Rīsu audzēšanas modeļa un kultūras tipa kartēšana, izmantojot tālizpēti

Rīsi baro vairāk nekā 3,5 miljardus cilvēku visā pasaulē, tomēr mazāk nekā 601 TP3 T rīsu audzēšanas platību ir aprīkotas ar precīzām un atjauninātām audzēšanas kartēm, liecina Starptautiskā rīsu pētniecības institūta (IRRI) 2024. gada globālā rīsu atlanta atjauninājums. Rīsu audzēšanas modeļa un kultūras tipa kartēšana, izmantojot tālizpēti, strauji samazina šo plaisu, sniedzot telpiski precīzus, laika ziņā konsekventus datus mērogos, kuriem nevar līdzināties neviens zemes uzmērījums.

Sākot ar apūdeņotu, divkārši kultivētu zemienes atšķiršanu Vjetnamas Mekongas deltā līdz lietus apūdeņotu, vienas sezonas lauku identificēšanai Subsahāras Āfrikā, satelītu un radaru sistēmas tagad sniedz informāciju, kas lauksaimniekiem, valdībām un pārtikas nodrošinājuma aģentūrām nepieciešama, lai plānotu ar pārliecību. Tā kā mākslīgais intelekts un mākoņdatošana paātrina datu apstrādi, paredzams, ka gandrīz reāllaika rīsu uzraudzība līdz 2027. gadam kļūs par globālu standartu.

Kāpēc rīsi ir svarīgi un kāpēc to uzraudzība ir sarežģīta

1. Rīsu ražošana un globālā pārtikas nodrošinājuma vienādojums

Rīsi ir galvenā kaloriju pārtika vairāk nekā pusei pasaules iedzīvotāju, un to nozīme sniedzas tālu aiz individuālā uztura robežām. Globālā rīsu ražošana sasniedza aptuveni 520 miljoni metrisko tonnu slīpētu rīsu 2024. gadā, saskaņā ar FAO datiem, Āzijai veidojot gandrīz 901 TP3 tūkstošus no šīs produkcijas.

Jebkurš būtisks rīsu piegādes traucējums, neatkarīgi no tā, vai tas ir sausuma, plūdu, kaitēkļu uzliesmojuma vai politikas neveiksmes dēļ, izraisa strauju pārtikas cenu kāpumu, kas nesamērīgi ietekmē pasaules nabadzīgākās mājsaimniecības.

Pārtikas nodrošinājuma uzturēšana šādā mērogā prasa vairāk nekā tikai pietiekami daudz rīsu audzēšanu. Ir nepieciešams precīzi zināt, kur rīsi tiek audzēti, cik reizes gadā katrs lauks tiek apgriezts un kāda lauksaimniecības prakse tiek izmantota. Valdībām šie dati ir nepieciešami, lai sadalītu apūdeņošanas infrastruktūru, subsidētu resursus un veidotu rezerves ārkārtas situācijām.

Problēma ir tā, ka rīsus audzē ārkārtīgi sadrumstalotās ainavās, sākot no terasētām kalnu nogāzēm Filipīnās līdz plašiem apūdeņotiem līdzenumiem Ķīnā, padarot tradicionālās lauka apsekošanas loģistiski un finansiāli nepraktiskas valsts vai reģionālā mērogā.

2. Nepieciešamība pēc sistemātiskas rīsu audzēšanas modeļu uzraudzības

Rīsu audzēšanas modeļi, proti, rīsu audzēšanas sezonu skaits gadā un to sadalījums ainavā, pastāvīgi mainās. Klimata mainīgums saīsina audzēšanas logus dažos reģionos, bet paplašina tos citos. Ekonomiskie signāli mudina lauksaimniekus no vienas uz divu kultūraugu audzēšanu, kad ūdens pieejamība un tirgus cenas sakrīt.

Bez sistemātiskas uzraudzības plānotāji strādā ar tautas skaitīšanas datiem, kas var būt novecojuši par pieciem vai vairāk gadiem, kā rezultātā rodas hroniska ūdens, mēslošanas līdzekļu subsīdiju un lauku kredītu nepareiza sadale. Tālizpēte piedāvā risinājumu šai uzraudzības nepilnībai, dažu dienu laikā nodrošinot konsekventus, atkārtojamus novērojumus visās valstīs.

Tā vietā, lai paļautos uz lauksaimnieku pašu sniegto informāciju vai tautas skaitītāju aptaujām, satelītu sistēmas tieši novēro ainavu, fiksējot, kā rīsu lauki mainās plūdu, pārstādīšanas, veģetatīvās augšanas un ražas novākšanas laikā katrā gadalaikā.

3. Ko tālizpēte sniedz lauksaimniecības kartēšanā

Tālizpēte ir zinātne par informācijas iegūšanu par objektiem vai apgabaliem no attāluma, parasti izmantojot sensorus, kas uzstādīti uz satelītiem, lidmašīnām vai bezpilota lidaparātiem (UAV). Lauksaimniecības kontekstā sensori mēra enerģiju, ko atstaro vai izstaro kultūraugi, augsne un ūdens dažādos elektromagnētiskā spektra viļņu garumos.

Tā kā dažādi zemes seguma veidi dažādās augšanas stadijās atstaro enerģiju atšķirīgi, satelītattēli var atšķirt rīsu lauku no kukurūzas lauka un appludinātu pārstādītu rīsu lauku no sausa tiešās sēklas lauka ar precizitāti, kas palielinās, uzlabojoties sensoru tehnoloģijai. Rīsu audzēšanas modeļa un kultūras tipa kartēšana, izmantojot tālizpēti, kalpo četriem savstarpēji saistītiem mērķiem.

• Pirmkārt, tā ģenerē telpiski skaidrus rīsu audzēšanas vietu uzskaites sezonālos un ikgadējos laika periodos.
• Otrkārt, tā klasificē, cik kultūraugu ciklu gadā notiek katrā kartētajā apgabalā, izšķirot vienkāršas, dubultas un trīskāršas kultūraugu sistēmas.
• Treškārt, tas identificē izmantotās kultivēšanas prakses, piemēram, vai lauks tiek pārstādīts vai sēts tieši, vai arī vai ūdens apsaimniekošana tiek kontrolēta vai laistīta ar lietus ūdeni.
• Ceturtkārt, tā ģenerē sākotnējos datus, kas tiek izmantoti ražošanas prognozēšanā, ūdens budžeta plānošanā, klimata adaptācijas plānošanā un precīzās lauksaimniecības sistēmās.

