{"id":13324,"date":"2026-05-31T20:21:25","date_gmt":"2026-05-31T18:21:25","guid":{"rendered":"https:\/\/geopard.tech\/?p=13324"},"modified":"2026-05-31T20:47:12","modified_gmt":"2026-05-31T18:47:12","slug":"riisin-viljelykuvion-ja-kulttuurityypin-kartoitus-kaukokartoituksen-avulla","status":"publish","type":"post","link":"https:\/\/geopard.tech\/fin\/blog\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\/","title":{"rendered":"Riisin viljelykuvion ja kulttuurityypin kartoitus kaukokartoituksen avulla"},"content":{"rendered":"

Riisi ruokkii maailmanlaajuisesti yli 3,5 miljardia ihmist\u00e4, mutta alle 601 000 000 riisinviljelyalueesta on saatavilla tarkat ja ajantasaiset viljelykartat Kansainv\u00e4lisen riisitutkimuslaitoksen (IRRI) vuoden 2024 maailmanlaajuisen riisiatlas-p\u00e4ivityksen mukaan. Riisin viljelymallin ja viljelytyypin kartoittaminen kaukokartoituksen avulla kuroaa nopeasti umpeen t\u00e4t\u00e4 aukkoa tarjoamalla paikallisesti tarkkoja ja ajallisesti yhdenmukaisia tietoja mittakaavoissa, joihin mik\u00e4\u00e4n maastokartoitus ei pysty.<\/p>\n

Vietnamin Mekongin suiston keinokasteltujen kaksoisviljelyalueiden tunnistamisesta Saharan etel\u00e4puolisen Afrikan sadeveden kastelemien yksivuotisten peltojen tunnistamiseen satelliitti- ja tutkapohjaiset j\u00e4rjestelm\u00e4t tarjoavat nyt tiedustelutietoa, jota maanviljelij\u00e4t, hallitukset ja elintarviketurvallisuusvirastot tarvitsevat luottavaiseen suunnitteluun. Teko\u00e4lyn ja pilvipalveluiden kiihdytt\u00e4ess\u00e4 tiedonk\u00e4sittely\u00e4 l\u00e4hes reaaliaikaisen riisin seurannan odotetaan tulevan maailmanlaajuiseksi standardiksi vuoteen 2027 menness\u00e4.<\/p>\n

Miksi riisi on t\u00e4rke\u00e4\u00e4 ja miksi sen seuranta on vaikeaa<\/h2>\n

1. Riisintuotanto ja maailmanlaajuinen ruokaturvayht\u00e4l\u00f6<\/h3>\n

Riisi on ensisijainen kalorien perusravinto yli puolelle maailman v\u00e4est\u00f6st\u00e4, ja sen merkitys ulottuu paljon yksil\u00f6llisen ravinnon ulkopuolelle. Maailmanlaajuinen riisintuotanto oli noin 520 miljoonaa tonnia hiottua riisi\u00e4 vuonna 2024<\/strong>, FAO:n tietojen mukaan, josta Aasian osuus on l\u00e4hes 901 000 tonnia.<\/p>\n

Mik\u00e4 tahansa merkitt\u00e4v\u00e4 riisin tarjonnan h\u00e4iri\u00f6, olipa kyseess\u00e4 sitten kuivuus, tulva, tuholaisepidemia tai poliittinen ep\u00e4onnistuminen, laukaisee nopeita elintarvikkeiden hintashokkeja, jotka vaikuttavat suhteettomasti maailman k\u00f6yhimpiin kotitalouksiin.<\/p>\n

Ruokaturvan yll\u00e4pit\u00e4minen t\u00e4ss\u00e4 mittakaavassa vaatii enemm\u00e4n kuin vain riitt\u00e4v\u00e4n riisin kasvattamista. Se edellytt\u00e4\u00e4 tarkan tiet\u00e4myksen tuntemista siit\u00e4, miss\u00e4 riisi\u00e4 viljell\u00e4\u00e4n, kuinka monta kertaa vuodessa kullakin pellolla viljell\u00e4\u00e4n ja mit\u00e4 viljelyk\u00e4yt\u00e4nt\u00f6j\u00e4 k\u00e4ytet\u00e4\u00e4n. Hallitukset tarvitsevat n\u00e4it\u00e4 tietoja kasteluinfrastruktuurin kohdentamiseen, tuotantopanosten tukemiseen ja h\u00e4t\u00e4varastojen rakentamiseen.<\/p>\n

Haasteena on, ett\u00e4 riisi\u00e4 viljell\u00e4\u00e4n poikkeuksellisen pirstaloituneilla maisemilla, Filippiinien pengerretyist\u00e4 rinteist\u00e4 Kiinan laajoihin keinokasteltuihin tasangkoihin, mik\u00e4 tekee perinteisist\u00e4 peltokohtaisista kartoituksista logistisesti ja taloudellisesti ep\u00e4k\u00e4yt\u00e4nn\u00f6llisi\u00e4 kansallisella tai alueellisella tasolla.<\/p>\n

2. Riisin viljelykuvioiden systemaattisen seurannan tarve<\/h3>\n

Riisinviljelymallit eli riisinviljelykausien m\u00e4\u00e4r\u00e4 vuodessa ja niiden jakautuminen maisemassa muuttuvat jatkuvasti. Ilmaston vaihtelu lyhent\u00e4\u00e4 kasvuaikaa joillakin alueilla ja pident\u00e4\u00e4 sit\u00e4 toisilla. Taloudelliset signaalit ohjaavat viljelij\u00f6it\u00e4 yhdest\u00e4 sadosta kahteen satoon, kun veden saatavuus ja markkinahinnat kohtaavat.<\/p>\n

Ilman systemaattista seurantaa suunnittelijat ty\u00f6skentelev\u00e4t v\u00e4est\u00f6tietojen perusteella, jotka voivat olla viisi tai enemm\u00e4n vuotta vanhentuneita, mik\u00e4 johtaa veden, lannoitetukien ja maaseudun luoton krooniseen v\u00e4\u00e4rink\u00e4ytt\u00f6\u00f6n. Kaukokartoitus tarjoaa ratkaisun t\u00e4h\u00e4n seurantavajeeseen tarjoamalla yhdenmukaisia ja toistettavia havaintoja koko maassa muutamassa p\u00e4iv\u00e4ss\u00e4.<\/p>\n

Sen sijaan, ett\u00e4 satelliittipohjaiset j\u00e4rjestelm\u00e4t luottaisivat viljelij\u00f6iden itse raportointiin tai v\u00e4est\u00f6nlaskijoiden kyselyihin, ne tarkkailevat maisemaa suoraan ja tallentavat, miten riisipellot muuttuvat tulvien, uudelleenistutuksen, kasvun ja sadonkorjuun my\u00f6t\u00e4 kaikkina vuodenaikoina.<\/p>\n

3. Mit\u00e4 kaukokartoitus tuo maatalouden kartoitukseen<\/h3>\n

Kaukokartoitus on tiedett\u00e4, jossa hankitaan tietoa esineist\u00e4 tai alueista et\u00e4\u00e4lt\u00e4, tyypillisesti satelliittiin, lentokoneisiin tai miehitt\u00e4m\u00e4tt\u00f6miin ilma-aluksiin (UAV) asennettujen antureiden avulla. Maataloudessa anturit mittaavat viljelykasvien, maaper\u00e4n ja veden heijastamaa tai l\u00e4hett\u00e4m\u00e4\u00e4 energiaa s\u00e4hk\u00f6magneettisen spektrin eri aallonpituuksilla.<\/p>\n

Koska eri maapeitetyypit heijastavat energiaa eri tavoin eri kasvuvaiheissa, satelliittikuvat pystyv\u00e4t erottamaan riisipellon maissipellosta ja tulvineen siirretyn riisipellon kuivasta suorakylv\u00f6isest\u00e4 pellosta tarkkuudella, joka kasvaa anturiteknologian kehittyess\u00e4. Riisin viljelymallin ja viljelytyypin kartoittaminen kaukokartoituksen avulla palvelee nelj\u00e4\u00e4 toisiinsa liittyv\u00e4\u00e4 tavoitetta.<\/p>\n

    \n
  • Ensinn\u00e4kin se tuottaa alueellisesti eksplisiittisi\u00e4 luetteloita riisin viljelyalueista kausiluonteisesti ja vuosittain.<\/li>\n
  • Toiseksi se luokittelee, kuinka monta viljelysykli\u00e4 esiintyy vuodessa kullakin kartoitetulla alueella, erottamalla toisistaan yhden, kahden ja kolmen viljelyn j\u00e4rjestelm\u00e4t.<\/li>\n
  • Kolmanneksi se tunnistaa k\u00e4ytetyt viljelyk\u00e4yt\u00e4nn\u00f6t, kuten onko pelto istutettu vai kylvetty suoraan, tai onko vedenhallintaa kontrolloitua vai sadeveden avulla katettua.<\/li>\n
  • Nelj\u00e4nneksi se tuottaa l\u00e4ht\u00f6tietoja, joita k\u00e4ytet\u00e4\u00e4n tuotantoennusteiden, vesibudjetoinnin, ilmastonmuutokseen sopeutumisen suunnittelun ja t\u00e4sm\u00e4viljelyj\u00e4rjestelmien suunnittelussa.<\/li>\n<\/ul>\n

    Riisinviljelyj\u00e4rjestelmien ja kulttuurityyppien ymm\u00e4rt\u00e4minen<\/h2>\n

    1. Mit\u00e4 riisinviljelymalli todellisuudessa tarkoittaa<\/h3>\n

    Riisinviljelymalli kuvaa riisinviljelyn ajallista j\u00e4rjestyst\u00e4 kalenterivuoden aikana tietyss\u00e4 paikassa. Se ei ainoastaan kerro, viljell\u00e4\u00e4nk\u00f6 riisi\u00e4, vaan my\u00f6s kuinka monta kertaa, milloin kukin kausi alkaa ja p\u00e4\u00e4ttyy, ja mik\u00e4 sato, jos mit\u00e4\u00e4n, seuraa tai edelt\u00e4\u00e4 riisi\u00e4 samalla pellolla. N\u00e4iden mallien kartoittaminen alueella antaa suunnittelijoille dynaamisen kuvan maank\u00e4yt\u00f6n intensiteetist\u00e4 ja resurssien kysynn\u00e4st\u00e4, jota yksitt\u00e4inen tilannekuva ei koskaan voisi tarjota.<\/p>\n

    2. Yhden sadon riisij\u00e4rjestelm\u00e4t<\/h3>\n

    Yhden viljelykasvin (monocrop) j\u00e4rjestelmiss\u00e4 viljelij\u00e4t viljelev\u00e4t yhden riisikauden vuodessa, tyypillisesti monsuunisadekauden tai yhden kontrolloidun kastelusyklin yhteyteen. N\u00e4m\u00e4 j\u00e4rjestelm\u00e4t ovat vallitsevia alueilla, joilla veden saatavuus, ty\u00f6voima tai ilmasto rajoittavat toisen kauden mahdollisuutta.<\/p>\n

    \"Riisinviljelyj\u00e4rjestelmien<\/p>\n

    Yhden viljelykasvin viljelyj\u00e4rjestelmiss\u00e4 on yleens\u00e4 pidemm\u00e4t kasvukaudet vuodessa, usein perinteisill\u00e4 tai parannetuilla pitk\u00e4kestoisilla lajikkeilla, ja ne saavat suhteettoman paljon sadetta, mik\u00e4 tekee niist\u00e4 eritt\u00e4in herkki\u00e4 sateiden ajoitukselle ja jakautumiselle.<\/p>\n

