkistot, jotka kattavat vähintään 20 vuoden ajalta, paljastavat, miten riisin viljelyalueet, vuodenajat ja sadot ovat muuttuneet muuttuvien lämpötila- ja sademääräolosuhteiden mukaan. Nämä historialliset trendikartat tarjoavat empiiristä näyttöä ilmastonmuutoksen vaikutuksista riisiviljelyjärjestelmiin ja toimivat lähtötietoina tulevaisuuden maatalouden riskien ennustamiseen erilaisissa lämpenemisskenaarioissa.

7. Tarkkuusviljelyn sovellukset

Maatilatasolla miehittämättömien ilma-alusten avulla tehtävä riisin viljelytyypin kartoitus yhdistettynä peltotason maaperä- ja vesitietoihin tukee tarkkoja hallintapäätöksiä, kuten vaihtelevan määrän lannoitetta, paikkakohtaista tuholaistorjuntaa ja optimoitua istutuspäivien ajoitusta. Nämä sovellukset kehittyvät tällä hetkellä nopeasti Japanissa, Etelä-Koreassa ja osissa Kiinaa, missä riisinviljely on pitkälle koneellistettua ja käytettävissä on datainfrastruktuuri kaukokartoitustulosten linkittämiseksi maatilan hallintajärjestelmiin.

Riisin kartoitusta rajoittavat haasteet ja rajoitukset

1. Pilvipeite ja datan saatavuus

Jatkuva pilvipeite monsuunikauden aikana, jolloin suuri osa Aasian riisistä viljellään, rajoittaa merkittävästi käyttökelpoisten optisten havaintojen määrää. Joillakin alueilla pilvikontaminaatio vähentää käytettävissä olevien Sentinel-2-havaintojen määrän kriittisen istutuskauden ja varhaisen kasvukauden aikana alle kahteen kuukaudessa. SAR-tiedot lieventävät, mutta eivät poista tätä ongelmaa, koska rankkasateet voivat tilapäisesti kyllästää tutkasignaalin.

2. Sekalaiset pikselit ja pienet kenttäkoot

Alueilla, joilla riisipellot ovat anturin spatiaalista resoluutiota pienempiä, yksi pikseli tallentaa sekoituksen riisiä ja muuta maapeitettä, mikä tekee luokittelusta epäselvän. Ylämaiden riisiviljelyjärjestelmät mäkisessä maastossa ja puutarhamittakaavan pellot osissa Indonesiaa ja Filippiinejä tuottavat rutiininomaisesti sekapikseleitä jopa Sentinel-2:n 10 metrin resoluutiolla, mikä rajoittaa pikselipohjaisten menetelmien käyttöä näissä ympäristöissä.

3. Kasvilajikkeiden spektraalinen ja ajallinen samankaltaisuus

Jotkin viljelykasvit, erityisesti sokeriruoko, juutti ja tietyt ruohoalueet, tuottavat NDVI- tai EVI-aikasarjoissa riisin kaltaisia fenologisia käyriä, mikä johtaa luokittelusekaannukseen. SAR-pohjainen tulvien havaitseminen vähentää tätä sekaannusta alankomaiden riisin kohdalla, mutta ylängöillä sijaitsevia riisijärjestelmiä, joissa ei ole tulvineita peltoja, on edelleen vaikea erottaa spektraalisesti samankaltaisista viljelykasveista ilman lisätietoja kenttädatasta tai muita maantieteellisiä tietoja.

4. Ajalliset resoluutiorajoitukset

Riisin viljelymallin ja viljelytyypin kartoitus kaukokartoituksella vaatii tiheää ajallista näytteenottoa, mieluiten vähintään yhden havainnon 8–10 päivän välein koko kasvukauden ajan. Kun pilvipeite tai satelliittien kiertoratojen aukot pienentävät tätä ajallista tiheyttä, lyhytkestoiset riisilajikkeet tai nopeasti vaihtuvat kolmen sadon kaudet voivat jäädä kokonaan huomaamatta automaattisilla tunnistusalgoritmeilla.

5. Maanpinnan tietojen rajoitukset

Korkealaatuisen, merkityn koulutusdatan eli tunnettuihin viljelykasvityyppeihin ja hoitokäytäntöihin sovitettujen kenttähavaintojen kerääminen on edelleen kallista ja logistisesti vaikeaa siinä mittakaavassa, jota tarvitaan kansallisten kartoitusjärjestelmien kouluttamiseen ja validointiin. Monissa pienituloisissa riisintuotantomaissa järjestelmällisen maastodatan keräämisen inhimilliset ja taloudelliset resurssit ovat suurin yksittäinen rajoite kartoitustarkkuuden parantamiselle.

Riisin seurannan uudet trendit ja tulevaisuus

1. Miehittämättömien ilma-alusten ja dronejen avulla tehtävä riisin seuranta

Miehittämättömät ilma-alukset (UAV), jotka on varustettu monispektri- ja lämpöantureilla, tuottavat nyt senttimetritason kuvia yksittäisten tilojen yltä, selvittäen peltojen rajat, viljelykasvien rivit ja jopa yksittäisten kasvien terveydentilan. Miehittämättömät ilma-alukset toimivat siltana satelliittimittakaavan kartoituksen ja yksittäisten kasvien havainnoinnin välillä, ja ne tarjoavat erittäin korkean resoluution maastotietoja, joita tarvitaan satelliittipohjaisten mallien kouluttamiseen ja validointiin pirstaloituneissa maisemaympäristöissä.