Rīsu audzēšanas sistēmu un kultūras tipu izpratne

1. Ko patiesībā nozīmē rīsu audzēšanas modelis

Rīsu audzēšanas modelis apraksta rīsu audzēšanas laika sadalījumu kalendārā gada ietvaros noteiktā vietā. Tas atspoguļo ne tikai to, vai rīsi tiek audzēti, bet arī to, cik reižu, kad katra sezona sākas un beidzas, un kāda kultūra, ja tāda ir, seko vai ir pirms rīsiem tajā pašā laukā. Šo modeļu kartēšana visā reģionā sniedz plānotājiem dinamisku priekšstatu par zemes izmantošanas intensitāti un resursu pieprasījumu, ko nekad nevarētu sniegt viens momentuzņēmums.

2. Vienkultūru rīsu sistēmas

Vienas kultūras (monokultūras) sistēmās lauksaimnieki audzē vienu rīsu sezonu gadā, kas parasti tiek saskaņota ar musonu lietus sezonu vai vienu kontrolētu apūdeņošanas ciklu. Šīs sistēmas dominē reģionos, kur ūdens pieejamība, darbaspēks vai klimats ierobežo otrās sezonas iespējamību.

Vienas kultūras sistēmām parasti ir ilgāki augšanas periodi sezonā, bieži vien izmantojot tradicionālās vai uzlabotas ilgtermiņa šķirnes, un tās nesamērīgi lielā mērā apgādā ar lietu, padarot tās ļoti jutīgas pret nokrišņu laiku un sadalījumu.

3. Divkāršās ražas rīsu sistēmas

Divkāršās ražas sistēmas no viena lauka ļauj novākt divas rīsu ražas gadā. Tās ir visizplatītākās Dienvidaustrumāzijā un Dienvidāzijā, tostarp Sarkanās upes deltā Vjetnamā, Bangladešas palienēs un Indijas Pendžabas apūdeņotajos rajonos.

Laika starpība starp abām sezonām ir neliela, bieži vien mazāka par 30 dienām, tāpēc dubultkultūras platību identificēšanai no satelītdatiem ir nepieciešami blīvi laikrindu novērojumi, lai viena gada laikā noteiktu divus pilnus fenoloģiskos ciklus.

4. Trīskāršās ražas rīsu sistēmas

Trīskāršā kultūraugu audzēšana, novācot trīs rīsu ražas gadā, tiek praktizēta ierobežotās teritorijās, kur gan ūdens pieejamība, gan temperatūra visu gadu saglabājas labvēlīga. Dienvidvjetnamas Mekongas deltā un daļā Guandunas provinces Ķīnas dienvidos tiek izmantotas trīskāršās kultūraugu sistēmas.

Lai gan trīskāršo kultūru sistēmas maksimāli palielina zemes izmantošanas intensitāti, tās rada ievērojamas problēmas ar augsnes auglību un kaitēkļu apkarošanu. Šādu lauku attālināta identificēšana ir tehniski sarežģīta, jo īsie atmatēšanas periodi starp kultūrām saspiež fenoloģiskos signālus šauros logos.

5. Lietus apūdeņotu rīsu audzēšana

Saskaņā ar Starptautiskā rīsu pētniecības institūta (IRRI) datiem, ar lietu apūdeņoti rīsi, kas tiek audzēti tikai ar nokrišņiem bez mākslīgas ūdens padeves, veido aptuveni 451 TP3 T no kopējās rīsu platības pasaulē. Tā ir dominējošā sistēma Subsahāras Āfrikā, Dienvidāzijas un Dienvidaustrumāzijas kalnainajos apgabalos un no lietus atkarīgās palienēs.

Lietus apūdeņotās sistēmas ir ļoti jutīgas pret nokrišņu daudzuma mainīgumu, kas dažos reģionos nozīmē ražas svārstības 30–50% apmērā starp mitriem un sausiem gadiem. No tālizpētes viedokļa lietus apūdeņotus rīsus ir grūtāk kartēt, jo plūdu signāls ir vājāks un neregulārāks nekā apsaimniekotos apūdeņotos laukos.

6. Apūdeņotu rīsu audzēšana

Apūdeņoto rīsu sistēmas saņem ūdeni caur kanāliem, sūkņiem vai pārvaldītām rezervuāriem, ļaujot lauksaimniekiem ar ievērojamu precizitāti kontrolēt sēšanas un ražas novākšanas laiku. Apūdeņoto rīsu audzēšana pašlaik aizņem tikai aptuveni 551 TP3 t no pasaules rīsu platības, bet veido 751 TP3 t no kopējās rīsu produkcijas, kas atspoguļo ūdens drošības sniegtās ražas priekšrocības.

Apzināta apūdeņoto lauku applūšana rada spēcīgu un konsekventu radara starojuma atstarojuma signālu, ko droši uztver satelītu sensori, padarot apūdeņotos rīsus par vienu no precīzāk kartētajiem kultūraugu veidiem pasaulē.

7. Augškalnu un zemienes rīsu sistēmas

Kalnu rīsi tiek audzēti neapplūdinātās, labi drenētās augsnēs, bieži kalnu nogāzēs vai terasēs Āzijā un Āfrikā. Tā kā šie lauki nekad netiek apzināti applūdināti, tiem trūkst ūdens signāla, kas ļautu zemienes rīsus identificēt ar radaru, piespiežot pētniekus paļauties tikai uz spektrāliem veģetācijas modeļiem.

Turpretī zemienes rīsi tiek audzēti līdzenos vai seklos applūdušos laukos, kur ūdens uzkrājas dabiski vai apūdeņošanas ceļā. Āzijas rīsu bļodu reģionos dominē zemienes sistēmas un ir galvenais mērķis lielākajai daļai liela mēroga kartēšanas centienu.

Morfoloģiskā atšķirība starp augstienes un zemienes laukiem, tostarp lauka forma, topogrāfiskais novietojums un lapotuma struktūra, sniedz papildu telpiskās norādes, ko var efektīvi izmantot uz objektiem balstīta attēlu analīze.

8. Tieši sēti un pārstādīti rīsi

Rīsu pārstādīšana ietver stādu audzēšanu stādaudzētavā 25 līdz 30 dienas, pēc tam manuālu vai mehānisku pārvietošanu uz galveno lauku. Turpretī rīsu tiešās sējas gadījumā sēklas tiek izsētas tieši sagatavotajā laukā bez stādaudzētavas stadijas.

Šīs divas metodes rada izmērāmi atšķirīgus laika raksturlielumus satelītu datos: pārstādītie lauki uzrāda asu, sinhronizētu zaļumu aptuveni trīs nedēļas pēc applūšanas, savukārt tiešās sēklas lauki uzrāda pakāpeniskāku vainaga attīstību no sēšanas dienas. Šī fenoloģiskā atšķirība, smalka, bet reāla, ir nosakāma, veicot rūpīgu veģetācijas indeksu laikrindu analīzi.