    3. Kaksisatoiset riisij\u00e4rjestelm\u00e4t<\/h3>\n

    Kaksoisviljelyj\u00e4rjestelm\u00e4t tuottavat kaksi riisisatoa vuodessa samalta pellolta. Ne ovat yleisimpi\u00e4 Kaakkois- ja Etel\u00e4-Aasiassa, mukaan lukien Punaisen joen suisto Vietnamissa, Bangladeshin tulvatasangot ja Intian Punjabin keinokastelualueet.<\/p>\n

    Kahden vuodenajan v\u00e4linen ajallinen ero on pieni, usein alle 30 p\u00e4iv\u00e4\u00e4, joten kahden sadon alueiden tunnistaminen satelliittidatasta vaatii tiheit\u00e4 aikasarjahavaintoja kahden t\u00e4yden fenologisen syklin havaitsemiseksi yhden vuoden aikana.<\/p>\n

    4. Kolmoisviljelyj\u00e4rjestelm\u00e4t riisille<\/h3>\n

    Kolmoisviljely\u00e4, jossa riisi korjataan kolme kertaa vuodessa, harjoitetaan rajoitetuilla alueilla, joilla sek\u00e4 veden saatavuus ett\u00e4 l\u00e4mp\u00f6tila pysyv\u00e4t suotuisina ymp\u00e4ri vuoden. Etel\u00e4-Vietnamin Mekongin suistoalue ja osat Guangdongin maakunnasta Etel\u00e4-Kiinassa tukevat kolmoisviljelyj\u00e4rjestelmi\u00e4.<\/p>\n

    Vaikka kolmoisviljelyj\u00e4rjestelm\u00e4t maksimoivat maank\u00e4yt\u00f6n intensiivisyyden, ne tuovat mukanaan merkitt\u00e4vi\u00e4 maaper\u00e4n hedelm\u00e4llisyyteen ja tuholaistorjuntaan liittyvi\u00e4 haasteita. N\u00e4iden peltojen et\u00e4tunnistaminen on teknisesti vaativaa, koska lyhyet kesantokaudet viljelykasvien v\u00e4lill\u00e4 tiivist\u00e4v\u00e4t fenologiset signaalit tiukoiksi ikkunoiksi.<\/p>\n

    5. Sadekasteltu riisin viljely<\/h3>\n

    Kansainv\u00e4lisen riisintutkimuslaitoksen (IRRI) mukaan sadevedell\u00e4 kasteltu riisi, jota viljell\u00e4\u00e4n kokonaan sadeveden varassa ilman keinotekoista vedensy\u00f6tt\u00f6\u00e4, kattaa noin 451 300 tonnia maailman riisin kokonaisviljelyalasta. Se on hallitseva j\u00e4rjestelm\u00e4 Saharan etel\u00e4puolisessa Afrikassa, Etel\u00e4- ja Kaakkois-Aasian yl\u00e4ng\u00f6ill\u00e4 sek\u00e4 sateesta riippuvaisilla tulvatasangoilla.<\/p>\n

    Sadekastetut j\u00e4rjestelm\u00e4t ovat eritt\u00e4in alttiita sadem\u00e4\u00e4r\u00e4n vaihtelulle, mik\u00e4 tarkoittaa 30\u201350%:n satovaihteluita sateiden ja kuivien vuosien v\u00e4lill\u00e4 joillakin alueilla. Kaukokartoituksen n\u00e4k\u00f6kulmasta sadekasteltua riisi\u00e4 on vaikeampi kartoittaa, koska tulvasignaali on heikompi ja ep\u00e4s\u00e4\u00e4nn\u00f6llisempi kuin hoidetuilla keinokastelupelloilla.<\/p>\n

    6. Kasteltu riisinviljely<\/h3>\n

    Kasteltuihin riisinviljelyj\u00e4rjestelmiin vesi tulee kanavien, pumppujen tai hallinnoitujen s\u00e4ili\u00f6iden kautta, mink\u00e4 ansiosta viljelij\u00e4t voivat hallita istutus- ja sadonkorjuuaikaa huomattavan tarkasti. Kasteltu riisi peitt\u00e4\u00e4 t\u00e4ll\u00e4 hetkell\u00e4 vain noin 551 000 tonnia maailman riisinviljelyalasta, mutta sen osuus riisin kokonaistuotannosta on 751 000 tonnia, mik\u00e4 heijastaa vedensaannin turvaaman satoedun.<\/p>\n

    Kasteltujen peltojen tarkoituksellinen tulviminen luo voimakkaan ja yhdenmukaisen tutkaheijastusj\u00e4ljen, jonka satelliittianturit havaitsevat luotettavasti, mik\u00e4 tekee kastellusta riisist\u00e4 yhden maailman tarkimmin kartoitetuista viljelykasvilajeista.<\/p>\n

    7. Yl\u00e4maan ja alankojen riisij\u00e4rjestelm\u00e4t<\/h3>\n

    Yl\u00e4maan riisi\u00e4 viljell\u00e4\u00e4n tulvimattomilla, hyvin vett\u00e4 l\u00e4p\u00e4isevill\u00e4 mailla, usein rinteill\u00e4 tai terasseilla Aasiassa ja Afrikassa. Koska n\u00e4it\u00e4 peltoja ei koskaan tulviteta tarkoituksella, niilt\u00e4 puuttuu vesisignaali, jonka avulla alamaan riisi voidaan tunnistaa tutkalla, mink\u00e4 vuoksi tutkijat joutuvat turvautumaan pelk\u00e4st\u00e4\u00e4n spektrisiin kasvillisuuskuvioihin.<\/p>\n

    Alamaan riisi\u00e4 sit\u00e4 vastoin viljell\u00e4\u00e4n tasaisilla tai matalilla tulvivilla pelloilla, joille vesi kertyy luonnostaan tai kastelun kautta. Alamaan j\u00e4rjestelm\u00e4t hallitsevat Aasian riisikulhoalueita ja ovat useimpien laajamittaisten kartoituspyrkimysten ensisijainen kohde.<\/p>\n

    Yl\u00e4- ja alamaiden peltojen v\u00e4linen morfologinen kontrasti, mukaan lukien peltojen muoto, topografinen sijainti ja latvuston rakenne, tarjoaa t\u00e4ydent\u00e4vi\u00e4 spatiaalisia vihjeit\u00e4, joita objektipohjainen kuva-analyysi voi hy\u00f6dynt\u00e4\u00e4 tehokkaasti.<\/p>\n

    8. Suorakylv\u00f6inen vs. istutettu riisi<\/h3>\n

    Riisin istuttaminen tarkoittaa taimien kasvattamista taimitarhassa 25\u201330 p\u00e4iv\u00e4n ajan, mink\u00e4 j\u00e4lkeen ne siirret\u00e4\u00e4n manuaalisesti tai koneellisesti p\u00e4\u00e4pellolle. Suorakylv\u00f6ss\u00e4 riisin siemenet sit\u00e4 vastoin kylvet\u00e4\u00e4n suoraan valmisteltuun peltoon ilman taimitarhavaihetta.<\/p>\n

    N\u00e4m\u00e4 kaksi menetelm\u00e4\u00e4 tuottavat mitattavasti erilaisia ajallisia tunnisteita satelliittidatassa: istutetuilla pelloilla n\u00e4kyy ter\u00e4v\u00e4, synkronoitu vihertyminen noin kolme viikkoa tulvan j\u00e4lkeen, kun taas suorakylv\u00f6isill\u00e4 pelloilla latvuston kehitys on hitaampaa kylv\u00f6p\u00e4iv\u00e4st\u00e4 l\u00e4htien. T\u00e4m\u00e4 fenologinen ero, hienovarainen mutta todellinen, on havaittavissa kasvillisuusindeksien huolellisen aikasarja-analyysin avulla.<\/p>\n

    Kaukokartoitusty\u00f6kalut ja -teknologiat riisin kartoitukseen<\/h2>\n

    1. Kaukokartoituksen fysikaalinen periaate<\/h3>\n

    Jokainen kasvi heijastaa, absorboi ja l\u00e4hett\u00e4\u00e4 auringons\u00e4teily\u00e4 lehtien biokemian, latvusrakenteen ja vesipitoisuuden s\u00e4\u00e4telemill\u00e4 malleilla. Vihre\u00e4t lehdet absorboivat voimakkaasti punaista valoa yhteytt\u00e4mist\u00e4 varten ja heijastavat samalla suuren osan l\u00e4hi-infrapunaenergiasta (NIR). Tulvineet maaper\u00e4t sit\u00e4 vastoin absorboivat l\u00e4hes kaiken tulevan s\u00e4teilyn.<\/p>\n

    N\u00e4m\u00e4 vastakkaiset vasteet luovat ennustettavia spektrisignaaleja, joita satelliittien anturit voivat tallentaa yhdenmukaisella ajoituksella, jolloin analyytikot voivat seurata sadon kuntoa, kasvuvaihetta ja peltotason hoitop\u00e4\u00e4t\u00f6ksi\u00e4 k\u00e4ym\u00e4tt\u00e4 koskaan pellolla.<\/p>\n

    2. Optinen kaukokartoitus<\/h3>\n

    Optiset anturit havaitsevat heijastuneen auringons\u00e4teilyn ja tuottavat kuvia, jotka muistuttavat l\u00e4heisesti sit\u00e4, mit\u00e4 ihmissilm\u00e4 n\u00e4kisi infrapunas\u00e4teilylle laajennettuna. Kolme optista alustaa hallitsee riisikartoitustutkimusta.<\/p>\n

    Landsat<\/strong> (NASAn ja USGS:n vuodesta 1972 l\u00e4htien operoima satelliittisarja) tarjoaa kuvia 30 metrin spatiaalisella resoluutiolla ja 16 p\u00e4iv\u00e4n tarkkuudella. Sen pitk\u00e4 ajallinen arkisto tekee siit\u00e4 v\u00e4ltt\u00e4m\u00e4tt\u00f6m\u00e4n riisinviljelyalueiden muutosten tutkimuksissa vuosikymmenten aikana. 16 p\u00e4iv\u00e4n toistuminen tarkoittaa kuitenkin sit\u00e4, ett\u00e4 jotkin lyhyen kasvukauden fenologiset tapahtumat saattavat j\u00e4\u00e4d\u00e4 huomaamatta havaintojen v\u00e4lill\u00e4.<\/p>\n

    Sentinel-2<\/strong> (Euroopan avaruusj\u00e4rjest\u00f6n operoima, laukaistiin vuosina 2015 ja 2017 kaksoissatelliittikonstellaationa) parantaa Landsat-satelliittia 10\u201320 metrin resoluutiolla ja 5 p\u00e4iv\u00e4n paluusyklill\u00e4 p\u00e4iv\u00e4ntasaajalla. N\u00e4m\u00e4 kaksi parannusta yhdess\u00e4 mahdollistavat tarkemman kentt\u00e4rajojen m\u00e4\u00e4rittelyn ja paremman fenologisen n\u00e4ytteenoton, ja useimmat viimeisimm\u00e4t eritt\u00e4in tarkat riisikartoitustutkimukset, mukaan lukien ISPRS Journal of Photogrammetry and Remote Sensing -lehdess\u00e4 vuonna 2024 julkaistut, k\u00e4ytt\u00e4v\u00e4t Sentinel-2:ta ensisijaisena optisena tietol\u00e4hteen\u00e4.<\/p>\n

    MODIS<\/strong> NASAn Terra- ja Aqua-satelliiteissa oleva MODIS (Moderate Resolution Imaging Spectroradiometer) tarjoaa 250\u2013500 metrin resoluution ja p\u00e4ivitt\u00e4isen tarkistuskapasiteetin. Vaikka se on liian karkea yksitt\u00e4isten peltojen kartoitukseen, se on edelleen arvokas kansallisissa ja mannertenv\u00e4lisiss\u00e4 viljelyintensiteetin arvioinneissa, joissa korkea spatiaalinen resoluutio on v\u00e4hemm\u00e4n kriittinen kuin ajallinen tiheys.<\/p>\n

