Mapiranje obrasca uzgoja riže i kulturnog tipa pomoću daljinskog istraživanja

Riža hrani više od 3,5 milijardi ljudi diljem svijeta, no manje od 60% područja uzgoja riže ima točne, ažurirane karte uzgoja, prema ažuriranju globalnog atlasa riže Međunarodnog instituta za istraživanje riže (IRRI) za 2024. godinu. Mapiranje obrazaca uzgoja riže i kulturnog tipa pomoću daljinskog istraživanja brzo smanjuje tu prazninu pružajući prostorno precizne, vremenski konzistentne podatke u mjerilima kojima se nijedno terensko istraživanje ne može usporediti.

Od razlikovanja navodnjavanih nizinskih područja s dvostrukom poljoprivredom u vijetnamskoj delti Mekonga do identificiranja polja napajanih kišom u jednoj sezoni u subsaharskoj Africi, satelitski i radarski sustavi sada pružaju obavještajne podatke koji su poljoprivrednicima, vladama i agencijama za sigurnost hrane potrebni za pouzdano planiranje. Kako umjetna inteligencija i računarstvo u oblaku ubrzavaju obradu podataka, očekuje se da će praćenje riže u gotovo stvarnom vremenu postati globalni standard do 2027. godine.

Zašto je riža važna i zašto je njezino praćenje teško

1. Proizvodnja riže i jednadžba globalne sigurnosti hrane

Riža je glavna kalorijska namirnica za više od polovice svjetske populacije, a njezina važnost daleko nadilazi individualnu prehranu. Globalna proizvodnja riže dosegla je otprilike 520 milijuna metričkih tona mljevene riže u 2024. godini, prema podacima FAO-a, pri čemu Azija čini gotovo 90% te proizvodnje.

Svaki značajan poremećaj u opskrbi rižom, bilo zbog suše, poplave, pojave štetočina ili neuspjeha politike, izaziva brze šokove cijena hrane koji nesrazmjerno pogađaju najsiromašnija kućanstva u svijetu.

Održavanje sigurnosti hrane u ovim razmjerima zahtijeva više od pukog uzgoja dovoljne količine riže. Potrebno je točno znati gdje se riža uzgaja, koliko puta godišnje se svako polje obrađuje i koje se poljoprivredne prakse koriste. Vladama su potrebni ovi podaci za dodjelu infrastrukture za navodnjavanje, subvencioniranje ulaganja i izgradnju rezervi za hitne slučajeve.

Izazov je što se riža uzgaja u izvanredno fragmentiranim krajolicima, od terasastih padina na Filipinima do prostranih navodnjavanih ravnica u Kini, što konvencionalna istraživanja polja po polja čini logistički i financijski nepraktičnima na nacionalnoj ili regionalnoj razini.

2. Potreba za sustavnim praćenjem obrazaca uzgoja riže

Obrasci uzgoja riže, što znači broj sezona uzgoja riže godišnje i način na koji su raspoređeni po krajoliku, stalno se mijenjaju. Klimatska varijabilnost skraćuje razdoblje uzgoja u nekim regijama, dok ga u drugima proširuje. Ekonomski signali potiču poljoprivrednike s jedne na dvostruku uzgojnu poljoprivredu kada se dostupnost vode i tržišne cijene usklade.

Bez sustavnog praćenja, planeri rade s podacima popisa stanovništva koji mogu biti zastarjeli pet ili više godina, što dovodi do kronične pogrešne raspodjele vode, subvencija za gnojivo i ruralnih kredita. Daljinsko istraživanje nudi rješenje za ovaj nedostatak u praćenju pružanjem dosljednih, ponovljivih opažanja u cijelim zemljama u roku od nekoliko dana.

Umjesto oslanjanja na samoprocjenu poljoprivrednika ili ankete popisivača, satelitski sustavi izravno promatraju krajolik, bilježeći kako se rižina polja mijenjaju poplavama, presađivanjem, vegetativnim rastom i žetvom tijekom svakog godišnjeg doba.

3. Što daljinsko istraživanje donosi poljoprivrednom mapiranju

Daljinsko istraživanje je znanost prikupljanja informacija o objektima ili područjima s udaljenosti, obično korištenjem senzora postavljenih na satelitima, zrakoplovima ili bespilotnim letjelicama (UAV). U poljoprivrednim kontekstima, senzori mjere energiju koju reflektiraju ili emitiraju usjevi, tlo i voda na različitim valnim duljinama elektromagnetskog spektra.

Budući da različiti tipovi pokrova zemljišta različito reflektiraju energiju u različitim fazama rasta, satelitske snimke mogu razlikovati rižino polje od kukuruznog polja i poplavljenu presađenu parcelu riže od suhe parcele s izravnim sjetvom, s preciznošću koja se povećava s poboljšanjem tehnologije senzora. Mapiranje obrasca uzgoja riže i kulturnog tipa pomoću daljinskog istraživanja služi četirima međusobno povezanim ciljevima.

• Prvo, stvara prostorno eksplicitne popise mjesta uzgoja riže u sezonskim i godišnjim vremenskim skalama.
• Drugo, klasificira koliko se ciklusa usjeva događa godišnje na svakom kartiranom području, razlikujući sustave s jednim, dvostrukim i trostrukim usjevima.
• Treće, identificira korištene kulturne prakse, poput toga je li polje presađeno ili se sije izravno, je li upravljanje vodom kontrolirano ili se napaja kišnicom.
• Četvrto, generira osnovne podatke koji se koriste za predviđanje proizvodnje, proračun vode, planiranje prilagodbe klimatskim promjenama i sustave precizne poljoprivrede.

Razumijevanje sustava uzgoja riže i kulturnih tipova

1. Što zapravo znači obrazac uzgoja riže

Uzorak uzgoja riže opisuje vremenski raspored uzgoja riže unutar kalendarske godine na određenoj lokaciji. On ne bilježi samo uzgaja li se riža, već i koliko puta, kada svaka sezona počinje i završava te koja kultura, ako uopće postoji, slijedi ili prethodi riži na istom polju. Mapiranje ovih obrazaca diljem regije daje planerima dinamičnu sliku intenziteta korištenja zemljišta i potražnje za resursima koju jedan snimak nikada ne bi mogao pružiti.