Tālizpētes rīki un tehnoloģijas rīsu kartēšanai

1. Tālizpētes fizikālais princips

Katrs augs atstaro, absorbē un pārraida saules starojumu modeļos, ko nosaka tā lapu bioķīmija, vainaga struktūra un ūdens saturs. Zaļās lapas spēcīgi absorbē sarkano gaismu fotosintēzes veikšanai, vienlaikus atstarojot lielu daļu tuvā infrasarkanā (NIR) starojuma enerģijas. Turpretī appludinātas augsnes absorbē gandrīz visu ienākošo starojumu.

Šīs kontrastējošās reakcijas rada paredzamus spektrālos parakstus, ko satelītu sensori var ierakstīt ar konsekventu laiku, ļaujot analītiķiem izsekot kultūraugu stāvoklim, augšanas stadijai un lauka līmeņa pārvaldības lēmumiem, nekad neapmeklējot lauku.

2. Optiskā tālizpēte

Optiskie sensori uztver atstaroto saules starojumu, radot attēlus, kas ir ļoti līdzīgi tam, ko redzētu cilvēka acs, ja tie tiktu paplašināti infrasarkano staru viļņu garumā. Rīsu kartēšanas pētījumos dominē trīs optiskās platformas.

Landsat (satelītu sērija, ko NASA un USGS pārvalda kopš 1972. gada) nodrošina attēlus ar 30 metru telpisko izšķirtspēju un 16 dienu atkārtošanās ciklu. Tā ilgais laika arhīvs padara to neaizstājamu rīsu platību izmaiņu pētījumos gadu desmitu gaitā. Tomēr 16 dienu atkārtošanās nozīmē, ka daži fenoloģiskie notikumi īsā augšanas sezonā starp novērojumiem var netikt pamanīti.

Sentinel-2 (ko pārvalda Eiropas Kosmosa aģentūra, palaists 2015. un 2017. gadā kā divu satelītu zvaigznājs) uzlabo Landsat ar 10–20 metru izšķirtspēju un 5 dienu atgriešanās ciklu pie ekvatora. Šie divi uzlabojumi kopā nodrošina precīzāku lauka kontūru noteikšanu un labāku fenoloģisko paraugu ņemšanu, un jaunākajos augstas precizitātes rīsu kartēšanas pētījumos, tostarp tajos, kas publicēti ISPRS žurnālā "Fotogrammetrija un attālā izpēte" 2024. gadā, Sentinel-2 tiek izmantots kā primārais optisko datu avots.

MODIS MODIS (vidējas izšķirtspējas attēlveidošanas spektroradiometrs), kas atrodas uz NASA Terra un Aqua satelītiem, nodrošina 250–500 metru izšķirtspēju ar ikdienas atkārtotu apmeklējumu iespēju. Lai gan MODIS ir pārāk rupjš atsevišķu lauku kartēšanai, tas joprojām ir vērtīgs nacionālā un kontinentāla mēroga kultūraugu intensitātes novērtējumiem, kur augsta telpiskā izšķirtspēja ir mazāk svarīga nekā laika blīvums.

3. Radara tālizpēte

Sintētiskās apertūras radars (SAR) ir uz radara balstīta tehnoloģija, kas pārraida mikroviļņu impulsus Zemes virsmas virzienā un mēra uz sensoru izkliedēto enerģiju. Atšķirībā no optiskajiem sensoriem, SAR darbojas neatkarīgi no mākoņu segas un saules apgaismojuma, kas nozīmē, ka tas vienlīdz labi iegūst datus gan mākoņainā musonu naktī, gan skaidrā sausās sezonas dienā.

Šī īpašība ir kritiski svarīga rīsu kartēšanai tropiskajā Āzijā, kur optiskie sensori regulāri zaudē nedēļas augšanas sezonas mākoņu aizsprostojumu dēļ.

Sentinel-1 (ESA) pārraida C joslas mikroviļņu enerģiju (viļņa garums aptuveni 5,6 cm) un piegādā bezmaksas, globālus SAR datus ar 10 metru izšķirtspēju un 6–12 dienu atkārtošanās ciklu. Rīsu lauki mijiedarbojas ar SAR signāliem unikālā veidā:

• applūduši lauki darbojas kā gandrīz ideāls spogulis, atstarojot lielāko daļu radara enerģijas prom no sensora (radot zemas atstarošanās vērtības), savukārt
• Augošais rīsu vainags arvien vairāk izkliedē enerģiju atpakaļ sensora virzienā, palielinoties augu blīvumam un lapu platībai.

Šī atpakaļizkliedes trajektorija laika gaitā, zema applūšanas un pārstādīšanas laikā, paaugstinās veģetatīvās stadijās un atkal samazinās pēc galviņas nomešanas, veido rīsiem raksturīgu radara fenoloģisko parakstu.

Ngujens un līdzautori (Vides tālizpēte, 2023) atklāja, ka Sentinel-1 SAR laika rindu klasifikācija sasniedza 92.3% kopējā precizitāte rīsu audzēšanas sezonu kartēšanā trīs Vjetnamas Mekongas deltas provincēs, tostarp trīskāršas ražas apgabalos, kur optiskie dati nebija pieejami vairāk nekā 60% augšanas perioda mākoņu segas dēļ.

Tropu rīsu audzēšanas reģionos SAR metodes nav tikai alternatīva optiskajai uztveršanai, tās bieži vien ir vienīgā uzticamā iespēja kartēšanai pa sezonām musonu mēnešos.

4. Vairāku sensoru datu integrācija

Neviens atsevišķs sensors nepiedāvā ideālu telpiskās detaļas, laika blīvuma un mākoņu iespiešanās kombināciju. Tāpēc visprecīzākās rīsu kartēšanas sistēmas integrē vairākus sensoru veidus vienā analītiskā ietvarā.

Bieži sastopama arhitektūra apvieno Sentinel-1 SAR mākoņu nesaturošai laika izsekošanai ar Sentinel-2 optiskajiem datiem spektrālās bagātības nodrošināšanai skaidros periodos un izmanto MODIS kā rupjas izšķirtspējas enkuru fenoloģisko modeļu noteikšanai reģionālā mērogā.

Kad šīs datu plūsmas tiek algoritmiski apvienotas, apvienotais datu kopums var noteikt kultūraugu robežas, noteikt pārstādīšanas datumus un piešķirt kultūras tipa klasifikācijas ar tādu pārliecības līmeni, kādu neviens atsevišķs sensors nevar sasniegt.

Rīsu audzēšanas modeļu noteikšana no satelītu datiem

1. Rīsu augšanas stadiju laika pazīmes

Rīsi iziet cauri precīzi definētai augšanas stadiju secībai: zemes sagatavošana un applūšana, pārstādīšana vai sēšana, cerošana (vairāku stublāju attīstība no viena auga), skaras veidošanās, galviņas veidošanās (ziedgalvas parādīšanās, kurā atrodas graudi, un ražas novākšana).