    3. Tutka-kaukokartoitus<\/h3>\n

    Synteettisen apertuurin tutka (SAR)<\/strong> on tutkapohjainen teknologia, joka l\u00e4hett\u00e4\u00e4 mikroaaltopulsseja kohti maanpintaa ja mittaa anturiin takaisin sironneen energian. Toisin kuin optiset anturit, SAR toimii pilvipeitteest\u00e4 ja auringon valaistuksesta riippumatta, mik\u00e4 tarkoittaa, ett\u00e4 se hankkii tietoa yht\u00e4 hyvin pilvisen\u00e4 monsuuniy\u00f6n\u00e4 kuin kirkkaana kuivana vuodenaikana.<\/p>\n

    T\u00e4m\u00e4 ominaisuus on kriittisen t\u00e4rke\u00e4 riisin kartoituksessa trooppisessa Aasiassa, jossa optiset anturit menett\u00e4v\u00e4t rutiininomaisesti viikkoja kasvukaudesta pilvien tukkeutumisen vuoksi.<\/p>\n

    Sentinel-1<\/strong> (ESA) l\u00e4hett\u00e4\u00e4 C-kaistan mikroaaltoenergiaa (aallonpituus noin 5,6 cm) ja toimittaa ilmaista, globaalia SAR-dataa 10 metrin tarkkuudella 6\u201312 p\u00e4iv\u00e4n toistumisjaksolla. Riisipellot vuorovaikuttavat SAR-signaalien kanssa erityisell\u00e4 tavalla:<\/p>\n

      \n
    • tulvineet pellot toimivat l\u00e4hes t\u00e4ydellisen\u00e4 peilin\u00e4, heijastaen suurimman osan tutkaenergiasta pois anturista (tuottaen alhaiset takaisinhajoamisarvot), samalla kun<\/li>\n
    • Kasvava riisin latvusto sirottaa yh\u00e4 enemm\u00e4n energiaa takaisin anturia kohti kasvien tiheyden ja lehtipinta-alan kasvaessa.<\/li>\n<\/ul>\n

      T\u00e4m\u00e4 ajan my\u00f6t\u00e4 tapahtuva takaisinsironta, joka on alhainen tulvien ja uudelleenistutuksen aikana, nousee kasvullisten vaiheiden l\u00e4pi ja laskee j\u00e4lleen p\u00e4\u00e4n j\u00e4lkeen, muodostaa riisille ainutlaatuisen tutkafenologisen ominaisuuden.<\/p>\n

      Nguyen ym. (Remote Sensing of Environment, 2023) havaitsivat, ett\u00e4 Sentinel-1 SAR -aikasarjaluokittelu saavutti 92.3% kokonaistarkkuus<\/strong> riisinviljelykausien kartoittamisessa kolmessa Vietnamin Mekongin suiston maakunnassa, mukaan lukien kolmen viljelyn alueet, joilla optista dataa ei ollut saatavilla yli 60% kasvukaudelta pilvipeitteen vuoksi.<\/p>\n

      Trooppisilla riisinviljelyalueilla SAR-pohjaiset menetelm\u00e4t eiv\u00e4t ole pelk\u00e4st\u00e4\u00e4n vaihtoehto optiselle havainnoinnille, vaan ne ovat usein ainoa luotettava vaihtoehto vuodenaikojen mittaamiseen monsuunikuukausina.<\/p>\n

      4. Monianturidatan integrointi<\/h3>\n

      Mik\u00e4\u00e4n yksitt\u00e4inen anturi ei tarjoa ihanteellista yhdistelm\u00e4\u00e4 spatiaalisista yksityiskohdista, ajallisesta tiheydest\u00e4 ja pilvien l\u00e4p\u00e4isevyydest\u00e4. Tarkimmat riisikartoitusj\u00e4rjestelm\u00e4t integroivat siksi useita anturityyppej\u00e4 yhteen analyyttiseen kehykseen.<\/p>\n

      Yleinen arkkitehtuuri yhdist\u00e4\u00e4 Sentinel-1:n SAR-datan pilvet\u00f6nt\u00e4 ajallista seurantaa varten Sentinel-2:n optiseen dataan spektririkkauden selvin\u00e4 aikoina havaitsemiseksi ja k\u00e4ytt\u00e4\u00e4 MODISia karkean resoluution ankkurina fenologisten kuvioiden havaitsemiseksi alueellisella tasolla.<\/p>\n

      Kun n\u00e4m\u00e4 tietovirrat yhdistet\u00e4\u00e4n algoritmisesti, yhdistetty tietojoukko voi selvitt\u00e4\u00e4 viljelykasvien rajat, havaita istutusp\u00e4iv\u00e4t ja m\u00e4\u00e4ritt\u00e4\u00e4 viljelytyyppiluokituksia varmuudella, johon mik\u00e4\u00e4n yksitt\u00e4inen anturi ei yksin\u00e4\u00e4n pysty.<\/p>\n

      Riisinviljelymallien tunnistaminen satelliittidatasta<\/h2>\n

      1. Riisin kasvuvaiheiden ajalliset tunnusmerkit<\/h3>\n

      Riisi k\u00e4y l\u00e4pi tarkoin m\u00e4\u00e4ritellyn kasvuvaiheiden sarjan: maanmuokkaus ja tulviminen, uudelleenistutus tai kylv\u00f6, versominen (useiden varsien kehittyminen yhdest\u00e4 kasvista), r\u00f6yhyjen muodostuminen, kukkaan puhkeaminen (jyv\u00e4\u00e4 sis\u00e4lt\u00e4v\u00e4n kukinnon ilmestyminen) ja sadonkorjuu.<\/p>\n

      Jokainen vaihe tuottaa mitattavan muutoksen pellon optisissa ja tutkaominaisuuksissa. Analyytikot k\u00e4ytt\u00e4v\u00e4t n\u00e4it\u00e4 vaihekohtaisia signatuureja, jotka on tallennettu spektri-indeksien tai SAR-takaisinhajonnan aikasarjoina, rekonstruoidakseen, mit\u00e4 kullakin pellolla tapahtui ja milloin, ilman viljelij\u00e4n ennakkotietoa.<\/p>\n

      2. Fenologiaan perustuva riisikartoitus<\/h3>\n

      Fenologiaan perustuva kartoitus<\/strong> (biologisten tapahtumien ajoituksen k\u00e4ytt\u00e4minen viljelykasvien luokitteluun) on vallitseva l\u00e4hestymistapa laaja-alaisten riisin havaitsemiseen. Menetelm\u00e4 toimii sovittamalla matemaattisia k\u00e4yri\u00e4 aikasarjatietoihin ja tunnistamalla sitten pellot, joilla ajallinen kuvio vastaa riisin ominaista kasvuk\u00e4yr\u00e4\u00e4. T\u00e4st\u00e4 sovitusprosessista saatuja keskeisi\u00e4 tapahtuma-aikoja ovat mm.<\/p>\n

        \n
      • kasvukauden alku (tyypillisesti tunnistettavissa kasvillisuusindeksin arvojen jyrk\u00e4st\u00e4 noususta tulvien j\u00e4lkeen),<\/li>\n
      • kasvukauden huippu (suurin lehtipinta-alaindeksi) ja<\/li>\n
      • kauden loppu (nopea lasku sadonkorjuun aikaan).<\/li>\n<\/ul>\n

        T\u00e4llaisten syklien m\u00e4\u00e4r\u00e4 kalenterivuoden aikana m\u00e4\u00e4r\u00e4\u00e4 suoraan, luokitellaanko pelto kerta-, kaksi- vai kolminkertaisesti sadotuksi.<\/p>\n

        3. Viljelyintensiteetin arviointi<\/h3>\n

        Viljelyintensiteetti eli tietyll\u00e4 maa-alueella vuosittain suoritettujen satokausien m\u00e4\u00e4r\u00e4 on yksi politiikan kannalta merkityksellisimmist\u00e4 riisin viljelykuvioiden kartoituksen tuotoksista. Yksinkertainen mutta tehokas l\u00e4hestymistapa laskee, kuinka monta kertaa riisin kaltainen spektri- tai takaisinsirontahuippu esiintyy pikselin vuotuisessa aikasarjassa.<\/p>\n

        Yhdistettyn\u00e4 spatiaalisiin suodattimiin kosteikkojen, vesist\u00f6jen tai kausiluonteisten tulvien aiheuttamien virheellisten havaintojen poistamiseksi n\u00e4m\u00e4 syklilaskennat tuottavat karttoja yhden, kahden ja kolmen sadon riisist\u00e4, jotka voidaan validoida kentt\u00e4tutkimusten ja alueellisten tilastojen avulla.<\/p>\n

        4. Riisin kausittainen ja vuosittainen levinneisyyskartoitus<\/h3>\n

        Kausikartat (yksi kartta kasvukautta kohden vuodessa) kuvaavat paitsi riisin viljelypaikkoja my\u00f6s sen kasvuaikoja kullakin alueella. Vuosittaiset kausikarttapinot paljastavat alueen koko viljelykalenterin, mukaan lukien varhaisen ja my\u00f6h\u00e4isen kauden riisin alueellisen jakautumisen, mill\u00e4 on suora vaikutus veden ajoitukseen, tuholaistorjuntaan ja sadonkorjuun logistiikkaan.<\/p>\n

        5. Riisin viljelykiertojen havaitseminen<\/h3>\n

        Monissa aasialaisissa riisinviljelyj\u00e4rjestelmiss\u00e4 viljelij\u00e4t vuorottelevat riisin, vehn\u00e4n, vihannesten, palkokasvien tai kesantojen kanssa samalla pellolla per\u00e4kk\u00e4isten kausien aikana. Kaukokartoitus havaitsee n\u00e4m\u00e4 kiertoliikkeet analysoimalla koko vuosittaisen aikasarjan yksitt\u00e4isen kauden sijaan.<\/p>\n

        Sateisena kautena riisiksi, mutta kuivana kautena vehn\u00e4ksi luokiteltu pelto esitt\u00e4\u00e4 kasvillisuusindeksitiedoissa selke\u00e4n kahden piikin ajallisen kuvion, jossa kunkin piikin spektriominaisuudet tunnistavat vastaavan viljelykasvityypin. N\u00e4iden viljelykiertojen kartoittaminen on t\u00e4rke\u00e4\u00e4 maaper\u00e4n terveyden arvioinnin, kastelun kysynn\u00e4n mallintamisen ja tulojen monipuolistamisohjelmien kannalta.<\/p>\n

        Kuinka GeoPard mahdollistaa riisinviljelymallien kartoituksen<\/h2>\n

        Riisin satomallien kartoittaminen vaatii jatkuvaa, useista l\u00e4hteist\u00e4 tulevaa havainnointia koko kasvukauden ajan, ja juuri t\u00e4t\u00e4 GeoPard tarjoaa. Yhdist\u00e4m\u00e4ll\u00e4 Landsat-8-, Sentinel-2- ja Planet-kuvat yhdelle alustalle GeoPard valvoo peltoja joka toinen p\u00e4iv\u00e4 jopa 3 metrin tarkkuudella varmistaen, ett\u00e4 kriittiset riisitapahtumat, kuten istutusta edelt\u00e4v\u00e4t tulvat, taimien vihertyminen ja sadonkorjuu, eiv\u00e4t koskaan j\u00e4\u00e4 huomaamatta pilvirakojen vuoksi.<\/p>\n

        Alustan monianturifuusio on osoittanut 4%:n tarkkuuden parannuksen yhden anturin l\u00e4hestymistapoihin verrattuna, mik\u00e4 ter\u00e4v\u00f6itt\u00e4\u00e4 suoraan eroa yhden, kahden ja kolmen sadon riisij\u00e4rjestelmien v\u00e4lill\u00e4.<\/p>\n