2. Sustavi uzgoja riže s jednom kulturom

U sustavima s jednim usjevom (monokultura), poljoprivrednici uzgajaju jednu sezonu riže godišnje, obično usklađenu s monsunskom kišnom sezonom ili jednim kontroliranim ciklusom navodnjavanja. Ovi sustavi dominiraju u regijama gdje dostupnost vode, radna snaga ili klima ograničavaju mogućnost druge sezone.

Sustavi s jednom kulturom obično imaju dulja razdoblja rasta po sezoni, često s tradicionalnim ili poboljšanim sortama dugog vijeka trajanja, te su nesrazmjerno napajani kišom, što ih čini vrlo osjetljivima na vrijeme i raspodjelu oborina.

3. Sustavi dvostrukog uzgoja riže

Sustavi dvostrukog uzgoja daju dvije žetve riže godišnje s istog polja. Najčešći su u jugoistočnoj i južnoj Aziji, uključujući deltu Crvene rijeke u Vijetnamu, poplavna područja Bangladeša i navodnjavana područja indijskog Punjaba.

Vremenski razmak između dvije sezone je uzak, često manji od 30 dana, pa identifikacija područja s dvostrukim usjevima iz satelitskih podataka zahtijeva gusta vremenska niza promatranja kako bi se otkrila dva puna fenološka ciklusa unutar jedne godine.

4. Sustavi riže s tri usjeva

Trostruka žetva riže, s tri žetve riže godišnje, prakticira se u ograničenim područjima gdje su i dostupnost vode i temperatura povoljni tijekom cijele godine. Delta Mekonga u južnom Vijetnamu i dijelovi pokrajine Guangdong u južnoj Kini podržavaju sustave trostruke žetve.

Iako maksimiziraju intenzitet korištenja zemljišta, sustavi s tri kulture nose značajne izazove u pogledu plodnosti tla i suzbijanja štetnika. Daljinska identifikacija ovih polja tehnički je zahtjevna jer kratka razdoblja ugara između usjeva sažimaju fenološke signale u uske vremenske okvire.

5. Uzgoj riže na kišnici

Prema Međunarodnom institutu za istraživanje riže (IRRI), riža uzgojena kišom, koja se uzgaja isključivo na oborinama bez umjetne opskrbe vodom, čini otprilike 451 TP3T ukupne površine riže u svijetu. To je dominantan sustav u podsaharskoj Africi, brdovitim područjima južne i jugoistočne Azije te poplavnim područjima ovisnim o kiši.

Sustavi napajani kišom vrlo su osjetljivi na varijabilnost oborina, što se u nekim regijama prevodi u fluktuacije prinosa od 30-50% između vlažnih i suhih godina. Iz perspektive daljinskog istraživanja, rižu napajanu kišom teže je mapirati jer je signal poplave slabiji i nepravilniji nego na upravljanim navodnjavanim poljima.

6. Uzgoj riže navodnjavanjem

Navodnjavani sustavi riže primaju vodu putem kanala, pumpi ili upravljanih rezervoara, što poljoprivrednicima omogućuje znatnu preciznost u kontroli vremena sadnje i žetve. Navodnjavana riža trenutno zauzima samo oko 551 TP3T globalne površine riže, ali doprinosi sa 751 TP3T ukupnoj proizvodnji riže, što odražava prednost prinosa zbog sigurnosti vode.

Namjerno poplavljivanje navodnjavanih polja stvara snažan i konzistentan radarski povratni signal koji satelitski senzori pouzdano detektiraju, što navodnjavanu rižu čini jednom od najtočnije mapiranih vrsta usjeva na svijetu.

7. Visočki i nizinski rižini sustavi

Riža u nizinama uzgaja se na nepoplavljenim, dobro dreniranim tlima, često na obroncima ili terasama u Aziji i Africi. Budući da ta polja nikada nisu namjerno poplavljena, nedostaje im vodeni signal koji omogućuje identifikaciju riže u nizinama pomoću radara, što prisiljava istraživače da se oslanjaju samo na spektralne obrasce vegetacije.

Nizinska riža, nasuprot tome, uzgaja se na ravnim ili plitko poplavljenim poljima gdje se voda nakuplja prirodno ili navodnjavanjem. Nizinski sustavi dominiraju regijama rižinih kotlina u Aziji i primarni su cilj većine velikih kartografskih napora.

Morfološki kontrast između planinskih i nizinskih polja, uključujući oblik polja, topografski položaj i strukturu krošnje, pruža dodatne prostorne znakove koje analiza slike temeljena na objektima može učinkovito iskoristiti.

8. Riža posijana izravno u odnosu na presađenu rižu

Presađena riža uključuje uzgoj sadnica u rasadniku 25 do 30 dana, a zatim ručno ili mehanički premještanje na glavno polje. Izravna sjetva riže, nasuprot tome, uključuje raspršivanje ili sijanje sjemena izravno u pripremljeno polje bez faze rasadnika.

Ove dvije metode daju mjerljivo različite vremenske potpise u satelitskim podacima: presađena polja pokazuju oštro, sinkronizirano ozelenjavanje otprilike tri tjedna nakon poplave, dok polja izravno zasijana pokazuju postupniji razvoj krošnje od dana sjetve. Ova fenološka razlika, suptilna, ali stvarna, uočljiva je pažljivom analizom vremenskih serija vegetacijskih indeksa.

Alati i tehnologije daljinskog istraživanja za mapiranje riže

1. Fizički princip daljinskog istraživanja

Svaka biljka reflektira, apsorbira i prenosi sunčevo zračenje u obrascima određenim biokemijom lišća, strukturom krošnje i sadržajem vode. Zeleno lišće snažno apsorbira crveno svjetlo za fotosintezu, a istovremeno reflektira veliki dio energije bliskog infracrvenog (NIR) zračenja. Poplavljena tla, nasuprot tome, apsorbiraju gotovo svo dolazno zračenje.