Katrs posms rada izmērāmas izmaiņas lauka optiskajās un radara īpašībās. Analītiķi izmanto šos posmam raksturīgos raksturlielumus, kas uztverti kā spektrālo indeksu vai SAR atstarojuma laika rindas, lai rekonstruētu, kas notika katrā laukā un kad, bez iepriekšējas lauksaimnieka ziņas.

2. Uz fenoloģiju balstīta rīsu kartēšana

Fenoloģijā balstīta kartēšana (izmantojot bioloģisko notikumu laiku kultūraugu klasificēšanai) ir dominējošā pieeja lielu platību rīsu noteikšanai. Metode darbojas, pielāgojot matemātiskās līknes laika rindas datiem un pēc tam identificējot laukus, kuros laika modelis atbilst raksturīgajai rīsu augšanas līknei. Galvenie notikumu datumi, kas iegūti no šī pielāgošanas procesa, ietver:

• veģetācijas perioda sākums (parasti to raksturo straujš veģetācijas indeksa vērtību pieaugums pēc plūdiem),
• veģetācijas perioda maksimums (maksimālais lapu platības indekss) un
• sezonas beigas (straujš kritums ražas novākšanas laikā).

Šādu ciklu skaits, kas konstatēts kalendārajā gadā, tieši nosaka, vai lauks tiek klasificēts kā vienreiz, divreiz vai trīsreiz apgriezts.

3. Augkopības intensitātes novērtējums

Augkopības intensitāte, proti, ikgadējo ražas sezonu skaits uz zemes vienības, ir viens no politikas nostādnēm visnozīmīgākajiem rīsu audzēšanas modeļu kartēšanas rezultātiem. Vienkārša, bet jaudīga pieeja aprēķina, cik reižu pikseļa gada laika rindā parādās rīsiem līdzīgs spektrālais vai atstarotais maksimums.

Apvienojumā ar telpiskajiem filtriem, lai noņemtu mitrāju, ūdenstilpņu vai sezonālu plūdu izraisītus kļūdainus datus, šie ciklu skaitļi ģenerē vienas, divu un trīs kultūraugu rīsu kartes, kuras var apstiprināt, izmantojot lauka apsekojumus un reģionālo statistiku.

4. Rīsu izplatības sezonālā un ikgadējā kartēšana

Sezonālās kartes (viena karte katrai augšanas sezonai gadā) atspoguļo ne tikai rīsu audzēšanas vietas, bet arī to augšanas laiku katrā vietā. Ikgadējās sezonālo karšu kopas atklāj pilnu reģiona ražas kalendāru, tostarp agrās un vēlās sezonas rīsu telpisko sadalījumu, kas tieši ietekmē ūdens plānošanu, kaitēkļu spiediena pārvaldību un ražas novākšanas loģistiku.

5. Rīsu kultūraugu rotācijas noteikšana

Daudzās Āzijas rīsu audzēšanas sistēmās lauksaimnieki vienā laukā secīgās sezonās pārmaiņus sēj rīsus ar kviešiem, dārzeņiem, pākšaugiem vai atmatām. Tālizpēte nosaka šīs rotācijas, analizējot pilnas gada laika rindas, nevis atsevišķu sezonu atsevišķi.

Lauks, kas mitrajā sezonā klasificēts kā rīsu lauks, bet sausajā sezonā kā kviešu lauks, veģetācijas indeksa datos uzrāda atšķirīgu divu pīķu laika modeli, un katra pīķa spektrālās īpašības identificē attiecīgo kultūraugu veidu. Šo rotāciju kartēšana ir svarīga augsnes veselības novērtēšanai, apūdeņošanas pieprasījuma modelēšanai un ienākumu dažādošanas programmām.

Kā GeoPard nodrošina rīsu audzēšanas modeļu kartēšanu

Rīsu audzēšanas modeļu kartēšanai nepieciešama nepārtraukta, vairāku avotu novērošana visā augšanas sezonā, un tieši to nodrošina GeoPard. Apvienojot Landsat-8, Sentinel-2 un Planet attēlus vienā platformā, GeoPard uzrauga laukus katru otro dienu ar izšķirtspēju līdz 3 metriem, nodrošinot, ka kritiski notikumi ar rīsiem, piemēram, pirmsstādīšanas applūšana, dīgstu zaļošana un ražas novākšana, nekad netiek palaisti garām mākoņu spraugu dēļ.

Platformas vairāku sensoru sapludināšana ir pierādījusi 4% precizitātes uzlabojumu salīdzinājumā ar viena sensora pieejām, kas tieši palielina atšķirību starp vienas kultūras, divu kultūru un trīs kultūru rīsu sistēmām.

Kultūras tipa identificēšanai GeoPard veģetācijas indeksu komplekts, tostarp NDWI virszemes plūdu noteikšanai, EVI2 vainaga biomasas laika noteikšanai un LAI vainaga blīvumam, ietver spektrālo biogrāfiju, kas atdala apūdeņotus pārstādītus rīsus no lietus apūdeņotām vai tiešās sēklas sistēmām.

Mākoņainās musonu dienās, kad optiskā attēlveidošana pilnībā neizdodas, GeoPard integrētais radara datu slānis nodrošina nepārtrauktu veģetācijas izsekošanu, nolasot SAR atstaroto starojumu, kas ir applūduša rīsa galvenā pazīme pārstādīšanas laikā.

Slāņu salīdzināšanas rīks ļauj agronomiem novietot līdz pat četriem sinhronizētiem datu slāņiem blakus, tādējādi vienkāršojot rīsu kultūru tipu atdalīšanu, salīdzinot NDWI plūdu signālus ar daudzgadu veģetācijas tendencēm un augsnes produktivitātes kartēm.

Balstoties uz vairāk nekā 30 gadu satelītattēliem, platforma atklāj ilgtermiņa kultūraugu intensitātes modeļus lauka līmenī. Šīs atziņas pēc tam tiek tieši iekļautas mainīgas devas pielietošanas kartēs mēslojumam, sēklām un augu aizsardzībai, pārvēršot rīsu kultūru tipu kartes konkrētos, lauka līmeņa apsaimniekošanas priekšrakstos.

Rīsu kultūras tipu kartēšana ar tālizpētes palīdzību

1. Dažādu kultūras prakšu spektrālās īpašības

Kultūras tips — specifiska apsaimniekošanas prakšu kombinācija, kas tiek piemērota rīsu laukam, — veido šī lauka spektrālā rakstura laika evolūciju. Piemēram, appludināti pārstādīti rīsi sezonu sāk ar ūdens dominētu optisko reakciju (zema atstarošanās visās redzamajās joslās), kam seko pēkšņa maiņa, veidojoties stādu vainagam.

Tieši sēti rīsi, kas iesēti neapplūdinātā sēklas gultnē, uzrāda pakāpeniskāku veģetācijas signāla pieaugumu no dīgšanas sākuma, bez sākotnējā applūšanas perioda, ko gan optiskie, gan SAR sensori viegli nosaka.