        \"Kuinka<\/p>\n

        Viljelystyypin tunnistamista varten GeoPardin kasvillisuusindeksipaketti, joka sis\u00e4lt\u00e4\u00e4 NDWI:n pintatulvien havaitsemiseen, EVI2:n latvusbiomassan ajoitukseen ja LAI:n latvustiheyteen, tallentaa spektraalisen el\u00e4m\u00e4kerran, joka erottaa keinokastellun istutetun riisin sadekastelluista tai suorakylv\u00f6isist\u00e4 j\u00e4rjestelmist\u00e4.<\/p>\n

        Pilvisin\u00e4 monsuunip\u00e4ivin\u00e4, kun optinen kuvantaminen ep\u00e4onnistuu kokonaan, GeoPardin integroitu tutkatietokerros pit\u00e4\u00e4 kasvillisuuden seurannan keskeytyksett\u00e4 lukemalla SAR-s\u00e4teilyn takaisinhajonnan kourua, joka on tulvineen riisipellon lopullinen tunnus uudelleenistutuksen aikaan.<\/p>\n

        Vertaile tasoja -ty\u00f6kalun avulla agronomit voivat sijoittaa jopa nelj\u00e4 synkronoitua datatasoa vierekk\u00e4in, mik\u00e4 helpottaa riisin viljelytyyppien erottelua vertaamalla NDWI-tulvasignaaleja monivuotisiin kasvillisuustrendeihin ja maaper\u00e4n tuottavuuskarttoihin.<\/p>\n

        Yli 30 vuoden satelliittikuvien tuella alusta paljastaa pitk\u00e4n aikav\u00e4lin viljelyintensiteettimallit peltotasolla. N\u00e4m\u00e4 tiedot sy\u00f6tet\u00e4\u00e4n sitten suoraan muuttuvan levitysm\u00e4\u00e4r\u00e4n karttoihin lannoitteiden, siementen ja kasvinsuojelun osalta, jolloin riisin viljelytyyppikartat muuttuvat konkreettisiksi peltotason hoitom\u00e4\u00e4r\u00e4yksiksi.<\/p>\n

        Riisin kulttuurityyppien kartoitus kaukokartoituksella<\/h2>\n

        1. Eri kulttuurik\u00e4yt\u00e4nt\u00f6jen spektraaliset ominaisuudet<\/h3>\n

        Viljelm\u00e4tyyppi, eli riisipellolle sovellettavien hoitok\u00e4yt\u00e4nt\u00f6jen yhdistelm\u00e4, muokkaa kyseisen pellon spektraalisen ominaisuuden ajallista kehityst\u00e4. Esimerkiksi tulviva istutettu riisi aloittaa kauden vesipainotteisella optisella vasteella (alhainen heijastavuus kaikilla n\u00e4kyvill\u00e4 alueilla), jota seuraa \u00e4killinen muutos taimien latvustuksen muodostuessa.<\/p>\n

        Suoraan kylvetty riisi, joka on istutettu tulvimattomaan kylv\u00f6alustaan, osoittaa kasvillisuussignaalin lis\u00e4\u00e4ntymist\u00e4 asteittaisemmin it\u00e4misen alusta l\u00e4htien ilman alkuper\u00e4ist\u00e4 tulvimisjaksoa, jonka sek\u00e4 optiset ett\u00e4 SAR-anturit havaitsevat helposti.<\/p>\n

        2. Kastellun ja sadevedell\u00e4 kastellun riisin erottaminen<\/h3>\n

        Kastellut ja sadeveden kastelemat riisipellot eroavat toisistaan kahdella havaittavalla tavalla: tulvien ajoituksessa ja s\u00e4\u00e4nn\u00f6llisyydess\u00e4 sek\u00e4 niiden kausittaisen fenologian yhdenmukaisuudessa. Kastellut pellot tulvivat yleens\u00e4 aikataulun mukaisesti, niill\u00e4 on v\u00e4hemm\u00e4n vaihtelua istutusp\u00e4iviss\u00e4 vuodesta toiseen ja ne yll\u00e4pit\u00e4v\u00e4t tasaista latvustotiheytt\u00e4 kontrolloidun vedenhallinnan avulla.<\/p>\n

        Sadekasveilla pelloilla on suurempaa ajallista vaihtelua vuosien v\u00e4lill\u00e4, niill\u00e4 voi esiinty\u00e4 kesken kauden vesistressi\u00e4, joka on havaittavissa kasvillisuusindeksin arvojen poikkeavina laskuina, ja joskus ne eiv\u00e4t saavuta t\u00e4ytt\u00e4 kasvukautta kuivuusvuosina.<\/p>\n

        Monivuotinen aikasarja-analyysi tallentaa t\u00e4m\u00e4n vaihtelurakenteen, jolloin luokittelualgoritmit voivat erottaa keinokastellut ja sadeveden kastelemat alueet tyypillisesti yli 85%:n tarkkuudella hyvin kalibroiduissa j\u00e4rjestelmiss\u00e4.<\/p>\n

        3. Istutus- ja suorakylv\u00f6isen riisin kartoitus<\/h3>\n

        Luotettavin indikaattori istutetun riisin erottamiseksi suoraan kylvetyst\u00e4 riisist\u00e4 SAR-tiedoissa on alkuper\u00e4isen matalan takaisinsironnan tulvajakson ajoitus ja kesto.<\/p>\n

        Siirretyt riisipellot tulvitetaan vedell\u00e4 2\u20134 viikkoa ennen taimien siirtoa, mik\u00e4 luo kauden alussa pidemm\u00e4n pime\u00e4n ajan.<\/p>\n

        Suorakylv\u00f6isill\u00e4 pelloilla tulvaikkunaa ei joko ole lainkaan (kuivakylv\u00f6) tai se on hyvin lyhyt (m\u00e4rk\u00e4kylv\u00f6), ja takaisinsironta on sek\u00e4 aikaistunut kylv\u00f6p\u00e4iv\u00e4\u00e4n n\u00e4hden ett\u00e4 rakenteellisesti erilainen kaltevuudessaan. N\u00e4m\u00e4 ajalliset ominaisuudet voidaan m\u00e4\u00e4ritt\u00e4\u00e4 automaattisesti k\u00e4ytt\u00e4m\u00e4ll\u00e4 tiheisiin SAR-aikasarjoihin sovellettuja algoritmeja.<\/p>\n

        4. Hallintak\u00e4yt\u00e4nt\u00f6jen havaitseminen kaukokartoituksen avulla<\/h3>\n

        Istutusmenetelm\u00e4n ja vedenk\u00e4yt\u00f6n lis\u00e4ksi kaukokartoituksella voidaan havaita tiettyj\u00e4 vedenhallintak\u00e4yt\u00e4nt\u00f6j\u00e4, kuten vuorotteleva kastelu ja kuivaus. T\u00e4t\u00e4 tekniikkaa k\u00e4ytet\u00e4\u00e4n metaanip\u00e4\u00e4st\u00f6jen ja vedenkulutuksen v\u00e4hent\u00e4miseen kuivattamalla riisipeltoja ajoittain.<\/p>\n

        AWD-pelloilla havaitaan v\u00e4r\u00e4htelevi\u00e4 SAR-s\u00e4teilyn takaisinsironnan kuvioita kasvukauden aikana, mik\u00e4 heijastaa toistuvia tulva-valuntasyklej\u00e4, kun taas jatkuvasti tulvivilla pelloilla on tasaisempi takaisinsironnan liikerata. T\u00e4m\u00e4 ominaisuus on erityisen arvokas seurattaessa ilmasto\u00e4lykk\u00e4iden riisik\u00e4yt\u00e4nt\u00f6jen k\u00e4ytt\u00f6\u00f6nottoa kansallisissa kasvihuonekaasuinventaarioissa.<\/p>\n

        5. Riisipeltojen vedenk\u00e4yt\u00f6n indikaattorit<\/h3>\n

        SAR-laitteiston avulla teht\u00e4v\u00e4 vedenpinnan havaitseminen on eritt\u00e4in herkk\u00e4 menetelm\u00e4, jolla voidaan tunnistaa jopa muutaman senttimetrin syvyydess\u00e4 riisin latvuston alla oleva lammikoitunut vesi. T\u00e4m\u00e4n herkkyyden ansiosta analyytikot voivat kartoittaa peltokohtaisesti tulvatilanteen kasvukauden keskeisin\u00e4 vaiheina, mik\u00e4 tukee kastelun aikataulutusp\u00e4\u00e4t\u00f6ksi\u00e4 ja tulvavahinkojen varhaisia arviointeja.<\/p>\n

        Kun useilta p\u00e4iv\u00e4m\u00e4\u00e4rilt\u00e4 ker\u00e4tyt vedenpintakartat pinotaan ajallisesti, ne tuottavat dynaamisen vedenhallinnan profiilin kullekin kent\u00e4lle, mik\u00e4 toimii arvokkaana sy\u00f6tteen\u00e4 kulttuurityyppien luokittelumalleille.<\/p>\n

        Tekniikat ja menetelm\u00e4t: Indekseist\u00e4 syv\u00e4oppimiseen<\/h2>\n

        1. Kasvillisuusindeksit riisin seurantaa varten<\/h3>\n

        Kasvillisuusindeksit ovat eri aallonpituuksilla laskettujen heijastusarvojen matemaattisia yhdistelmi\u00e4, joiden tarkoituksena on vahvistaa kasvien biomassan ja terveyden signaalia samalla kun v\u00e4hennet\u00e4\u00e4n maaper\u00e4n taustan, ilmakeh\u00e4n vaikutusten ja valaistusgeometrian aiheuttamaa kohinaa. Kolme indeksi\u00e4 on keskeinen osa riisin kartoitusty\u00f6t\u00e4.<\/p>\n

        i. NDVI (normalisoitu kasvillisuuseroindeksi)<\/strong> lasketaan muodossa (NIR \u2013 punainen) \/ (NIR + punainen), ja se on riisin seurannassa yleisimmin k\u00e4ytetty indeksi. Se seuraa latvuksen vihreytt\u00e4 taimen juurtumisesta vanhenemiseen asti, ja arvot nousevat tyypillisesti l\u00e4helt\u00e4 nollaa istutuksen hetkell\u00e4 0,6\u20130,8:aan kasvullisen kasvun huipussa.<\/p>\n

        ii. EVI (parannettu kasvillisuusindeksi)<\/strong> korjaa ilmakeh\u00e4n aerosolien vaikutukset ja maaper\u00e4n taustamelun tehokkaammin kuin NDVI, mik\u00e4 tekee siit\u00e4 paremman menetelm\u00e4n ymp\u00e4rist\u00f6iss\u00e4, joissa on paljon aerosolikuormaa, kuten trooppisessa Aasiassa yleisin\u00e4 biomassan palamiskausina.<\/p>\n

        iii. LSWI (maanpinnan vesi-indeksi)<\/strong> sis\u00e4lt\u00e4\u00e4 lyhytaaltoisen infrapunaheijastuksen havaitakseen sek\u00e4 kasvillisuuden ett\u00e4 maaper\u00e4n vesipitoisuuden, mik\u00e4 tekee siit\u00e4 eritt\u00e4in herk\u00e4n alankomaiden riisinviljelylle tyypillisille tulville ja tarjoaa luotettavan signaalin kasvukauden alun havaitsemiseen.<\/p>\n