Ovi kontrastni odgovori stvaraju predvidljive spektralne potpise koje senzori na satelitima mogu snimiti s dosljednim vremenom, omogućujući analitičarima praćenje stanja usjeva, faze rasta i odluka o upravljanju na razini polja bez ikakvog posjeta polju.

2. Optičko daljinsko istraživanje

Optički senzori detektiraju reflektirano sunčevo zračenje, stvarajući slike koje vrlo nalikuju onome što bi ljudsko oko vidjelo kada bi se proširilo na infracrvene valne duljine. Tri optičke platforme dominiraju istraživanjem mapiranja riže.

Landsat (niz satelita kojima upravljaju NASA i USGS od 1972.) pruža snimke prostorne rezolucije od 30 metara s ciklusom ponovnog pregleda od 16 dana. Njegova duga vremenska arhiva čini ga nezamjenjivim za proučavanje promjena površina riže tijekom desetljeća. Međutim, ponavljanje od 16 dana znači da se neki fenološki događaji unutar kratke vegetacijske sezone mogu propustiti između promatranja.

Sentinel-2 (kojim upravlja Europska svemirska agencija, lansiran 2015. i 2017. kao konstelacija dvaju satelita) poboljšava Landsat s rezolucijom od 10-20 metara i 5-dnevnim ciklusom ponovnog posjeta ekvatoru. Ova dva poboljšanja zajedno omogućuju finije razgraničenje polja i bolje fenološko uzorkovanje, a najnovije studije mapiranja riže visoke točnosti, uključujući one objavljene u ISPRS Journal of Photogrammetry and Remote Sensing 2024. godine, koriste Sentinel-2 kao primarni optički izvor podataka.

MODIS (Moderate Resolution Imaging Spectroradiometer), smješten na NASA-inim satelitima Terra i Aqua, pruža rezoluciju od 250-500 metara s mogućnošću dnevnog ponovnog pregleda. Iako je pregrub za mapiranje pojedinačnih polja, MODIS ostaje vrijedan za procjene intenziteta usjeva na nacionalnoj i kontinentalnoj razini gdje je visoka prostorna rezolucija manje kritična od vremenske gustoće.

3. Radarsko daljinsko istraživanje

Radar sa sintetičkom aperturom (SAR) je tehnologija temeljena na radaru koja odašilje mikrovalne impulse prema Zemljinoj površini i mjeri energiju raspršenu natrag do senzora. Za razliku od optičkih senzora, SAR radi neovisno o naoblaci i sunčevoj svjetlosti, što znači da jednako dobro prikuplja podatke u oblačnoj monsunskoj noći kao i u vedrom sušnom danu.

Ovo svojstvo je kritično važno za mapiranje riže u tropskoj Aziji, gdje optički senzori rutinski gube tjedne vegetacijske sezone zbog začepljenja oblacima.

Sentinel-1 (ESA) odašilje mikrovalnu energiju C-pojasa (valne duljine približno 5,6 cm) i isporučuje besplatne, globalne SAR podatke rezolucije od 10 metara s ciklusom ponavljanja od 6-12 dana. Rižina polja na prepoznatljiv način komuniciraju sa SAR signalima:

• Poplavljena polja djeluju kao gotovo savršeno zrcalo, reflektirajući većinu radarske energije dalje od senzora (što stvara niske vrijednosti povratnog raspršenja), dok
• Rastuća krošnja riže sve više raspršuje energiju natrag prema senzoru kako se povećava gustoća biljaka i površina lišća.

Ova putanja povratnog raspršenja tijekom vremena, niska tijekom poplava i presađivanja, rastuća kroz vegetativne faze i ponovno opadajuća nakon klasanja, tvori radarski fenološki potpis jedinstven za rižu.

Nguyen i suradnici (Daljinsko istraživanje okoliša, 2023.) otkrili su da je klasifikacija vremenskih serija Sentinel-1 SAR-a postignuta Ukupna točnost 92.3% u mapiranju sezona uzgoja riže u tri provincije u vijetnamskoj delti Mekonga, uključujući područja s tri usjeva gdje optički podaci nisu bili dostupni više od 60% vegetacijskog razdoblja zbog naoblake.

U tropskim regijama uzgoja riže, metode temeljene na SAR-u nisu samo alternativa optičkom istraživanju, već su često jedina pouzdana opcija za mapiranje sezona po sezona tijekom monsunskih mjeseci.

4. Integracija podataka s više senzora

Nijedan pojedinačni senzor ne nudi idealnu kombinaciju prostornih detalja, vremenske gustoće i prodiranja oblaka. Stoga najtočniji sustavi za mapiranje riže integriraju više vrsta senzora unutar jednog analitičkog okvira.

Zajednička arhitektura spaja Sentinel-1 SAR za vremensko praćenje bez oblaka s optičkim podacima Sentinel-2 za spektralno bogatstvo tijekom vedrih razdoblja i koristi MODIS kao sidro grube rezolucije za detekciju fenoloških obrazaca na regionalnoj razini.

Kada se ovi tokovi podataka algoritamski spoje, kombinirani skup podataka može razlučiti granice usjeva, otkriti datume presađivanja i dodijeliti klasifikacije kulturnih tipova s razinom sigurnosti koju nijedan pojedinačni senzor ne postiže samostalno.

Identificiranje obrazaca uzgoja riže iz satelitskih podataka

1. Vremenski potpisi faza rasta riže

Riža prolazi kroz dobro definiran slijed faza rasta: priprema tla i poplavljivanje, presađivanje ili sjetba, bokorenje (razvoj više stabljika iz jedne biljke), stvaranje metlice, pojava cvjetne glavice koja nosi zrno) i žetva.

Svaka faza proizvodi mjerljivu promjenu u optičkim i radarskim karakteristikama polja. Analitičari koriste ove specifične potpise faze, snimljene kao vremenske serije spektralnih indeksa ili SAR povratnog raspršenja, kako bi rekonstruirali što se dogodilo na svakom polju i kada, bez ikakvog prethodnog znanja poljoprivrednika.