2. Apūdeņotu un lietus laistītu rīsu atšķirība

Apūdeņoti un lietus apūdeņoti rīsu lauki atšķiras divos novērojamos veidos: plūdu laiks un regularitāte, kā arī to sezonālās fenoloģijas konsekvence. Apūdeņoti lauki parasti applūst pēc grafika, tiem ir mazākas gadu no gada svārstības pārstādīšanas datumos un tie saglabā vienmērīgu vainaga blīvumu, pateicoties kontrolētai ūdens apsaimniekošanai.

Lietus apūdeņotiem laukiem ir lielāka laika mainība starp gadiem, tajos var rasties ūdens stress sezonas vidū, ko var atklāt kā anomālas veģetācijas indeksa vērtību kritumus, un sausuma gados dažreiz tie nevar pabeigt pilnu veģetācijas sezonu.

Daudzgadu laikrindu analīze atspoguļo šo mainīguma struktūru, ļaujot klasifikācijas algoritmiem atdalīt apūdeņotās teritorijas no lietus apūdeņotajām ar precizitāti, kas labi kalibrētās sistēmās parasti pārsniedz 85%.

3. Pārstādīto un tieši sēto rīsu kartēšana

Visuzticamākais rādītājs, lai SAR datos atšķirtu pārstādītos rīsus no tiešās sēklas rīsiem, ir sākotnējā zemas atpakaļizkliedes plūdu perioda laiks un ilgums.

Pārstādītie rīsu lauki tiek appludināti 2–4 nedēļas pirms stādu pārstādīšanas, sezonas sākumā radot pagarinātu radara tumsas logu.

Tieši sētas lauksaimniecības zemes neuzrāda applūšanas periodu (sausās sējas) vai arī tas ir ļoti īss (slapjās sējas), un atstarotā starojuma pieaugums ir gan agrāks attiecībā pret sējas datumu, gan strukturāli atšķirīgs tā slīpuma ziņā. Šīs laika raksturlielumus var iegūt automātiski, izmantojot algoritmus, kas tiek piemēroti blīvām SAR laika rindām.

4. Apsaimniekošanas prakses noteikšana, izmantojot tālizpēti

Papildus pārstādīšanas metodei un ūdens režīmam tālizpēte var atklāt noteiktas ūdens apsaimniekošanas prakses, piemēram, pārmaiņus mitrināšanu un žāvēšanu (AWD) — metodi, ko izmanto, lai samazinātu metāna emisijas un ūdens patēriņu, periodiski nosusinot rīsu laukus.

AWD laukos veģetācijas periodā ir novērojamas svārstīgas SAR atstarošanās tendences, kas atspoguļo atkārtotus plūdu un noteces ciklus, savukārt nepārtraukti applūdušos laukos ir novērojama vienmērīgāka atstarošanās trajektorija. Šī spēja ir īpaši vērtīga, lai uzraudzītu klimata ziņā viedu rīsu audzēšanas prakses ieviešanu nacionālajās siltumnīcefekta gāzu inventarizācijas sistēmās.

5. Ūdens apsaimniekošanas rādītāji rīsu laukos

Ūdens virsmas noteikšana, izmantojot SAR, ir ļoti jutīga un spēj identificēt pat dažus centimetrus zem rīsu audzēm esošus dīķa ūdens slāņus. Šī jutība ļauj analītiķiem kartēt plūdu stāvokli katrā laukā galvenajos augšanas sezonas punktos, atbalstot lēmumus par apūdeņošanas plānošanu un agrīnus plūdu postījumu novērtējumus.

Kad ūdens virsmas kartes no vairākiem datumiem tiek sakrautas laika ziņā, tās katram laukam sniedz dinamisku ūdens apsaimniekošanas parakstu, kas kalpo kā vērtīgs ievades dati kultūras tipu klasifikācijas modeļos.

Metodes un paņēmieni: no indeksiem līdz dziļai mācīšanās

1. Veģetācijas indeksi rīsu monitoringam

Veģetācijas indeksi ir matemātiskas atstarošanas vērtību kombinācijas dažādos viļņu garumos, kas paredzētas, lai pastiprinātu augu biomasas un veselības signālu, vienlaikus samazinot augsnes fona, atmosfēras ietekmes un apgaismojuma ģeometrijas radīto troksni. Rīsu kartēšanas darbā būtiska loma ir trim indeksiem.

i. NDVI (normalizētais diferenciālais veģetācijas indekss) tiek aprēķināts kā (NIR – sarkanais) / (NIR + sarkanais) un ir visplašāk izmantotais indekss rīsu monitoringā. Tas izseko vainaga zaļumu no stādu ieaugšanās līdz novecošanai, un vērtības parasti pieaug no gandrīz nulles pārstādīšanas laikā līdz 0,6–0,8 veģetatīvās augšanas maksimuma laikā.

ii. EVI (Uzlabotais veģetācijas indekss) efektīvāk koriģē atmosfēras aerosolu ietekmi un augsnes fona troksni nekā NDVI, padarot to vēlamāku vidē ar augstu aerosolu slodzi, piemēram, biomasas dedzināšanas sezonās, kas ir izplatītas tropiskajā Āzijā.

iii. LSWI (zemes virszemes ūdens indekss) ietver īsviļņu infrasarkano staru atstarošanu, lai noteiktu ūdens saturu gan augu vainagos, gan augsnes virsmā, padarot to ļoti jutīgu pret plūdiem, kas raksturīgi zemienes rīsu audzēšanai, un nodrošinot spēcīgu signālu augšanas sezonas sākuma noteikšanai.

2. Laika rindu analīze

Viens satelītattēls fiksē rīsu lauka stāvokli noteiktā laika brīdī, bet rīsu lauka stāsts tiek rakstīts šo mirkļu secībā. Laika rindu analīze apvieno daudzus novērojumus, parasti vienu attēlu ik pēc 5–16 dienām visa gada garumā, un iegūst laika rādītājus, piemēram, sezonas sākuma datumu, maksimālo NDVI, zaļošanas ātrumu un ražas novākšanas datumu.

Šie rādītāji kopā apraksta lauka pilnīgu fenoloģisko uzvedību un ir daudz diagnostiskāki kultūraugu veidu identificēšanai nekā jebkurš viena datuma novērojums. Lai salīdzinātu un saskaņotu laika rindu datus dažādos gados un reģionos, parasti tiek izmantotas statistikas metodes, tostarp harmoniskā regresija un dinamiskā laika deformācija (DTW).