        2. Aikasarja-analyysi<\/h3>\n

        Yksi satelliittikuva tallentaa riisipellon tilan tiettyn\u00e4 hetken\u00e4, mutta riisipellon tarina kirjoitetaan noiden hetkien sarjana. Aikasarja-analyysi ketjuttaa yhteen useita havaintoja, tyypillisesti yhden kuvan 5\u201316 p\u00e4iv\u00e4n v\u00e4lein koko vuoden ajan, ja poimii ajallisia mittareita, kuten kauden alkamisp\u00e4iv\u00e4m\u00e4\u00e4r\u00e4n, NDVI:n huippuarvon, vihertymisnopeuden ja sadonkorjuup\u00e4iv\u00e4m\u00e4\u00e4r\u00e4n.<\/p>\n

        \"Tekniikoita<\/p>\n

        N\u00e4m\u00e4 mittarit kuvaavat yhdess\u00e4 pellon koko fenologista k\u00e4ytt\u00e4ytymist\u00e4 ja ovat paljon diagnostisempia viljelykasvityypin tunnistamisessa kuin mik\u00e4\u00e4n yhden p\u00e4iv\u00e4m\u00e4\u00e4r\u00e4n havainto. Tilastollisia menetelmi\u00e4, kuten harmonista regressiota ja dynaamista aikav\u00e4\u00e4ristym\u00e4\u00e4 (DTW), k\u00e4ytet\u00e4\u00e4n yleisesti aikasarjatietojen yhdenmukaistamiseen ja vertailuun eri vuosien ja alueiden v\u00e4lill\u00e4.<\/p>\n

        3. Koneoppiminen riisin luokitteluun<\/h3>\n

        Koneoppiminen on mullistanut riisinviljelykuvioiden kartoituksen mittakaavan ja tarkkuuden automatisoimalla monimutkaisten, ep\u00e4lineaaristen suhteiden tunnistamisen spektri-ajallisen datan ja kentt\u00e4olosuhteiden v\u00e4lill\u00e4.<\/p>\n

        i. Satunnainen mets\u00e4 (RF)<\/strong> on ensemble-menetelm\u00e4, joka rakentaa satoja itsen\u00e4isi\u00e4 p\u00e4\u00e4t\u00f6spuita, joista jokainen on koulutettu satunnaisella ominaisuusjoukolla, ja yhdist\u00e4\u00e4 niiden \u00e4\u00e4net lopullista luokitusta varten. Se on kest\u00e4v\u00e4 kohinaiselle harjoitusdatalle, k\u00e4sittelee tehokkaasti korkeaulotteisia ominaisuusavaruuksia ja tarjoaa muuttuvia t\u00e4rkeyspisteit\u00e4, jotka auttavat analyytikoita ymm\u00e4rt\u00e4m\u00e4\u00e4n, mitk\u00e4 ajalliset tai spektraaliset ominaisuudet ohjaavat luokittelup\u00e4\u00e4t\u00f6ksi\u00e4.<\/p>\n

        ii. Tukivektorikone (SVM)<\/strong> l\u00f6yt\u00e4\u00e4 optimaalisen rajan luokkien v\u00e4lille korkeaulotteisessa ominaisuusavaruudessa. SVM toimii hyvin, kun harjoitusdataa on rajoitetusti, mik\u00e4 tekee siit\u00e4 hy\u00f6dyllisen datapulan alueilla, joilla totuudenmukaisen tiedon ker\u00e4\u00e4minen on kallista.<\/p>\n

        iii. Syv\u00e4oppiminen<\/strong>, erityisesti konvoluutiohermoverkot (CNN) ja rekurrenttihermoverkot (RNN), kuten pitk\u00e4n lyhytkestoisen muistin (LSTM) arkkitehtuurit, voivat oppia samanaikaisesti sek\u00e4 yksitt\u00e4isten kuvien spatiaalisia kuvioita ett\u00e4 ajallisia kuvioita kuvasarjojen v\u00e4lill\u00e4. Satelliittiaikasarjoihin sovelletut LSTM-pohjaiset luokittelijat ovat saavuttaneet huippuluokan tarkkuuden riisikartoitusteht\u00e4viss\u00e4, ja useissa tutkimuksissa on raportoitu kokonaistarkkuuksia, jotka ovat yli 90% alueellisella tasolla.<\/p>\n

        Xiao ym. (International Journal of Applied Earth Observation and Geoinformation, 2025) osoittivat, ett\u00e4 Sentinel-1:n ja Sentinel-2:n yhdistetyill\u00e4 aikasarjatiedoilla koulutettu LSTM-syv\u00e4oppimismalli kartoitti riisin kulttuurityyppej\u00e4 kolmessa Etel\u00e4-Aasian maassa kokonaistarkkuus 91,7% ja kappa-kerroin 0,89<\/strong>, p\u00e4ihitt\u00e4en Random Forestin 6,4 prosenttiyksik\u00f6ll\u00e4 samoissa harjoitusdataolosuhteissa.<\/p>\n

        Laaja-alaisessa riisin kulttuurityyppikartoituksessa, jossa harjoitusdatan ker\u00e4\u00e4minen on mahdollista, LSTM-pohjaiset syv\u00e4oppimisluokittelijat ovat nyt vertailumenetelm\u00e4, ja niiden tulisi olla oletusvalinta uusille kansallisille kartoitusohjelmille.<\/p>\n

        4. Objektipohjainen kuva-analyysi (OBIA)<\/h3>\n

        Objektipohjainen kuva-analyysi (OBIA)<\/strong> toimii ryhmittelem\u00e4ll\u00e4 samanlaisten spektraalisten ja spatiaalisten ominaisuuksien omaavat vierekk\u00e4iset pikselit objekteiksi (segmenteiksi) ennen niiden luokittelua sen sijaan, ett\u00e4 luokiteltaisiin jokainen pikseli erikseen.<\/p>\n

        Riisikartoituksessa OBIA on arvokas, koska se voi sis\u00e4llytt\u00e4\u00e4 luokitteluun muodon, rakenteen ja kontekstin, erottaen riisipellon samanv\u00e4risest\u00e4 vesist\u00f6st\u00e4 paddyn s\u00e4\u00e4nn\u00f6llisen suorakulmaisen geometrian perusteella.<\/p>\n

        OBIA on erityisen tehokas eritt\u00e4in korkealla spatiaalisella resoluutiolla, kuten kaupallisten satelliittien 1\u20135 metrin resoluutiolla ker\u00e4\u00e4m\u00e4ss\u00e4 datassa tai miehitt\u00e4m\u00e4tt\u00f6mien ilma-alusten kuvissa.<\/p>\n

        5. Muutosten havaitsemistekniikat<\/h3>\n

        Muutosten havaitseminen tunnistaa alueet, joilla maank\u00e4ytt\u00f6 on muuttunut kahden tai useamman p\u00e4iv\u00e4m\u00e4\u00e4r\u00e4n v\u00e4lill\u00e4. Riisij\u00e4rjestelm\u00e4n seurannassa muutosten havaitsemisella on kaksi tarkoitusta: seurata riisinviljelyalan laajenemista tai supistumista vuodesta toiseen ilmaston tai taloudellisten tekij\u00f6iden seurauksena ja tunnistaa kesken kauden tapahtuvia muutoksia, kuten sadon ep\u00e4onnistumista, viljelyst\u00e4 luopumista tai odottamattomia tulvia.<\/p>\n

        Kahden ajankohdan suora vertailu on yksinkertainen menetelm\u00e4, mutta se on altis vuosien v\u00e4lisille fenologisille eroille. Usean ajankohdan muutosten havaitseminen kokonaisissa vuosikertomuksissa on luotettavampaa ja voi erottaa todelliset maank\u00e4yt\u00f6n muutokset kausittaisesta fenologisesta vaihtelusta.<\/p>\n

        Tarkkuuden arviointi ja validointi<\/h2>\n

        1. Ground Truth -tiedonkeruu<\/h3>\n

        Jokainen riisikartoitustuote vaatii validoinnin itsen\u00e4isesti ker\u00e4ttyj\u00e4 kentt\u00e4havaintoja vasten. Maastokartoitustiedot sis\u00e4lt\u00e4v\u00e4t tyypillisesti GPS-pohjaisia kentt\u00e4k\u00e4yntej\u00e4, joissa koulutetut tilastoijat kirjaavat satotyypin, kasvuvaiheen, vedenhallinnan tilan ja vakiintumismenetelm\u00e4n tilastollisesti edustavasta otoksesta paikkoja. N\u00e4m\u00e4 havainnot ker\u00e4t\u00e4\u00e4n ajallisesti samaan aikaan satelliittihavaintojen kanssa, eiv\u00e4tk\u00e4 ne sis\u00e4lly mallin koulutukseen ja niit\u00e4 k\u00e4ytet\u00e4\u00e4n yksinomaan tarkkuuden arviointiin.<\/p>\n

        2. Luokittelun tarkkuusmittarit<\/h3>\n

        Riisikohtaisissa sovelluksissa F1-pistem\u00e4\u00e4r\u00e4, joka tasapainottaa tuottajan ja k\u00e4ytt\u00e4j\u00e4n tarkkuuden kullekin luokalle, raportoidaan yh\u00e4 useammin Kappan rinnalla informatiivisempana yhden numeron suorituskykyyhteenvetona. Karttatarkkuuden arvioinnin vakiomittareita ovat mm.<\/p>\n

          \n
        • kokonaistarkkuus (kaikkien oikein luokiteltujen validointipisteiden prosenttiosuus),<\/li>\n
        • tuottajan tarkkuus (todenn\u00e4k\u00f6isyys sille, ett\u00e4 tietyn todellisen luokan kentt\u00e4 on kartoitettu oikein, analogisesti palautuksen kanssa),<\/li>\n
        • k\u00e4ytt\u00e4j\u00e4n tarkkuus (todenn\u00e4k\u00f6isyys sille, ett\u00e4 tiettyyn luokkaan yhdistetty kentt\u00e4 on itse asiassa kyseinen luokka, analogisesti tarkkuuden kanssa), ja<\/li>\n
        • Kappa-kerroin (sattumanvaraisella yht\u00e4pit\u00e4vyydell\u00e4 korjattu yht\u00e4pit\u00e4vyyden mittari, jossa yli 0,80:n arvot osoittavat vahvaa yht\u00e4pit\u00e4vyytt\u00e4).<\/li>\n<\/ul>\n

          3. Viljelymallien ja kulttuurityyppien karttojen validointi<\/h3>\n

          Viljelykuviokarttojen validointi edellytt\u00e4\u00e4 usean aikajanan maastotietoja, joihin kuuluu kentt\u00e4k\u00e4yntej\u00e4 useissa pisteiss\u00e4 viljelykalenterin aikana sen varmistamiseksi, kuinka monena kaudella sato todellisuudessa korjattiin vuodessa kullakin validointipaikalla.<\/p>\n

          Viljelystyypin validointi, jossa erotetaan istutetut ja suorakylvetyt kasvit tai keinokastellut ja sadekastellut kasvit, on vaativampaa, koska n\u00e4m\u00e4 erot eiv\u00e4t aina ole visuaalisesti ilmeisi\u00e4 pellolla ja vaativat viljelij\u00f6iden haastatteluja tai hoitotapahtumien suoraa havainnointia kasvukauden herkkien ikkunoiden aikana.<\/p>\n

          Kansalliset maataloustilastot, vaikka ne usein kootaankin maakunta- tai piirikuntatasolla, tarjoavat lis\u00e4kerroksen pinta-ala-arvioiden validointia, jonka avulla karttasummia voidaan verrata virallisiin raportoituihin lukuihin.<\/p>\n

          Sovellukset koko maatalousj\u00e4rjestelm\u00e4ss\u00e4<\/h2>\n

          1. Maataloussuunnittelu ja -politiikan kehitt\u00e4minen<\/h3>\n

          Kaukokartoituksesta saadut riisinviljelykartat antavat maatalousministeri\u00f6ille tarvittavan alueellisen tarkkuuden kohdennettujen toimenpiteiden suunnitteluun. Yhden viljelykasvin sadevesiviljelyalueiksi tunnistetut alueet voidaan priorisoida pienimuotoisen kastelun kehitt\u00e4misess\u00e4; kolmen viljelykasvin alueita, joilla sadot laskevat, voidaan tutkia maaper\u00e4n huonontumisen tai pohjaveden ehtymisen varalta.<\/p>\n