2. Fenološko mapiranje riže

Kartiranje temeljeno na fenologiji (korištenje vremena bioloških događaja za klasifikaciju usjeva) je dominantan pristup za detekciju riže na velikim površinama. Metoda funkcionira prilagođavanjem matematičkih krivulja podacima vremenskih serija, a zatim identificiranjem polja gdje vremenski uzorak odgovara karakterističnoj krivulji rasta riže. Ključni datumi događaja izvučeni iz ovog procesa prilagođavanja uključuju

• početak vegetacijske sezone (obično se prepoznaje po naglom porastu vrijednosti vegetacijskog indeksa nakon poplave),
• vrhunac vegetacijske sezone (indeks maksimalne površine lišća) i
• kraj sezone (brzi pad pri žetvi).

Broj takvih ciklusa otkrivenih unutar kalendarske godine izravno određuje je li polje klasificirano kao jednostruko, dvostruko ili trostruko obrađeno.

3. Procjena intenziteta uzgoja

Intenzitet uzgoja, broj sezona uzgoja koje se godišnje završe na jedinici zemlje, jedan je od najvažnijih rezultata mapiranja uzoraka uzgoja riže za politiku. Jednostavan, ali moćan pristup izračunava koliko se puta pojavljuje spektralni ili povratni raspršeni vrh sličan riži u godišnjem vremenskom nizu piksela.

U kombinaciji s prostornim filterima za uklanjanje lažnih detekcija uzrokovanih močvarama, vodenim površinama ili sezonskim poplavama, ovi ciklički prebrojavanja daju karte riže s jednim, dva i tri usjeva koje se mogu validirati u odnosu na terenska istraživanja i regionalne statistike.

4. Kartiranje sezonske i godišnje distribucije riže

Sezonske karte (jedna karta po vegetacijskoj sezoni godišnje) ne prikazuju samo gdje se riža uzgaja, već i kada raste na svakoj lokaciji. Godišnje skupine sezonskih karata zatim otkrivaju cijeli kalendar uzgoja u regiji, uključujući prostornu raspodjelu riže rane sezone u odnosu na kasnu sezonu, što ima izravne implikacije na raspored vode, upravljanje pritiskom štetnika i logistiku žetve.

5. Otkrivanje plodoreda koji uključuju rižu

U mnogim azijskim sustavima uzgoja riže, poljoprivrednici izmjenjuju rižu s pšenicom, povrćem, mahunarkama ili ugarima unutar istog polja tijekom uzastopnih sezona. Daljinsko istraživanje detektira te rotacije analizom cijelog godišnjeg vremenskog niza, a ne bilo koje pojedinačne sezone zasebno.

Polje klasificirano kao riža u vlažnoj sezoni, ali kao pšenica u sušnoj sezoni, pokazuje izrazit vremenski obrazac s dva vrha u podacima indeksa vegetacije, pri čemu spektralne karakteristike svakog vrha identificiraju odgovarajuću vrstu usjeva. Mapiranje ovih rotacija važno je za procjenu zdravlja tla, modeliranje potražnje za navodnjavanjem i programe diverzifikacije prihoda.

Kako GeoPard omogućuje mapiranje obrazaca uzgoja riže

Mapiranje obrazaca uzgoja riže zahtijeva kontinuirano promatranje iz više izvora tijekom cijele vegetacijske sezone, a to je upravo ono što GeoPard pruža. Kombiniranjem snimaka Landsat-8, Sentinel-2 i Planet u jednu platformu, GeoPard prati polja svaki drugi dan s rezolucijom do 3 metra, osiguravajući da se kritični događaji vezani uz rižu poput poplava prije presađivanja, ozelenjavanja sadnica i žetve nikada ne propuste zbog praznina u oblacima.

Fuzija više senzora platforme pokazala je poboljšanje točnosti 4% u odnosu na pristupe s jednim senzorom, što izravno izoštrava razliku između sustava riže s jednim usjevom, dvostrukim usjevom i trostrukim usjevima.

Za identifikaciju kulturnog tipa, GeoPardov paket indeksa vegetacije, uključujući NDWI za detekciju površinskih poplava, EVI2 za vrijeme biomase krošnje i LAI za gustoću krošnje, obuhvaća spektralnu biografiju koja razlikuje navodnjavanu presađenu rižu od sustava napajanih kišom ili izravno sjetvenih sustava.

Za oblačnih monsunskih dana kada optičko snimanje u potpunosti zakaže, GeoPardov integrirani sloj radarskih podataka omogućuje neprekidno praćenje vegetacije, očitavajući SAR povratno raspršeno korito koje je definitivan potpis poplavljenog rižinog polja u vrijeme presađivanja.

Alat za usporedbu slojeva omogućuje agronomima postavljanje do četiri sinkronizirana sloja podataka jedan pored drugog, što olakšava odvajanje vrsta kultura riže usporedbom signala poplava NDWI s višegodišnjim trendovima vegetacije i kartama produktivnosti tla.

Potkrijepljena više od 30 godina satelitskih snimaka, platforma otkriva dugoročne obrasce intenziteta usjeva na razini polja. Ti uvidi zatim se izravno prenose u karte primjene varijabilnih stopa za gnojivo, sjeme i zaštitu usjeva, pretvarajući karte kulturnih tipova riže u konkretne upute za upravljanje na razini polja.

Mapiranje tipova kultura riže daljinskim istraživanjem

1. Spektralne karakteristike različitih kulturnih praksi

Kulturni tip, specifična kombinacija upravljačkih praksi primijenjenih na rižino polje, oblikuje vremensku evoluciju spektralnog potpisa tog polja. Poplavljena presađena riža, na primjer, započinje sezonu s optičkim odzivom kojim dominira voda (niska refleksija u svim vidljivim pojasevima), nakon čega slijedi nagla promjena kako se uspostavlja krošnja sadnica.