3. Mašīnmācīšanās rīsu klasifikācijai

Mašīnmācīšanās ir pārveidojusi rīsu audzēšanas modeļu kartēšanas mērogu un precizitāti, automatizējot sarežģītu, nelineāru attiecību identificēšanu starp spektrāli-laika datiem un lauka apstākļiem.

i. Nejauša meža (RF) ir ansambļa metode, kas veido simtiem neatkarīgu lēmumu koku, katrs no kuriem apmācīts, izmantojot nejaušu pazīmju apakškopu, un apkopo to balsis galīgajai klasifikācijai. Tā ir noturīga pret trokšņainiem apmācības datiem, efektīvi apstrādā augstas dimensijas pazīmju telpas un nodrošina mainīgus svarīguma rādītājus, kas palīdz analītiķiem saprast, kuras laika vai spektrālās pazīmes ietekmē klasifikācijas lēmumus.

ii. Atbalsta vektoru mašīna (SVM) atrod optimālo atdalīšanas robežu starp klasēm daudzdimensionālā pazīmju telpā. SVM labi darbojas, ja apmācības dati ir ierobežoti, padarot to noderīgu datu trūkuma reģionos, kur pamata patiesuma vākšana ir dārga.

iii. Dziļā mācīšanās, jo īpaši konvolucionālie neironu tīkli (CNN) un rekurentie neironu tīkli (RNN), piemēram, ilgtermiņa īstermiņa atmiņas (LSTM) arhitektūras, var vienlaikus apgūt gan telpiskos modeļus atsevišķos attēlos, gan laika modeļus dažādās attēlu secībās. Uz LSTM balstīti klasifikatori, kas tiek piemēroti satelītu laika rindām, ir sasnieguši vismodernāko precizitāti rīsu kartēšanas uzdevumos, un vairākos pētījumos ziņots par kopējo precizitāti virs 90% reģionālā mērogā.

Sjao un līdzautori (Starptautiskais lietišķās Zemes novērošanas un ģeoinformācijas žurnāls, 2025) pierādīja, ka LSTM dziļās mācīšanās modelis, kas apmācīts ar Sentinel-1 un Sentinel-2 apvienotajiem laika rindu datiem, kartēja rīsu kultūru tipus trīs Dienvidāzijas valstīs ar kopējā precizitāte 91,7% un kappa koeficients 0,89, pārspējot Random Forest par 6,4 procentpunktiem tādos pašos apmācības datu apstākļos.

Liela mēroga rīsu kultūras tipu kartēšanai, kur ir iespējama apmācības datu vākšana, LSTM balstīti dziļās mācīšanās klasifikatori tagad ir etalona metode, un tiem vajadzētu būt noklusējuma izvēlei jaunajās nacionālajās kartēšanas programmās.

4. Uz objektiem balstīta attēlu analīze (OBIA)

Objektu attēlu analīze (OBIA) darbojas, grupējot blakus esošos pikseļus ar līdzīgām spektrālajām un telpiskajām īpašībām objektos (segmentos) pirms to klasificēšanas, nevis klasificējot katru pikseli atsevišķi.

Rīsu kartēšanā OBIA ir vērtīga, jo tā klasifikācijā var iekļaut formu, tekstūru un kontekstu, atšķirot rīsu lauku no līdzīgas krāsas ūdenstilpes, pamatojoties uz rīsu lauku regulāro taisnstūra ģeometriju.

OBIA ir īpaši efektīva ļoti augstā telpiskajā izšķirtspējā, piemēram, komerciālo satelītu datos ar 1–5 metru izšķirtspēju vai bezpilota lidaparātu (UAV) attēlos.

5. Izmaiņu noteikšanas metodes

Izmaiņu noteikšana identificē teritorijas, kurās zemes izmantošana ir mainījusies starp diviem vai vairākiem datumiem. Rīsu sistēmas uzraudzībā izmaiņu noteikšanai ir divi mērķi: izsekot rīsu platības paplašināšanos vai samazināšanos no gada uz gadu, reaģējot uz klimata vai ekonomiskajiem faktoriem, un identificēt sezonas vidus izmaiņas, piemēram, ražas neveiksmi, pamešanu vai negaidītus plūdus.

Divu laiku izmaiņu noteikšana (tieši salīdzinot divus datumus) ir vienkārša, taču tā ir pakļauta fenoloģiskajām atšķirībām starp gadiem. Vairāku laiku izmaiņu noteikšana pilnos gada datos ir stabilāka un var atšķirt patiesas zemes izmantošanas izmaiņas no sezonālām fenoloģiskajām variācijām.

Precizitātes novērtēšana un validācija

1. Patiesības datu vākšana uz zemes

Katram rīsu kartēšanas produktam ir nepieciešama validācija, izmantojot neatkarīgi apkopotus lauka novērojumus. Zemes novērošanas dati parasti ietver GPS vadītas lauka apmeklējumus, kuros apmācīti skaitītāji statistiski reprezentatīvā atrašanās vietu izlasē reģistrē kultūraugu veidu, augšanas stadiju, ūdens apsaimniekošanas stāvokli un iedzīvošanās metodi. Šie novērojumi tiek apkopoti tā, lai tie laika ziņā sakristu ar satelītu datu ieguvēm, un tie netiek iekļauti modeļa apmācībā un tiek izmantoti tikai precizitātes novērtēšanai.

2. Klasifikācijas precizitātes rādītāji

Rīsu specifiskiem lietojumiem F1 rādītājs, kas līdzsvaro ražotāja un lietotāja precizitāti katrā klasē, arvien biežāk tiek ziņots līdzās Kappa kā informatīvāks viena skaitļa veiktspējas kopsavilkums. Standarta rādītāji kartes precizitātes novērtēšanai ietver

• kopējā precizitāte (visu pareizi klasificēto validācijas punktu procentuālā daļa),
• ražotāja precizitāte (varbūtība, ka dotās patiesās klases lauks ir pareizi kartēts, analogi atsaukšanai),
• lietotāja precizitāte (varbūtība, ka lauks, kas kartēts ar doto klasi, faktiski ir šī klase, analogi precizitātei), un
• Kappa koeficients (saskaņas mērs, kas koriģēts atbilstoši nejaušai saskaņai, kur vērtības virs 0,80 norāda uz spēcīgu saskaņošanu).

3. Apgriešanas modeļa un kultūras tipa karšu validācija

Lai validētu kultūraugu sēšanas modeļu kartes, ir nepieciešami vairāku laiku zemes patiesības dati, veicot lauka apmeklējumus vairākos punktos visā kultūraugu kalendārā, lai apstiprinātu, cik sezonu gadā katrā validācijas vietā faktiski tika novākta raža.

Kultūras tipa validācija, atšķirot pārstādītos augus no tiešās sēklas vai apūdeņotos augus no lietus mēslojuma, ir sarežģītāka, jo šīs atšķirības ne vienmēr ir vizuāli acīmredzamas laukā un prasa lauksaimnieku intervijas vai tiešu apsaimniekošanas notikumu novērošanu jutīgos augšanas sezonas logos.