          2. Riisin tuotannon arviointi<\/h3>\n

          Yhdist\u00e4m\u00e4ll\u00e4 kaukokartoituksesta saatuja riisipinta-alakarttoja satoarviointimalleihin, kuten s\u00e4\u00e4datoihin perustuviin kasvusimulaatioihin, voidaan tuottaa alueellisia ja kansallisia tuotantoennusteita viikkoja tai kuukausia ennen sadonkorjuuta.<\/p>\n

          Aasian kehityspankin elintarviketurvallisuuden hallintapaneeli ja FAO:n maailmanlaajuinen tieto- ja varhaisvaroitusj\u00e4rjestelm\u00e4 (GIEWS) hy\u00f6dynt\u00e4v\u00e4t molemmat satelliittipohjaisia riisinviljelyalatietoja sadonkorjuuta edelt\u00e4vien tuotantoarvioiden luomiseksi, ja niiden tarkkuus on osoitettu paremmaksi kuin kyselytutkimuksiin perustuvissa l\u00e4hestymistavoissa.<\/p>\n

          3. Vesivarojen hallinta<\/h3>\n

          Kasteltu riisi on Aasian suurin yksitt\u00e4inen makean veden kuluttaja, ja se vastaa noin 401 300 000 tonnin maatalouden vedenkulutuksesta esimerkiksi Intiassa ja Bangladeshissa.<\/p>\n

          Satelliittipohjaisen riisikartoituksen arvokkain tuotos ei ole itse kartta, vaan sen mahdollistama p\u00e4\u00e4t\u00f6s siit\u00e4, rakennetaanko kanava, suljetaanko kaivo vai ohjataanko tuki uudelleen.<\/p><\/blockquote>\n

          Sen tarkka tunteminen, miss\u00e4 keinokasteltua riisi\u00e4 viljell\u00e4\u00e4n, kuinka monta vuodenaikaa sit\u00e4 kastellaan ja mill\u00e4 pelloilla k\u00e4ytet\u00e4\u00e4n tehokkaita vedenhallintamenetelmi\u00e4, kuten AWD:t\u00e4, tukee suoraan jokien valuma-alueiden suunnittelua, tekoaltaiden toiminnan aikataulutusta ja pohjaveden kest\u00e4vyyden arviointeja.<\/p>\n

          4. Elintarviketurvallisuuden seuranta<\/h3>\n

          Elintarviketurvattomuuden varhaisvaroitusj\u00e4rjestelm\u00e4t ovat riippuvaisia satovirheiden nopeasta havaitsemisesta. Kun riisialueet eiv\u00e4t saavuta t\u00e4ytt\u00e4 kasvusykli\u00e4, satelliittipohjainen seuranta havaitsee poikkeavuuden puuttuvana tai lyhentyneen\u00e4 fenologisena huippuna odotetun kausittaisen ikkunan sis\u00e4ll\u00e4. USAIDin tukema FEWS NET (Famine Early Warning Systems Network) k\u00e4ytt\u00e4\u00e4 satelliittien kasvillisuusdataa, mukaan lukien riisikohtaista seurantaa, tuottaakseen elintarviketurvah\u00e4lytyksi\u00e4 Aasiassa ja Afrikassa.<\/p>\n

          5. Ilmastonmuutoksen vaikutusten arviointi<\/h3>\n

          Landsat-satelliitin pitk\u00e4aikaiset riisinviljelykartta-arkistot, jotka kattavat v\u00e4hint\u00e4\u00e4n 20 vuoden ajalta, paljastavat, miten riisin viljelyalueet, vuodenajat ja sadot ovat muuttuneet muuttuvien l\u00e4mp\u00f6tila- ja sadem\u00e4\u00e4r\u00e4olosuhteiden mukaan. N\u00e4m\u00e4 historialliset trendikartat tarjoavat empiirist\u00e4 n\u00e4ytt\u00f6\u00e4 ilmastonmuutoksen vaikutuksista riisiviljelyj\u00e4rjestelmiin ja toimivat l\u00e4ht\u00f6tietoina tulevaisuuden maatalouden riskien ennustamiseen erilaisissa l\u00e4mpenemisskenaarioissa.<\/p>\n

          7. Tarkkuusviljelyn sovellukset<\/h3>\n

          Maatilatasolla miehitt\u00e4m\u00e4tt\u00f6mien ilma-alusten avulla teht\u00e4v\u00e4 riisin viljelytyypin kartoitus yhdistettyn\u00e4 peltotason maaper\u00e4- ja vesitietoihin tukee tarkkoja hallintap\u00e4\u00e4t\u00f6ksi\u00e4, kuten vaihtelevan m\u00e4\u00e4r\u00e4n lannoitetta, paikkakohtaista tuholaistorjuntaa ja optimoitua istutusp\u00e4ivien ajoitusta. N\u00e4m\u00e4 sovellukset kehittyv\u00e4t t\u00e4ll\u00e4 hetkell\u00e4 nopeasti Japanissa, Etel\u00e4-Koreassa ja osissa Kiinaa, miss\u00e4 riisinviljely on pitk\u00e4lle koneellistettua ja k\u00e4ytett\u00e4viss\u00e4 on datainfrastruktuuri kaukokartoitustulosten linkitt\u00e4miseksi maatilan hallintaj\u00e4rjestelmiin.<\/p>\n

          Riisin kartoitusta rajoittavat haasteet ja rajoitukset<\/h2>\n

          1. Pilvipeite ja datan saatavuus<\/h3>\n

          Jatkuva pilvipeite monsuunikauden aikana, jolloin suuri osa Aasian riisist\u00e4 viljell\u00e4\u00e4n, rajoittaa merkitt\u00e4v\u00e4sti k\u00e4ytt\u00f6kelpoisten optisten havaintojen m\u00e4\u00e4r\u00e4\u00e4. Joillakin alueilla pilvikontaminaatio v\u00e4hent\u00e4\u00e4 k\u00e4ytett\u00e4viss\u00e4 olevien Sentinel-2-havaintojen m\u00e4\u00e4r\u00e4n kriittisen istutuskauden ja varhaisen kasvukauden aikana alle kahteen kuukaudessa. SAR-tiedot lievent\u00e4v\u00e4t, mutta eiv\u00e4t poista t\u00e4t\u00e4 ongelmaa, koska rankkasateet voivat tilap\u00e4isesti kyll\u00e4st\u00e4\u00e4 tutkasignaalin.<\/p>\n

          2. Sekalaiset pikselit ja pienet kentt\u00e4koot<\/h3>\n

          Alueilla, joilla riisipellot ovat anturin spatiaalista resoluutiota pienempi\u00e4, yksi pikseli tallentaa sekoituksen riisi\u00e4 ja muuta maapeitett\u00e4, mik\u00e4 tekee luokittelusta ep\u00e4selv\u00e4n. Yl\u00e4maiden riisiviljelyj\u00e4rjestelm\u00e4t m\u00e4kisess\u00e4 maastossa ja puutarhamittakaavan pellot osissa Indonesiaa ja Filippiinej\u00e4 tuottavat rutiininomaisesti sekapikseleit\u00e4 jopa Sentinel-2:n 10 metrin resoluutiolla, mik\u00e4 rajoittaa pikselipohjaisten menetelmien k\u00e4ytt\u00f6\u00e4 n\u00e4iss\u00e4 ymp\u00e4rist\u00f6iss\u00e4.<\/p>\n

          3. Kasvilajikkeiden spektraalinen ja ajallinen samankaltaisuus<\/h3>\n

          Jotkin viljelykasvit, erityisesti sokeriruoko, juutti ja tietyt ruohoalueet, tuottavat NDVI- tai EVI-aikasarjoissa riisin kaltaisia fenologisia k\u00e4yri\u00e4, mik\u00e4 johtaa luokittelusekaannukseen. SAR-pohjainen tulvien havaitseminen v\u00e4hent\u00e4\u00e4 t\u00e4t\u00e4 sekaannusta alankomaiden riisin kohdalla, mutta yl\u00e4ng\u00f6ill\u00e4 sijaitsevia riisij\u00e4rjestelmi\u00e4, joissa ei ole tulvineita peltoja, on edelleen vaikea erottaa spektraalisesti samankaltaisista viljelykasveista ilman lis\u00e4tietoja kentt\u00e4datasta tai muita maantieteellisi\u00e4 tietoja.<\/p>\n

          4. Ajalliset resoluutiorajoitukset<\/h3>\n

          Riisin viljelymallin ja viljelytyypin kartoitus kaukokartoituksella vaatii tihe\u00e4\u00e4 ajallista n\u00e4ytteenottoa, mieluiten v\u00e4hint\u00e4\u00e4n yhden havainnon 8\u201310 p\u00e4iv\u00e4n v\u00e4lein koko kasvukauden ajan. Kun pilvipeite tai satelliittien kiertoratojen aukot pienent\u00e4v\u00e4t t\u00e4t\u00e4 ajallista tiheytt\u00e4, lyhytkestoiset riisilajikkeet tai nopeasti vaihtuvat kolmen sadon kaudet voivat j\u00e4\u00e4d\u00e4 kokonaan huomaamatta automaattisilla tunnistusalgoritmeilla.<\/p>\n

          5. Maanpinnan tietojen rajoitukset<\/h3>\n

          Korkealaatuisen, merkityn koulutusdatan eli tunnettuihin viljelykasvityyppeihin ja hoitok\u00e4yt\u00e4nt\u00f6ihin sovitettujen kentt\u00e4havaintojen ker\u00e4\u00e4minen on edelleen kallista ja logistisesti vaikeaa siin\u00e4 mittakaavassa, jota tarvitaan kansallisten kartoitusj\u00e4rjestelmien kouluttamiseen ja validointiin. Monissa pienituloisissa riisintuotantomaissa j\u00e4rjestelm\u00e4llisen maastodatan ker\u00e4\u00e4misen inhimilliset ja taloudelliset resurssit ovat suurin yksitt\u00e4inen rajoite kartoitustarkkuuden parantamiselle.<\/p>\n

          Riisin seurannan uudet trendit ja tulevaisuus<\/h2>\n

          1. Miehitt\u00e4m\u00e4tt\u00f6mien ilma-alusten ja dronejen avulla teht\u00e4v\u00e4 riisin seuranta<\/h3>\n

          Miehitt\u00e4m\u00e4tt\u00f6m\u00e4t ilma-alukset (UAV), jotka on varustettu monispektri- ja l\u00e4mp\u00f6antureilla, tuottavat nyt senttimetritason kuvia yksitt\u00e4isten tilojen ylt\u00e4, selvitt\u00e4en peltojen rajat, viljelykasvien rivit ja jopa yksitt\u00e4isten kasvien terveydentilan. Miehitt\u00e4m\u00e4tt\u00f6m\u00e4t ilma-alukset toimivat siltana satelliittimittakaavan kartoituksen ja yksitt\u00e4isten kasvien havainnoinnin v\u00e4lill\u00e4, ja ne tarjoavat eritt\u00e4in korkean resoluution maastotietoja, joita tarvitaan satelliittipohjaisten mallien kouluttamiseen ja validointiin pirstaloituneissa maisemaymp\u00e4rist\u00f6iss\u00e4.<\/p>\n