Riža posijana izravno u nepoplavljenu gredicu pokazuje postupniji porast vegetacijskog signala od početka klijanja, bez početnog razdoblja poplave koje optički i SAR senzori lako detektiraju.

2. Razlikovanje navodnjavane i kišom uzgojene riže

Navodnjavana i kišom napajana rižina polja razlikuju se na dva uočljiva načina: vrijeme i redovitost poplava te dosljednost njihove sezonske fenologije. Navodnjavana polja obično poplavljuju prema rasporedu, pokazuju manju međugodišnju varijabilnost u datumima presađivanja i održavaju dosljednu gustoću krošnje kontroliranim upravljanjem vodom.

Polja napajana kišom pokazuju veću vremensku varijabilnost između godina, mogu doživjeti stres vode usred sezone koji se može uočiti kao anomalni padovi vrijednosti vegetacijskog indeksa, a ponekad ne uspijevaju završiti punu vegetacijsku sezonu tijekom sušnih godina.

Višegodišnja analiza vremenskih serija obuhvaća ovu strukturu varijabilnosti, omogućujući algoritmima klasifikacije da odvoje navodnjavana od područja napajanih kišom s točnošću koja obično prelazi 85% u dobro kalibriranim sustavima.

3. Mapiranje presađene i direktno sjetvene riže

Najpouzdaniji pokazatelj za razlikovanje presađene od direktno posijane riže u SAR podacima je vrijeme i trajanje početnog razdoblja poplave s niskim povratnim raspršenjem.

Presađena rižina polja poplavljuju se 2-4 tjedna prije presađivanja sadnica, stvarajući produženi radar-mračni prozor na početku sezone.

Polja s izravnom sjetvom ili ne pokazuju prozor poplave (suha sjetva) ili ga vrlo kratko pokazuju (vlažna sjetva), a porast povratnog raspršenja je i raniji u odnosu na datum sjetve i strukturno se razlikuje po nagibu. Ove vremenske karakteristike mogu se automatski izdvojiti pomoću algoritama primijenjenih na guste SAR vremenske serije.

4. Otkrivanje upravljačkih praksi pomoću daljinskog istraživanja

Osim metode presađivanja i vodnog režima, daljinsko istraživanje može otkriti određene prakse upravljanja vodama, kao što je naizmjenično vlaženje i sušenje (AWD), tehnika koja se koristi za smanjenje emisija metana i potrošnje vode povremenim isušivanjem rižinih polja.

Polja AWD-a pokazuju oscilirajuće obrasce povratnog raspršenja SAR-a tijekom vegetacijskog razdoblja, što odražava ponovljene cikluse poplava i odvodnje, dok kontinuirano poplavljena polja pokazuju stabilniju putanju povratnog raspršenja. Ova je sposobnost posebno vrijedna za praćenje primjene klimatski pametnih praksi riže u nacionalnim inventarima stakleničkih plinova.

5. Pokazatelji upravljanja vodama na rižinim poljima

Detekcija površine vode putem SAR-a je vrlo osjetljiva i sposobna identificirati nakupljenu vodu na dubini od samo nekoliko centimetara ispod krošnje riže. Ova osjetljivost omogućuje analitičarima mapiranje stanja poplave polja po polja u ključnim točkama vegetacijske sezone, što podržava odluke o rasporedu navodnjavanja i rane procjene štete od poplava.

Kada se karte vodene površine iz više datuma vremenski slažu, one daju dinamički potpis upravljanja vodama za svako polje koji služi kao vrijedan ulaz za modele klasifikacije kulturnih tipova.

Tehnike i metode: od indeksa do dubokog učenja

1. Vegetacijski indeksi za praćenje riže

Vegetacijski indeksi su matematičke kombinacije vrijednosti refleksije na različitim valnim duljinama, osmišljene za pojačavanje signala biljne biomase i zdravlja, a istovremeno smanjuju šum od pozadine tla, atmosferskih učinaka i geometrije osvjetljenja. Tri indeksa su ključna za rad na mapiranju riže.

i. NDVI (Normalizirani indeks razlike vegetacije) izračunava se kao (NIR – crvena) / (NIR + crvena) i najčešće je korišten indeks u praćenju riže. Prati zelenilo krošnje od uspostave sadnica do starenja, s vrijednostima koje obično rastu od gotovo nule pri presađivanju do 0,6-0,8 pri vrhuncu vegetativnog rasta.

ii. EVI (Poboljšani indeks vegetacije) učinkovitije ispravlja učinke atmosferskih aerosola i pozadinsku buku tla od NDVI-ja, što ga čini poželjnijim u okruženjima s visokim opterećenjem aerosolima, kao što je tijekom sezona izgaranja biomase uobičajenih u tropskoj Aziji.

iii. LSWI (Indeks površinskih voda kopna) uključuje kratkovalnu infracrvenu refleksiju za detekciju sadržaja vode i u krošnji biljke i na površini tla, što ga čini vrlo osjetljivim na poplave koje karakteriziraju uzgoj riže u nizinama i pruža robustan signal za detekciju početka vegetacijske sezone.

2. Analiza vremenskih serija

Jedna satelitska snimka bilježi stanje rižinog polja u jednom trenutku, ali priča rižinog polja ispisana je slijedom tih trenutaka. Analiza vremenskih serija povezuje mnoga opažanja, obično jednu sliku svakih 5-16 dana tijekom cijele godine, i izdvaja vremenske metrike poput datuma početka sezone, vršnog NDVI-ja, stope ozelenjavanja i datuma žetve.

Ovi pokazatelji zajedno opisuju cjelokupno fenološko ponašanje polja i daleko su dijagnostičkiji za identifikaciju vrste usjeva od bilo kojeg pojedinačnog promatranja. Statističke metode, uključujući harmonijsku regresiju i dinamičko vremensko iskrivljavanje (DTW), obično se koriste za usklađivanje i usporedbu podataka vremenskih serija u različitim godinama i regijama.