Valsts lauksaimniecības statistika, lai gan bieži tiek apkopota provinces vai rajona līmenī, nodrošina papildu validācijas slāni platības aprēķiniem, ļaujot salīdzināt kartes kopsummas ar oficiāli ziņotajiem skaitļiem.

Pielietojumi visā lauksaimniecības sistēmā

1. Lauksaimniecības plānošana un politikas izstrāde

Rīsu audzēšanas modeļu kartes, kas iegūtas no tālizpētes, sniedz lauksaimniecības ministrijām nepieciešamo telpisko izšķirtspēju, lai izstrādātu mērķtiecīgas intervences. Reģioniem, kas identificēti kā vienas kultūras lietus apūdeņoti reģioni, var piešķirt prioritāti maza mēroga apūdeņošanas attīstībai; trīs kultūraugu apgabalos ar samazinātu ražu var veikt augsnes degradācijas vai gruntsūdens līmeņa samazināšanās pētījumus.

2. Rīsu ražošanas novērtējums

Apvienojot rīsu platību kartes no tālizpētes ar ražas novērtēšanas modeļiem, piemēram, kultūraugu augšanas simulācijām, kuru pamatā ir laika apstākļu dati, var iegūt subnacionālas un nacionālas ražošanas prognozes nedēļas vai mēnešus pirms ražas novākšanas.

Gan Āzijas Attīstības bankas pārtikas nodrošinājuma informācijas panelis, gan FAO Globālā informācijas un agrīnās brīdināšanas sistēma (GIEWS) ietver no satelītiem iegūtus rīsu platību datus, lai ģenerētu ražošanas aprēķinus pirms ražas novākšanas ar pierādītu precizitātes pieaugumu salīdzinājumā ar uz apsekojumiem balstītām pieejām.

3. Ūdens resursu apsaimniekošana

Apūdeņotie rīsi ir lielākais saldūdens patērētājs Āzijā, veidojot aptuveni 401 TP3 T no kopējā lauksaimniecības ūdens patēriņa tādās valstīs kā Indija un Bangladeša.

Vērtīgākais satelītu rīsu kartēšanas rezultāts nav pati karte, bet gan lēmums, ko tā ļauj pieņemt, vai būvēt kanālu, slēgt aku vai novirzīt subsīdiju.

Precīza informācija par apūdeņoto rīsu audzēšanas vietām, apūdeņošanas sezonu skaitu un to, kuros laukos tiek izmantotas efektīvas ūdens apsaimniekošanas metodes, piemēram, AWD, tieši atbalsta upju baseinu plānošanu, rezervuāru darbības plānošanu un gruntsūdeņu ilgtspējības novērtējumus.

4. Pārtikas nodrošinājuma uzraudzība

Pārtikas nepietiekamības agrīnās brīdināšanas sistēmas ir atkarīgas no ražas nepilnību ātras atklāšanas. Ja rīsu audzēšanas platības nepabeidz pilnu augšanas ciklu, satelītu monitorings atklāj anomāliju kā neesošu vai saīsinātu fenoloģisko maksimumu paredzētajā sezonas logā. USAID atbalstītais FEWS NET (Bada agrīnās brīdināšanas sistēmu tīkls) izmanto satelītu veģetācijas datus, tostarp rīsiem specifisku monitoringu, lai ģenerētu pārtikas nodrošinājuma brīdinājumus visā Āzijā un Āfrikā.

5. Klimata pārmaiņu ietekmes novērtējums

Ilgtermiņa rīsu audzēšanas modeļu karšu arhīvi, kas aptver 20 vai vairāk gadu Landsat datus, atklāj, kā rīsu audzēšanas platības, gadalaiki un raža ir mainījušies, reaģējot uz mainīgajiem temperatūras un nokrišņu režīmiem. Šīs vēsturiskās tendenču kartes sniedz empīriskus pierādījumus par klimata pārmaiņu ietekmi uz rīsu sistēmām un kalpo kā ievaddati nākotnes lauksaimniecības risku prognozēšanai dažādos sasilšanas scenārijos.

7. Precīzās lauksaimniecības pielietojumi

Saimniecības mērogā no bezpilota lidaparātiem iegūta rīsu kultūras tipa kartēšana apvienojumā ar lauka līmeņa augsnes un ūdens datiem atbalsta precīzas pārvaldības lēmumus, piemēram, mainīgas devas mēslojuma lietošanu, konkrētai vietai paredzētu kaitēkļu novērošanu un optimizētu sēšanas datumu plānošanu. Šīs lietojumprogrammas pašlaik strauji attīstās Japānā, Dienvidkorejā un Ķīnas daļās, kur rīsu audzēšana ir ļoti mehanizēta un ir pieejama datu infrastruktūra, lai savienotu tālizpētes rezultātus ar saimniecību pārvaldības sistēmām.

Izaicinājumi un ierobežojumi, kas ierobežo rīsu kartēšanu

1. Mākoņu segums un datu pieejamība

Pastāvīga mākoņu sega musonu sezonā, kad tiek audzēta liela daļa Āzijas rīsu, ievērojami ierobežo izmantojamo optisko novērojumu skaitu. Dažās vietās mākoņu piesārņojums samazina pieejamos Sentinel-2 novērojumus kritiskās pārstādīšanas un agrīnā veģetācijas periodā līdz mazāk nekā diviem mēnesī. SAR dati mazina, bet nenovērš šo problēmu, jo spēcīgas lietavas var īslaicīgi piesātināt radara signālu.

2. Jaukti pikseļi un mazi lauka izmēri

Reģionos, kur rīsu lauki ir mazāki par sensora telpisko izšķirtspēju, viens pikselis uztver rīsu un cita veida zemes seguma maisījumu, padarot klasifikāciju neskaidru. Augstkalnu rīsu sistēmas kalnainā apvidū un dārza mēroga rīsi Indonēzijas un Filipīnu daļās regulāri rada jauktus pikseļus pat ar Sentinel-2 10 metru izšķirtspēju, ierobežojot uz pikseļiem balstītu metožu izmantošanu šajās vidēs.

3. Kultūraugu veidu spektrālā un laika līdzība

Dažas kultūras, īpaši cukurniedres, džuta un noteikti zālāji, NDVI vai EVI laika rindās rada fenoloģiskās līknes, kas ir līdzīgas rīsu līknēm, radot klasifikācijas neskaidrības. Uz SAR balstīta plūdu noteikšana samazina šo neskaidrību attiecībā uz zemienes rīsiem, bet kalnu rīsu sistēmas bez applūdušiem laukiem joprojām ir grūti atšķirt no spektrāli līdzīgām kultūrām bez papildu lauka datiem vai papildu ģeogrāfiskiem ievades datiem.