2. Tekoäly ja syväoppiminen riisin luokittelussa

Satelliittikuvien aikasarjoihin sovelletut konvoluutioneuroverkot yhdistettynä luonnollisen kielen prosessoinnista mukautettuihin muuntaja-arkkitehtuureihin saavuttavat tällä hetkellä kaikkien aikojen korkeimmat riisin luokittelutarkkuudet.

Wageningenin yliopiston tutkijoiden vuonna 2024 julkaisema PRISM-kehys (Phenology-based Rice crop Identification System using Multisource data) osoitti, että itseohjattu oppiminen merkitsemättömissä satelliittiarkistoissa voi esiopettaa riisin luokittelumalleja, jotka vaativat vain vähän merkittyjä maastotietoja hienosäätöä varten, mikä vähentää merkittävästi kenttätutkimuksen työmäärää.

3. Lähes reaaliaikaiset riisin seurantajärjestelmät

Toimivat lähes reaaliaikaiset riisin seurantajärjestelmät käsittelevät saapuvat satelliittitiedot automaattisesti, päivittävät riisikarttoja 10–16 päivän välein ja toimittavat hälytyksiä istutuspäivistä, vesistressistä ja sadonkorjuuajoituksesta suoraan hallituksen kojelaudoille tai viljelijöiden ja maatalousneuvojien käyttämiin mobiilisovelluksiin.

Thaimaan riisivirasto ja Vietnamin maatalousministeriö käyttävät molemmat tämänkaltaisia prototyyppijärjestelmiä, ja Kansainvälinen riisintutkimuslaitos tukee vastaavanlaisten valmiuksien kehittämistä Bangladeshissa ja Kambodžassa.

4. Satelliitti- ja IoT-datan integrointi

Riisipelloille asennetut esineiden internetin (IoT) anturit mittaavat maaperän kosteutta, vedenpintaa, lämpötilaa ja latvuston mikroilmastoa. Ne tuottavat jatkuvia maanpinnan tasolla olevia havaintoja, jotka täydentävät ja kalibroivat satelliittien kaukokartoitusdataa.

Kun IoT-anturiverkot ja satelliittihavainnot yhdistetään datafuusiokehyksissä, tuloksena oleva valvontajärjestelmä voi havaita vesistressin, tulvien alkamisen ja tautipaineen suuremmalla varmuudella ja aikaisemmin kuin kumpikaan lähde tarjoaa erikseen.

5. Digitaalinen maatalous ja älykäs maanviljely

Satelliittipohjaisen riisinviljelyn, IoT-mittausten ja tekoälypohjaisen päätöksenteon tuen lähentyminen luo perustan älykkäälle riisinviljelylle, jossa kastelun ajoituksesta lannoitteiden levitykseen tehtävät päätökset perustuvat paikkatietoihin, lähes reaaliaikaisiin tietovirtoihin eikä kalenteripohjaisiin nyrkkisääntöihin.

Japanin Niigatan prefektuurissa ja Kiinan Heilongjiangin maakunnassa toteutetut pilottihankkeet ovat osoittaneet, että kaukokartoitukseen perustuva riisin täsmäviljely voi vähentää tuotantokustannuksia 15-25% samalla kun sadot säilyvät ennallaan tai paranevat, vuoden 2024 alustavien kenttäkoeraporttien mukaan.

Johtopäätös

Riisin viljelymallin ja kulttuurityypin kartoittaminen kaukokartoituksen avulla on kypsynyt akateemisesta tutkimusalasta operatiiviseksi työkaluksi, jota hallitukset, kansainväliset järjestöt ja maatalousteknologia-alustat käyttävät kaikkialla Aasiassa ja muualla. Usean anturin aikasarjamenetelmät, jotka yhdistävät optista ja SAR-dataa, jota käsitellään koneoppimisen ja syväoppimisen luokittelijoiden avulla, tuottavat nyt rutiininomaisesti kansallisen mittakaavan riisialuekarttoja, joiden kokonaistarkkuus ylittää 85–90%. Nämä kartat eivät ainoastaan selvitä, missä riisi kasvaa, vaan myös kuinka monta kertaa vuodessa, millä vesijärjestelmällä ja millä istutusmenetelmällä.

Siirtyminen yksinkertaisesta riisialueiden kartoituksesta kulttuurityyppiluokitukseen muuttaa maapeitetuotteen maataloudelliseksi tiedusteluresurssiksi. Tieto siitä, että alue on siirtynyt istutetusta riisistä suoraan kylvettyyn riisiin yli vuosikymmenen aikana, viestii samanaikaisesti työmarkkinoiden muutoksista ja pohjaveden pinnan ehtymisestä. Sen tietäminen, mitkä sadevesialueet ovat alttiimpia alkukauden kuivuusjaksoille, ja niiden tunnistaminen ajallisten spektrikuvioiden perusteella mahdollistaa ennalta määritellyn kuivuusreagoinnin reaktiivisen katastrofiavun sijaan. Kaukokartoitus mahdollistaa tämän tason paikkatietoisuuden murto-osalla vastaavien maastokartoitusohjelmien kustannuksista.