3. Strojno učenje za klasifikaciju riže

Strojno učenje transformiralo je opseg i točnost mapiranja uzoraka uzgoja riže automatizacijom identifikacije složenih, nelinearnih odnosa između spektralno-vremenskih podataka i uvjeta na terenu.

i. Slučajna šuma (RF) je metoda ansambla koja gradi stotine neovisnih stabala odlučivanja, svako obučeno na slučajnom podskupu značajki, i agregira njihove glasove za konačnu klasifikaciju. Robusna je na podatke o obuci s puno šuma, učinkovito obrađuje visokodimenzionalne prostore značajki i pruža varijabilne ocjene važnosti koje pomažu analitičarima da shvate koja vremenska ili spektralna obilježja utječu na odluke o klasifikaciji.

ii. Stroj potpornih vektora (SVM) pronalazi optimalnu granicu razdvajanja između klasa u visokodimenzionalnom prostoru značajki. SVM dobro funkcionira kada su podaci za obuku ograničeni, što ga čini korisnim u područjima s malo podataka gdje je prikupljanje osnovnih podataka skupo.

iii. Duboko učenje, posebno konvolucijske neuronske mreže (CNN) i rekurentne neuronske mreže (RNN) poput arhitektura dugog kratkoročnog pamćenja (LSTM), mogu istovremeno učiti i prostorne uzorke unutar pojedinačnih slika i vremenske uzorke u nizovima slika. Klasifikatori temeljeni na LSTM-u primijenjeni na satelitske vremenske serije postigli su vrhunsku točnost u zadacima mapiranja riže, a nekoliko studija izvješćuje o ukupnoj točnosti iznad 90% na regionalnim skalama.

Xiao i suradnici (International Journal of Applied Earth Observation and Geoinformation, 2025.) pokazali su da je LSTM model dubokog učenja obučen na Sentinel-1 i Sentinel-2 spojenim vremenskim serijama podataka mapirao tipove kultura riže u tri južnoazijske zemlje s... ukupna točnost od 91,7% i kappa koeficijent od 0,89, što je nadmašilo Random Forest za 6,4 postotna boda pod istim uvjetima podataka za obuku.

Za mapiranje tipova kultura riže na velikim površinama gdje je moguće prikupljanje podataka za obuku, klasifikatori dubokog učenja temeljeni na LSTM-u sada su referentna metoda i trebali bi biti zadani izbor za nove nacionalne programe mapiranja.

4. Analiza slike temeljena na objektima (OBIA)

Analiza slike temeljena na objektima (OBIA) Radi tako da grupira susjedne piksele sa sličnim spektralnim i prostornim karakteristikama u objekte (segmente) prije nego što ih klasificira, umjesto da klasificira svaki piksel zasebno.

U mapiranju riže, OBIA je vrijedna jer u klasifikaciju može uključiti oblik, teksturu i kontekst, razlikujući rižino polje od slično obojene vodene površine na temelju pravilne pravokutne geometrije rižinog polja.

OBIA je posebno učinkovita pri vrlo visokoj prostornoj rezoluciji, kao što su podaci s komercijalnih satelita rezolucije 1-5 metara ili snimke bespilotnih letjelica.

5. Tehnike otkrivanja promjena

Otkrivanje promjena identificira područja gdje se korištenje zemljišta promijenilo između dva ili više datuma. U praćenju sustava riže, otkrivanje promjena služi dvjema svrhama: praćenju međugodišnjeg širenja ili smanjenja površine riže kao odgovor na klimatske ili ekonomske pokretače i identificiranju promjena usred sezone poput propadanja usjeva, napuštanja ili neočekivanih poplava.

Detekcija dvovremenskih promjena (izravna usporedba dva datuma) je jednostavna, ali osjetljiva na fenološke razlike između godina. Detekcija viševremenskih promjena u cijelom godišnjem nizu podataka je robusnija i može odvojiti stvarnu promjenu korištenja zemljišta od sezonskih fenoloških varijacija.

Procjena točnosti i validacija

1. Prikupljanje temeljnih podataka

Svaki proizvod za mapiranje riže zahtijeva validaciju u odnosu na neovisno prikupljena terenska opažanja. Podaci o stvarnim podacima obično uključuju GPS-referencirane terenske posjete gdje obučeni popisivači bilježe vrstu usjeva, fazu rasta, status upravljanja vodama i metodu uspostavljanja na statistički reprezentativnom uzorku lokacija. Ova opažanja prikupljaju se tako da se vremenski podudaraju sa satelitskim snimanjem te se isključuju iz obuke modela i koriste isključivo za procjenu točnosti.

2. Metrike točnosti klasifikacije

Za primjene specifične za rižu, F1-rezultat, koji uravnotežuje točnost proizvođača i korisnika za svaku klasu, sve se više prikazuje uz Kappa kao informativniji sažetak performansi s jednim brojem. Standardne metrike za procjenu točnosti karte uključuju

• ukupna točnost (postotak svih ispravno klasificiranih točaka validacije),
• točnost proizvođača (vjerojatnost da je polje dane istinite klase ispravno mapirano, analogno prisjećanju),
• točnost korisnika (vjerojatnost da je polje mapirano na danu klasu zapravo ta klasa, analogno preciznosti) i
• Kappa koeficijent (mjera slaganja korigirana za slučajno slaganje, gdje vrijednosti iznad 0,80 ukazuju na snažno slaganje).

3. Validacija uzoraka obrezivanja i mapa kulturnih tipova

Validacija karata uzoraka usjeva zahtijeva viševremenske podatke o stvarnosti na terenu, s terenskim posjetima na više mjesta tijekom kalendara usjeva kako bi se potvrdilo koliko je sezona zapravo požnjeveno godišnje na svakom mjestu validacije.

Validacija kulturnog tipa, razlikovanje presađenih od direktno sjetvenih ili navodnjavanih od onih koje se napajaju kišnicom, zahtjevnija je jer te razlike nisu uvijek vizualno očite na terenu i zahtijevaju intervjue s poljoprivrednicima ili izravno promatranje upravljačkih događaja tijekom osjetljivih razdoblja vegetacije.