          2. Teko\u00e4ly ja syv\u00e4oppiminen riisin luokittelussa<\/h3>\n

          Satelliittikuvien aikasarjoihin sovelletut konvoluutioneuroverkot yhdistettyn\u00e4 luonnollisen kielen prosessoinnista mukautettuihin muuntaja-arkkitehtuureihin saavuttavat t\u00e4ll\u00e4 hetkell\u00e4 kaikkien aikojen korkeimmat riisin luokittelutarkkuudet.<\/p>\n

          Wageningenin yliopiston tutkijoiden vuonna 2024 julkaisema PRISM-kehys (Phenology-based Rice crop Identification System using Multisource data) osoitti, ett\u00e4 itseohjattu oppiminen merkitsem\u00e4tt\u00f6miss\u00e4 satelliittiarkistoissa voi esiopettaa riisin luokittelumalleja, jotka vaativat vain v\u00e4h\u00e4n merkittyj\u00e4 maastotietoja hienos\u00e4\u00e4t\u00f6\u00e4 varten, mik\u00e4 v\u00e4hent\u00e4\u00e4 merkitt\u00e4v\u00e4sti kentt\u00e4tutkimuksen ty\u00f6m\u00e4\u00e4r\u00e4\u00e4.<\/p>\n

          3. L\u00e4hes reaaliaikaiset riisin seurantaj\u00e4rjestelm\u00e4t<\/h3>\n

          Toimivat l\u00e4hes reaaliaikaiset riisin seurantaj\u00e4rjestelm\u00e4t k\u00e4sittelev\u00e4t saapuvat satelliittitiedot automaattisesti, p\u00e4ivitt\u00e4v\u00e4t riisikarttoja 10\u201316 p\u00e4iv\u00e4n v\u00e4lein ja toimittavat h\u00e4lytyksi\u00e4 istutusp\u00e4ivist\u00e4, vesistressist\u00e4 ja sadonkorjuuajoituksesta suoraan hallituksen kojelaudoille tai viljelij\u00f6iden ja maatalousneuvojien k\u00e4ytt\u00e4miin mobiilisovelluksiin.<\/p>\n

          Thaimaan riisivirasto ja Vietnamin maatalousministeri\u00f6 k\u00e4ytt\u00e4v\u00e4t molemmat t\u00e4m\u00e4nkaltaisia prototyyppij\u00e4rjestelmi\u00e4, ja Kansainv\u00e4linen riisintutkimuslaitos tukee vastaavanlaisten valmiuksien kehitt\u00e4mist\u00e4 Bangladeshissa ja Kambod\u017eassa.<\/p>\n

          4. Satelliitti- ja IoT-datan integrointi<\/h3>\n

          Riisipelloille asennetut esineiden internetin (IoT) anturit mittaavat maaper\u00e4n kosteutta, vedenpintaa, l\u00e4mp\u00f6tilaa ja latvuston mikroilmastoa. Ne tuottavat jatkuvia maanpinnan tasolla olevia havaintoja, jotka t\u00e4ydent\u00e4v\u00e4t ja kalibroivat satelliittien kaukokartoitusdataa.<\/p>\n

          Kun IoT-anturiverkot ja satelliittihavainnot yhdistet\u00e4\u00e4n datafuusiokehyksiss\u00e4, tuloksena oleva valvontaj\u00e4rjestelm\u00e4 voi havaita vesistressin, tulvien alkamisen ja tautipaineen suuremmalla varmuudella ja aikaisemmin kuin kumpikaan l\u00e4hde tarjoaa erikseen.<\/p>\n

          5. Digitaalinen maatalous ja \u00e4lyk\u00e4s maanviljely<\/h3>\n

          Satelliittipohjaisen riisinviljelyn, IoT-mittausten ja teko\u00e4lypohjaisen p\u00e4\u00e4t\u00f6ksenteon tuen l\u00e4hentyminen luo perustan \u00e4lykk\u00e4\u00e4lle riisinviljelylle, jossa kastelun ajoituksesta lannoitteiden levitykseen teht\u00e4v\u00e4t p\u00e4\u00e4t\u00f6kset perustuvat paikkatietoihin, l\u00e4hes reaaliaikaisiin tietovirtoihin eik\u00e4 kalenteripohjaisiin nyrkkis\u00e4\u00e4nt\u00f6ihin.<\/p>\n

          Japanin Niigatan prefektuurissa ja Kiinan Heilongjiangin maakunnassa toteutetut pilottihankkeet ovat osoittaneet, ett\u00e4 kaukokartoitukseen perustuva riisin t\u00e4sm\u00e4viljely voi v\u00e4hent\u00e4\u00e4 tuotantokustannuksia 15-25%<\/strong> samalla kun sadot s\u00e4ilyv\u00e4t ennallaan tai paranevat, vuoden 2024 alustavien kentt\u00e4koeraporttien mukaan.<\/p>\n

          Johtop\u00e4\u00e4t\u00f6s<\/h2>\n

          Riisin viljelymallin ja kulttuurityypin kartoittaminen kaukokartoituksen avulla on kypsynyt akateemisesta tutkimusalasta operatiiviseksi ty\u00f6kaluksi, jota hallitukset, kansainv\u00e4liset j\u00e4rjest\u00f6t ja maatalousteknologia-alustat k\u00e4ytt\u00e4v\u00e4t kaikkialla Aasiassa ja muualla. Usean anturin aikasarjamenetelm\u00e4t, jotka yhdist\u00e4v\u00e4t optista ja SAR-dataa, jota k\u00e4sitell\u00e4\u00e4n koneoppimisen ja syv\u00e4oppimisen luokittelijoiden avulla, tuottavat nyt rutiininomaisesti kansallisen mittakaavan riisialuekarttoja, joiden kokonaistarkkuus ylitt\u00e4\u00e4 85\u201390%. N\u00e4m\u00e4 kartat eiv\u00e4t ainoastaan selvit\u00e4, miss\u00e4 riisi kasvaa, vaan my\u00f6s kuinka monta kertaa vuodessa, mill\u00e4 vesij\u00e4rjestelm\u00e4ll\u00e4 ja mill\u00e4 istutusmenetelm\u00e4ll\u00e4.<\/p>\n

          Siirtyminen yksinkertaisesta riisialueiden kartoituksesta kulttuurityyppiluokitukseen muuttaa maapeitetuotteen maataloudelliseksi tiedusteluresurssiksi. Tieto siit\u00e4, ett\u00e4 alue on siirtynyt istutetusta riisist\u00e4 suoraan kylvettyyn riisiin yli vuosikymmenen aikana, viestii samanaikaisesti ty\u00f6markkinoiden muutoksista ja pohjaveden pinnan ehtymisest\u00e4. Sen tiet\u00e4minen, mitk\u00e4 sadevesialueet ovat alttiimpia alkukauden kuivuusjaksoille, ja niiden tunnistaminen ajallisten spektrikuvioiden perusteella mahdollistaa ennalta m\u00e4\u00e4ritellyn kuivuusreagoinnin reaktiivisen katastrofiavun sijaan. Kaukokartoitus mahdollistaa t\u00e4m\u00e4n tason paikkatietoisuuden murto-osalla vastaavien maastokartoitusohjelmien kustannuksista.<\/p>","protected":false},"excerpt":{"rendered":"