Nacionalna poljoprivredna statistika, iako se često agregira na razini pokrajine ili okruga, pruža dodatni sloj validacije za procjene površine, omogućujući unakrsnu provjeru ukupnih podataka na karti sa službenim prijavljenim podacima.

Primjene u cijelom poljoprivrednom sustavu

1. Planiranje i razvoj poljoprivredne politike

Karte uzoraka uzgoja riže izvedene daljinskim istraživanjem daju ministarstvima poljoprivrede prostornu rezoluciju koja im je potrebna za osmišljavanje ciljanih intervencija. Regije identificirane kao regije s jednom kulturom napajane kišom mogu se prioritetno koristiti za razvoj navodnjavanja u malim razmjerima; područja s tri kulture i opadajućim prinosima mogu se istražiti zbog degradacije tla ili iscrpljivanja podzemnih voda.

2. Procjena proizvodnje riže

Kombiniranjem karata područja riže iz daljinskog istraživanja s modelima procjene prinosa, kao što su simulacije rasta usjeva temeljene na vremenskim podacima, dobivaju se subnacionalne i nacionalne prognoze proizvodnje tjednima ili mjesecima prije žetve.

Nadzorna ploča za sigurnost hrane Azijske razvojne banke i FAO-ov Globalni sustav za informiranje i rano upozoravanje (GIEWS) uključuju podatke o površini riže dobivene sa satelita kako bi generirali procjene proizvodnje prije žetve s dokazanim povećanjem točnosti u odnosu na pristupe temeljene na anketama.

3. Upravljanje vodnim resursima

Navodnjavana riža je najveći pojedinačni potrošač slatke vode u Aziji, što čini otprilike 40% ukupne potrošnje poljoprivredne vode u zemljama poput Indije i Bangladeša.

Najvrjedniji rezultat satelitskog mapiranja riže nije sama karta, već odluka koju ona omogućuje, hoće li se izgraditi kanal, zatvoriti bunar ili preusmjeriti subvencija.

Točno poznavanje mjesta uzgoja riže s navodnjavanjem, koliko se sezona navodnjava i koja polja koriste učinkovite prakse upravljanja vodama poput AWD-a izravno podržava planiranje riječnih slivova, planiranje rada akumulacija i procjene održivosti podzemnih voda.

4. Praćenje sigurnosti hrane

Sustavi ranog upozoravanja na nesigurnost u pogledu hrane ovise o brzom otkrivanju propadanja usjeva. Kada područja s rižom ne uspiju završiti puni ciklus rasta, satelitsko praćenje otkriva anomaliju kao odsutni ili skraćeni fenološki vrhunac unutar očekivanog sezonskog prozora. FEWS NET (Mreža sustava za rano upozoravanje na glad), koju podržava USAID, koristi satelitske podatke o vegetaciji, uključujući praćenje specifično za rižu, za generiranje upozorenja o sigurnosti hrane diljem Azije i Afrike.

5. Procjena utjecaja klimatskih promjena

Dugoročne arhive karata uzgoja riže koje obuhvaćaju 20 ili više godina Landsat podataka otkrivaju kako su se područja uzgoja riže, godišnja doba i prinosi mijenjali kao odgovor na promjene temperature i režima oborina. Ove povijesne karte trendova pružaju empirijske dokaze o utjecajima klimatskih promjena na rižine sustave i služe kao ulazni podaci za predviđanje budućeg poljoprivrednog rizika u različitim scenarijima zagrijavanja.

7. Primjena u preciznoj poljoprivredi

Na razini farme, mapiranje tipova kulture riže dobiveno bespilotnim letjelicama u kombinaciji s podacima o tlu i vodi na razini polja podržava precizne upravljačke odluke kao što su primjena gnojiva s promjenjivom stopom, izviđanje štetnika na specifičnim lokacijama i optimizirano planiranje datuma sadnje. Ove primjene trenutno brzo sazrijevaju u Japanu, Južnoj Koreji i dijelovima Kine, gdje je uzgoj riže visoko mehaniziran, a dostupna je podatkovna infrastruktura za povezivanje rezultata daljinskog istraživanja sa sustavima upravljanja farmom.

Izazovi i ograničenja koja ograničavaju mapiranje riže

1. Oblačnost i dostupnost podataka

Uporna naoblaka tijekom sezone monsuna, kada se uzgaja velik dio riže u Aziji, ozbiljno ograničava broj upotrebljivih optičkih opažanja. Na nekim lokacijama, kontaminacija oblacima smanjuje dostupna opažanja Sentinel-2 tijekom kritičnog razdoblja presađivanja i ranog vegetacijskog razdoblja na manje od dva mjesečno. SAR podaci ublažavaju, ali ne uklanjaju ovaj problem, budući da obilne kiše mogu privremeno zasititi radarski signal.

2. Mješoviti pikseli i male veličine polja

U regijama gdje su rižina polja manja od prostorne rezolucije senzora, jedan piksel bilježi mješavinu rižinog i nerižinog pokrova zemljišta, što klasifikaciju čini dvosmislenom. Visočki rižini sustavi na brdovitom terenu i polja vrtnih razmjera u dijelovima Indonezije i Filipina rutinski proizvode miješane piksele čak i pri rezoluciji Sentinela-2 od 10 metara, što ograničava upotrebu metoda temeljenih na pikselima u tim okruženjima.

3. Spektralna i vremenska sličnost među vrstama usjeva

Neke kulture, posebno šećerna trska, juta i određeni travnjaci, proizvode fenološke krivulje slične riži u NDVI ili EVI vremenskim serijama, što dovodi do zbrke u klasifikaciji. Detekcija poplava temeljena na SAR-u smanjuje ovu zbrku za nizinsku rižu, ali brdske rižine sustave bez poplavljenih polja i dalje je teško odvojiti od spektralno sličnih kultura bez dodatnih terenskih podataka ili pomoćnih geografskih ulaza.

4. Ograničenja vremenske rezolucije

Mapiranje obrasca uzgoja riže i kulturnog tipa pomoću daljinskog istraživanja zahtijeva gusto vremensko uzorkovanje, idealno barem jedno promatranje svakih 8-10 dana tijekom cijele vegetacijske sezone. Kada naoblaka ili praznine u satelitskoj orbiti smanje ovu vremensku gustoću, automatizirani algoritmi za detekciju mogu u potpunosti propustiti kratkotrajne sorte riže ili brze sezone trostrukih usjeva.

5. Ograničenja podataka s tla

Visokokvalitetni označeni podaci za obuku, terenska opažanja usklađena s poznatim vrstama usjeva i praksama upravljanja, i dalje su skupi i logistički teški za prikupljanje u mjeri potrebnoj za obuku i validaciju nacionalnih sustava kartiranja. U mnogim zemljama s nižim prihodima koje proizvode rižu, ljudski i financijski kapaciteti za sustavno prikupljanje podataka s tla najveće su ograničenje poboljšanja točnosti kartiranja.

Novi trendovi i budućnost praćenja riže

1. Praćenje riže pomoću bespilotnih letjelica i dronova

Bespilotne letjelice (UAV) opremljene multispektralnim i toplinskim senzorima sada pružaju snimke pojedinačnih farmi na centimetarskoj razini, razlučujući granice polja, redove usjeva, pa čak i zdravstveno stanje pojedinačnih biljaka. Bespilotne letjelice funkcioniraju kao most između mapiranja u satelitskoj mjeri i promatranja pojedinačnih biljaka, pružajući podatke ultra visoke rezolucije s tla potrebne za obuku i validaciju satelitskih modela u fragmentiranim krajobraznim okruženjima.

2. Umjetna inteligencija i duboko učenje za klasifikaciju riže

Konvolucijske neuronske mreže primijenjene na vremenske serije satelitskih snimaka, u kombinaciji s transformatorskim arhitekturama prilagođenim obradi prirodnog jezika, trenutno postižu najveću točnost klasifikacije riže ikad zabilježenu.

Okvir PRISM (Sustav za identifikaciju usjeva riže temeljen na fenologiji korištenjem višeizvornih podataka) koji su 2024. godine objavili istraživači sa Sveučilišta Wageningen pokazao je da samostalno nadzirano učenje na neoznačenim satelitskim arhivama može unaprijed obučiti modele klasifikacije riže koji zahtijevaju samo minimalne označene podatke s tla za fino podešavanje, dramatično smanjujući opterećenje terenskim istraživanjem.

3. Sustavi za praćenje riže u gotovo stvarnom vremenu

Operativni sustavi za praćenje riže u gotovo stvarnom vremenu automatski obrađuju dolazne satelitske podatke, ažuriraju karte riže u intervalima od 10-16 dana te šalju upozorenja o datumima sadnje, događajima s nedostatkom vode i vremenu žetve izravno na vladine nadzorne ploče ili mobilne aplikacije koje koriste poljoprivrednici i savjetnici.

Tajlandski Odjel za rižu i Vijetnamsko Ministarstvo poljoprivrede obje upravljaju prototipovima sustava ove vrste, a Međunarodni institut za istraživanje riže podržava sličan razvoj kapaciteta u Bangladešu i Kambodži.

4. Integracija satelitskih i IoT podataka

Senzori Interneta stvari (IoT) postavljeni na rižinim poljima, mjereći vlažnost tla, razinu vode, temperaturu i mikroklimu krošnji, generiraju kontinuirana promatranja na razini tla koja nadopunjuju i kalibriraju podatke daljinskog istraživanja satelita.

Kada se mreže IoT senzora i satelitska promatranja kombiniraju u okvirima za fuziju podataka, rezultirajući sustav praćenja može s većom pouzdanošću i ranijim vremenom detektirati vodni stres, pojavu poplava i pritisak bolesti nego što to bilo koji izvor pruža zasebno.

5. Digitalna poljoprivreda i pametna poljoprivreda

Konvergencija satelitskog mapiranja riže, IoT senzora i podrške odlučivanju temeljene na umjetnoj inteligenciji stvara temelje pametnog uzgoja riže, gdje se upravljačke odluke, od vremena navodnjavanja do primjene gnojiva, donose na temelju prostorno eksplicitnih, gotovo stvarnovremenskih tokova podataka, a ne na temelju pravila temeljenih na kalendaru.

Pilotni programi u japanskoj prefekturi Niigata i kineskoj provinciji Heilongjiang pokazali su da precizno upravljanje rižom temeljeno na daljinskom istraživanju može smanjiti troškove ulaganja za... 15-25% uz održavanje ili poboljšanje prinosa, prema preliminarnim izvješćima s terenskih pokusa iz 2024.

Zaključak

Mapiranje obrazaca uzgoja riže i kulturnog tipa pomoću daljinskog istraživanja sazrelo je od akademske istraživačke discipline do operativnog alata koji koriste vlade, međunarodne agencije i agrotehnološke platforme diljem Azije i šire. Višesenzorski vremenski nizovi koji kombiniraju optičke i SAR podatke, obrađene pomoću strojnog učenja i klasifikatora dubokog učenja, sada rutinski daju karte područja riže na nacionalnoj razini s ukupnom točnošću koja prelazi 85-90%. Ove karte ne samo da određuju gdje riža raste, već i koliko puta godišnje, pod kojim vodnim režimom i kojom metodom uspostavljanja.

Prelazak s jednostavnog mapiranja područja riže na klasifikaciju kulturnih tipova ono je što transformira proizvod pokrova zemljišta u imovinu poljoprivredne inteligencije. Saznanje da je regija tijekom desetljeća prešla s presađene na rižu izravno sjetve signalizira promjene na tržištu rada i istovremeno iscrpljivanje podzemnih voda. Poznavanje područja napajanih kišom najosjetljivijih na sušna razdoblja u ranoj sezoni, identificiranih prema njihovim vremenskim spektralnim obrascima, omogućuje unaprijed pozicioniran odgovor na sušu, a ne reaktivno ublažavanje katastrofa. Daljinsko istraživanje omogućuje ovu razinu prostorne inteligencije uz djelić cijene ekvivalentnih programa istraživanja tla.