          Riisi ruokkii yli 3,5 miljardia ihmist\u00e4 maailmanlaajuisesti, mutta alle 601 000 000 riisinviljelyalueesta on olemassa tarkkoja ja ajantasaisia viljelykarttoja, kertoo International Rice\u2026<\/p>","protected":false},"author":210249433,"featured_media":13326,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_coblocks_attr":"","_coblocks_dimensions":"","_coblocks_responsive_height":"","_coblocks_accordion_ie_support":"","_eb_attr":"","content-type":"","_jetpack_newsletter_access":"","_jetpack_dont_email_post_to_subs":false,"_jetpack_newsletter_tier_id":0,"_jetpack_memberships_contains_paywalled_content":false,"_jetpack_feature_clip_id":0,"_jetpack_memberships_contains_paid_content":false,"footnotes":"","jetpack_publicize_message":"{title}\n\n{excerpt}\n\n{url}","jetpack_publicize_feature_enabled":true,"jetpack_social_post_already_shared":true,"jetpack_social_options":{"image_generator_settings":{"template":"highway","default_image_id":0,"font":"","enabled":false},"version":2},"_wpas_customize_per_network":false,"jetpack_post_was_ever_published":false},"categories":[1378],"tags":[],"class_list":["post-13324","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-remote-sensing"],"acf":[],"yoast_head":"\nMapping Rice Cropping Pattern and Cultural Type Using Remote Sensing - GeoPard Agriculture<\/title>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/geopard.tech\/fin\/blogi\/riisin-viljelykuvion-ja-kulttuurityypin-kartoitus-kaukokartoituksen-avulla\/\" \/>\n<meta property=\"og:locale\" content=\"fi_FI\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Mapping Rice Cropping Pattern and Cultural Type Using Remote Sensing - GeoPard Agriculture\" \/>\n<meta property=\"og:description\" content=\"Rice feeds more than 3.5 billion people globally, yet less than 60% of rice-growing areas have accurate, up-to-date cultivation maps, according to the International Rice...\" \/>\n<meta property=\"og:url\" content=\"https:\/\/geopard.tech\/fin\/blogi\/riisin-viljelykuvion-ja-kulttuurityypin-kartoitus-kaukokartoituksen-avulla\/\" \/>\n<meta property=\"og:site_name\" content=\"GeoPard - Precision agriculture Mapping software\" \/>\n<meta property=\"article:publisher\" content=\"https:\/\/www.facebook.com\/geopardAgriculture\/\" \/>\n<meta property=\"article:published_time\" content=\"2026-05-31T18:21:25+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2026-05-31T18:47:12+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/geopard.tech\/wp-content\/uploads\/2026\/05\/Mapping-Rice-Cropping-Pattern-and-Cultural-Type-Using-Remote-Sensing-1024x576.png\" \/>\n\t<meta property=\"og:image:width\" content=\"1024\" \/>\n\t<meta property=\"og:image:height\" content=\"576\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/png\" \/>\n<meta name=\"author\" content=\"Muhammad Farjad\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:creator\" content=\"@geopardagri\" \/>\n<meta name=\"twitter:site\" content=\"@geopardagri\" \/>\n<meta name=\"twitter:label1\" content=\"Kirjoittanut\" \/>\n\t<meta name=\"twitter:data1\" content=\"Muhammad Farjad\" \/>\n\t<meta name=\"twitter:label2\" content=\"Arvioitu lukuaika\" \/>\n\t<meta name=\"twitter:data2\" content=\"26 minuuttia\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\\\/#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\\\/\"},\"author\":{\"name\":\"Muhammad Farjad\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/#\\\/schema\\\/person\\\/123c5562fb47aa8cf3aa81ae91e5e935\"},\"headline\":\"Mapping Rice Cropping Pattern and Cultural Type Using Remote Sensing\",\"datePublished\":\"2026-05-31T18:21:25+00:00\",\"dateModified\":\"2026-05-31T18:47:12+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\\\/\"},\"wordCount\":5536,\"commentCount\":0,\"publisher\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/#organization\"},\"image\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/i0.wp.com\\\/geopard.tech\\\/wp-content\\\/uploads\\\/2026\\\/05\\\/Mapping-Rice-Cropping-Pattern-and-Cultural-Type-Using-Remote-Sensing.png?fit=1920%2C1080&ssl=1\",\"articleSection\":[\"Remote Sensing\"],\"inLanguage\":\"fi\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\\\/\\\/geopard.tech\\\/blog\\\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\\\/#respond\"]}]},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\\\/\",\"url\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\\\/\",\"name\":\"Mapping Rice Cropping Pattern and Cultural Type Using Remote Sensing - GeoPard Agriculture\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\\\/#primaryimage\"},\"image\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/i0.wp.com\\\/geopard.tech\\\/wp-content\\\/uploads\\\/2026\\\/05\\\/Mapping-Rice-Cropping-Pattern-and-Cultural-Type-Using-Remote-Sensing.png?fit=1920%2C1080&ssl=1\",\"datePublished\":\"2026-05-31T18:21:25+00:00\",\"dateModified\":\"2026-05-31T18:47:12+00:00\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\\\/#breadcrumb\"},\"inLanguage\":\"fi\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/geopard.tech\\\/blog\\\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\\\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"fi\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\\\/#primaryimage\",\"url\":\"https:\\\/\\\/i0.wp.com\\\/geopard.tech\\\/wp-content\\\/uploads\\\/2026\\\/05\\\/Mapping-Rice-Cropping-Pattern-and-Cultural-Type-Using-Remote-Sensing.png?fit=1920%2C1080&ssl=1\",\"contentUrl\":\"https:\\\/\\\/i0.wp.com\\\/geopard.tech\\\/wp-content\\\/uploads\\\/2026\\\/05\\\/Mapping-Rice-Cropping-Pattern-and-Cultural-Type-Using-Remote-Sensing.png?fit=1920%2C1080&ssl=1\",\"width\":1920,\"height\":1080,\"caption\":\"Mapping Rice-Cropping Pattern and Cultural Type Using Remote Sensing\"},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\\\/\\\/geopard.tech\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Mapping Rice Cropping Pattern and Cultural Type Using Remote Sensing\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/#website\",\"url\":\"https:\\\/\\\/geopard.tech\\\/\",\"name\":\"GeoPard - Precision agriculture software\",\"description\":\"Precision agriculture Mapping software\",\"publisher\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/#organization\"},\"alternateName\":\"GeoPard\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/geopard.tech\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"fi\"},{\"@type\":\"Organization\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/#organization\",\"name\":\"GeoPard Agriculture\",\"alternateName\":\"GeoPard\",\"url\":\"https:\\\/\\\/geopard.tech\\\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"fi\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/#\\\/schema\\\/logo\\\/image\\\/\",\"url\":\"https:\\\/\\\/i0.wp.com\\\/geopard.tech\\\/wp-content\\\/uploads\\\/2022\\\/03\\\/favicon.png?fit=200%2C200&ssl=1\",\"contentUrl\":\"https:\\\/\\\/i0.wp.com\\\/geopard.tech\\\/wp-content\\\/uploads\\\/2022\\\/03\\\/favicon.png?fit=200%2C200&ssl=1\",\"width\":200,\"height\":200,\"caption\":\"GeoPard Agriculture\"},\"image\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/#\\\/schema\\\/logo\\\/image\\\/\"},\"sameAs\":[\"https:\\\/\\\/www.facebook.com\\\/geopardAgriculture\\\/\",\"https:\\\/\\\/x.com\\\/geopardagri\",\"https:\\\/\\\/www.linkedin.com\\\/company\\\/geopard-agriculture\\\/\",\"https:\\\/\\\/www.instagram.com\\\/geopardagriculture\\\/\"]},{\"@type\":\"Person\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/#\\\/schema\\\/person\\\/123c5562fb47aa8cf3aa81ae91e5e935\",\"name\":\"Muhammad Farjad\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"fi\",\"@id\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/51b9af87d9b0801ae1c0ab294a0f06eb669f60d5168f33394aeeca9de86537bb?s=96&d=identicon&r=g\",\"url\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/51b9af87d9b0801ae1c0ab294a0f06eb669f60d5168f33394aeeca9de86537bb?s=96&d=identicon&r=g\",\"contentUrl\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/51b9af87d9b0801ae1c0ab294a0f06eb669f60d5168f33394aeeca9de86537bb?s=96&d=identicon&r=g\",\"caption\":\"Muhammad Farjad\"},\"url\":\"#\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Riisin viljelykuvion ja kulttuurityypin kartoitus kaukokartoituksen avulla - GeoPard Agriculture","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/geopard.tech\/fin\/blogi\/riisin-viljelykuvion-ja-kulttuurityypin-kartoitus-kaukokartoituksen-avulla\/","og_locale":"fi_FI","og_type":"article","og_title":"Mapping Rice Cropping Pattern and Cultural Type Using Remote Sensing - GeoPard Agriculture","og_description":"Rice feeds more than 3.5 billion people globally, yet less than 60% of rice-growing areas have accurate, up-to-date cultivation maps, according to the International Rice...","og_url":"https:\/\/geopard.tech\/fin\/blogi\/riisin-viljelykuvion-ja-kulttuurityypin-kartoitus-kaukokartoituksen-avulla\/","og_site_name":"GeoPard - Precision agriculture Mapping software","article_publisher":"https:\/\/www.facebook.com\/geopardAgriculture\/","article_published_time":"2026-05-31T18:21:25+00:00","article_modified_time":"2026-05-31T18:47:12+00:00","og_image":[{"width":1024,"height":576,"url":"https:\/\/geopard.tech\/wp-content\/uploads\/2026\/05\/Mapping-Rice-Cropping-Pattern-and-Cultural-Type-Using-Remote-Sensing-1024x576.png","type":"image\/png"}],"author":"Muhammad Farjad","twitter_card":"summary_large_image","twitter_creator":"@geopardagri","twitter_site":"@geopardagri","twitter_misc":{"Kirjoittanut":"Muhammad Farjad","Arvioitu lukuaika":"26 minuuttia"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/geopard.tech\/blog\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\/#article","isPartOf":{"@id":"https:\/\/geopard.tech\/blog\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\/"},"author":{"name":"Muhammad Farjad","@id":"https:\/\/geopard.tech\/#\/schema\/person\/123c5562fb47aa8cf3aa81ae91e5e935"},"headline":"Mapping Rice Cropping Pattern and Cultural Type Using Remote Sensing","datePublished":"2026-05-31T18:21:25+00:00","dateModified":"2026-05-31T18:47:12+00:00","mainEntityOfPage":{"@id":"https:\/\/geopard.tech\/blog\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\/"},"wordCount":5536,"commentCount":0,"publisher":{"@id":"https:\/\/geopard.tech\/#organization"},"image":{"@id":"https:\/\/geopard.tech\/blog\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\/#primaryimage"},"thumbnailUrl":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/05\/Mapping-Rice-Cropping-Pattern-and-Cultural-Type-Using-Remote-Sensing.png?fit=1920%2C1080&ssl=1","articleSection":["Remote Sensing"],"inLanguage":"fi","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/geopard.tech\/blog\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/geopard.tech\/blog\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\/","url":"https:\/\/geopard.tech\/blog\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\/","name":"Riisin viljelykuvion ja kulttuurityypin kartoitus kaukokartoituksen avulla - GeoPard Agriculture","isPartOf":{"@id":"https:\/\/geopard.tech\/#website"},"primaryImageOfPage":{"@id":"https:\/\/geopard.tech\/blog\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\/#primaryimage"},"image":{"@id":"https:\/\/geopard.tech\/blog\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\/#primaryimage"},"thumbnailUrl":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/05\/Mapping-Rice-Cropping-Pattern-and-Cultural-Type-Using-Remote-Sensing.png?fit=1920%2C1080&ssl=1","datePublished":"2026-05-31T18:21:25+00:00","dateModified":"2026-05-31T18:47:12+00:00","breadcrumb":{"@id":"https:\/\/geopard.tech\/blog\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\/#breadcrumb"},"inLanguage":"fi","potentialAction":[{"@type":"ReadAction","target":["https:\/\/geopard.tech\/blog\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\/"]}]},{"@type":"ImageObject","inLanguage":"fi","@id":"https:\/\/geopard.tech\/blog\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\/#primaryimage","url":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/05\/Mapping-Rice-Cropping-Pattern-and-Cultural-Type-Using-Remote-Sensing.png?fit=1920%2C1080&ssl=1","contentUrl":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/05\/Mapping-Rice-Cropping-Pattern-and-Cultural-Type-Using-Remote-Sensing.png?fit=1920%2C1080&ssl=1","width":1920,"height":1080,"caption":"Mapping Rice-Cropping Pattern and Cultural Type Using Remote Sensing"},{"@type":"BreadcrumbList","@id":"https:\/\/geopard.tech\/blog\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/geopard.tech\/"},{"@type":"ListItem","position":2,"name":"Mapping Rice Cropping Pattern and Cultural Type Using Remote Sensing"}]},{"@type":"WebSite","@id":"https:\/\/geopard.tech\/#website","url":"https:\/\/geopard.tech\/","name":"GeoPard - T\u00e4sm\u00e4viljelyohjelmisto","description":"Tarkkuusviljelyn kartoitusohjelmisto","publisher":{"@id":"https:\/\/geopard.tech\/#organization"},"alternateName":"GeoPard","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/geopard.tech\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"fi"},{"@type":"Organization","@id":"https:\/\/geopard.tech\/#organization","name":"GeoPard Maatalous","alternateName":"GeoPard","url":"https:\/\/geopard.tech\/","logo":{"@type":"ImageObject","inLanguage":"fi","@id":"https:\/\/geopard.tech\/#\/schema\/logo\/image\/","url":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2022\/03\/favicon.png?fit=200%2C200&ssl=1","contentUrl":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2022\/03\/favicon.png?fit=200%2C200&ssl=1","width":200,"height":200,"caption":"GeoPard Agriculture"},"image":{"@id":"https:\/\/geopard.tech\/#\/schema\/logo\/image\/"},"sameAs":["https:\/\/www.facebook.com\/geopardAgriculture\/","https:\/\/x.com\/geopardagri","https:\/\/www.linkedin.com\/company\/geopard-agriculture\/","https:\/\/www.instagram.com\/geopardagriculture\/"]},{"@type":"Person","@id":"https:\/\/geopard.tech\/#\/schema\/person\/123c5562fb47aa8cf3aa81ae91e5e935","name":"Muhammad Farjad","image":{"@type":"ImageObject","inLanguage":"fi","@id":"https:\/\/secure.gravatar.com\/avatar\/51b9af87d9b0801ae1c0ab294a0f06eb669f60d5168f33394aeeca9de86537bb?s=96&d=identicon&r=g","url":"https:\/\/secure.gravatar.com\/avatar\/51b9af87d9b0801ae1c0ab294a0f06eb669f60d5168f33394aeeca9de86537bb?s=96&d=identicon&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/51b9af87d9b0801ae1c0ab294a0f06eb669f60d5168f33394aeeca9de86537bb?s=96&d=identicon&r=g","caption":"Muhammad Farjad"},"url":"#"}]}},"jetpack_publicize_connections":[],"jetpack_featured_media_url":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/05\/Mapping-Rice-Cropping-Pattern-and-Cultural-Type-Using-Remote-Sensing.png?fit=1920%2C1080&ssl=1","jetpack_likes_enabled":true,"jetpack_sharing_enabled":true,"jetpack_shortlink":"https:\/\/wp.me\/pdiCPa-3sU","_links":{"self":[{"href":"https:\/\/geopard.tech\/fin\/wp-json\/wp\/v2\/posts\/13324","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/geopard.tech\/fin\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/geopard.tech\/fin\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/geopard.tech\/fin\/wp-json\/wp\/v2\/users\/210249433"}],"replies":[{"embeddable":true,"href":"https:\/\/geopard.tech\/fin\/wp-json\/wp\/v2\/comments?post=13324"}],"version-history":[{"count":0,"href":"https:\/\/geopard.tech\/fin\/wp-json\/wp\/v2\/posts\/13324\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/geopard.tech\/fin\/wp-json\/wp\/v2\/media\/13326"}],"wp:attachment":[{"href":"https:\/\/geopard.tech\/fin\/wp-json\/wp\/v2\/media?parent=13324"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/geopard.tech\/fin\/wp-json\/wp\/v2\/categories?post=13324"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/geopard.tech\/fin\/wp-json\/wp\/v2\/tags?post=13324"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}