4. Laika izšķirtspējas ierobežojumi

Rīsu audzēšanas modeļa un kultūras tipa kartēšanai, izmantojot tālizpēti, ir nepieciešama blīva laika paraugu ņemšana, ideālā gadījumā vismaz viens novērojums ik pēc 8–10 dienām visā augšanas sezonā. Ja mākoņu sega vai satelītu orbītu nepilnības samazina šo laika blīvumu, automatizēti noteikšanas algoritmi var pilnībā nepamanīt īslaicīgas rīsu šķirnes vai ātras trīskāršas ražas sezonas.

5. Zemes datu ierobežojumi

Augstas kvalitātes marķēti apmācības dati, lauka novērojumi, kas atbilst zināmiem kultūraugu veidiem un apsaimniekošanas praksēm, joprojām ir dārgi un loģistiski grūti vācami tādā mērogā, kāds nepieciešams, lai apmācītu un validētu valsts kartēšanas sistēmas. Daudzās rīsu ražošanas valstīs ar zemiem ienākumiem cilvēkresursu un finansiālās iespējas sistemātiskai zemes datu vākšanai ir lielākais ierobežojums kartēšanas precizitātes uzlabošanai.

Jaunās tendences un rīsu monitoringa nākotne

1. Bezpilota lidaparātu un dronu bāzes rīsu monitorings

Bezpilota lidaparāti (UAV), kas aprīkoti ar multispektrāliem un termiskiem sensoriem, tagad nodrošina centimetru līmeņa attēlus virs atsevišķām saimniecībām, nosakot lauku robežas, kultūraugu rindas un pat atsevišķu augu veselības stāvokli. UAV darbojas kā tilts starp satelītu mēroga kartēšanu un atsevišķu augu novērošanu, nodrošinot īpaši augstas izšķirtspējas zemes patiesības datus, kas nepieciešami, lai apmācītu un validētu satelītu modeļus fragmentētās ainavas apstākļos.

2. Mākslīgais intelekts un dziļā mācīšanās rīsu klasifikācijai

Konvolucionālie neironu tīkli, kas tiek pielietoti satelītattēlu laika rindām, apvienojumā ar transformatoru arhitektūrām, kas pielāgotas no dabiskās valodas apstrādes, pašlaik sasniedz augstāko jebkad ziņoto rīsu klasifikācijas precizitāti.

PRISM (fenoloģijā balstīta rīsu kultūru identifikācijas sistēma, izmantojot vairāku avotu datus) sistēma, ko 2024. gadā publicēja Vageningenas Universitātes pētnieki, parādīja, ka pašvadīta mācīšanās nemarķētos satelītu arhīvos varētu iepriekš apmācīt rīsu klasifikācijas modeļus, kuriem precizēšanai nepieciešami tikai minimāli marķēti zemes dati, tādējādi ievērojami samazinot lauka apsekojuma slogu.

3. Gandrīz reāllaika rīsu uzraudzības sistēmas

Gandrīz reāllaikā darbojošās rīsu monitoringa sistēmas automātiski apstrādā ienākošos satelītu datus, atjaunina rīsu kartes ar 10–16 dienu intervālu un piegādā brīdinājumus par sēšanas datumiem, ūdens stresa gadījumiem un ražas novākšanas laiku tieši valdības informācijas paneļiem vai mobilajām lietotnēm, ko izmanto lauksaimnieki un lauksaimniecības konsultanti.

Taizemes Rīsu departaments un Vjetnamas Lauksaimniecības ministrija abas izmanto šāda veida prototipu sistēmas, un Starptautiskais rīsu pētniecības institūts atbalsta līdzīgu spēju attīstību Bangladešā un Kambodžā.

4. Satelītu un lietu interneta datu integrācija

Rīsu laukos izvietotie lietu interneta (IoT) sensori, kas mēra augsnes mitrumu, ūdens līmeni, temperatūru un koku lapotnes mikroklimatu, ģenerē nepārtrauktus zemes līmeņa novērojumus, kas papildina un kalibrē satelītu tālizpētes datus.

Kad lietu interneta (IoT) sensoru tīkli un satelītu novērojumi tiek apvienoti datu apvienošanas sistēmās, iegūtā uzraudzības sistēma var noteikt ūdens noslodzi, plūdu sākšanos un slimību spiedienu ar lielāku ticamību un agrāku izpildes laiku nekā katrs no avotiem atsevišķi.

5. Digitālā lauksaimniecība un viedā lauksaimniecība

Satelītu rīsu kartēšanas, lietu interneta (IoT) sensoru un mākslīgā intelekta vadīta lēmumu atbalsta konverģence rada viedās rīsu audzēšanas pamatus, kur pārvaldības lēmumi, sākot no apūdeņošanas laika noteikšanas līdz mēslošanas līdzekļu lietošanai, tiek pieņemti, pamatojoties uz telpiski skaidrām, gandrīz reāllaika datu plūsmām, nevis uz kalendāru balstītiem īkšķa noteikumiem.

Pilotprogrammas Japānas Ņiigatas prefektūrā un Ķīnas Heilundzjanas provincē ir parādījušas, ka precīza rīsu apsaimniekošana, kuras pamatā ir tālizpēte, var samazināt izejvielu izmaksas, 15-25% vienlaikus saglabājot vai uzlabojot ražu, saskaņā ar provizoriskiem lauka izmēģinājumu ziņojumiem no 2024. gada.

Secinājums

Rīsu audzēšanas modeļa un kultūras tipa kartēšana, izmantojot tālizpēti, ir nobriedusi no akadēmiskas pētniecības disciplīnas par operatīvu rīku, ko izmanto valdības, starptautiskas aģentūras un lauksaimniecības tehnoloģiju platformas visā Āzijā un ārpus tās. Daudzsensoru laika rindu pieejas, kas apvieno optiskos un SAR datus, apstrādātus, izmantojot mašīnmācīšanās un dziļās mācīšanās klasifikatorus, tagad regulāri nodrošina rīsu platību kartes valsts mērogā ar kopējo precizitāti, kas pārsniedz 85–90%. Šīs kartes ne tikai nosaka, kur aug rīsi, bet arī cik reizes gadā, kādā ūdens režīmā un ar kādu ierīkošanas metodi.

Pārejot no vienkāršas rīsu platību kartēšanas uz kultūras tipa klasifikāciju, zemes seguma produkts tiek pārveidots par lauksaimniecības informācijas avotu. Apziņa, ka reģions desmit gadu laikā ir pārgājis no pārstādīto rīsu audzēšanas uz tiešās sēklas rīsu audzēšanu, vienlaikus signalizē par darba tirgus izmaiņām un gruntsūdens līmeņa samazināšanos. Zinot, kuras lietus apūdeņotās teritorijas ir visneaizsargātākās pret sezonas sākuma sausuma periodiem, ko identificē pēc to laika spektra modeļiem, ir iespējams iepriekš reaģēt uz sausumu, nevis veikt reaktīvu katastrofu seku likvidēšanu. Tālizpēte padara šāda līmeņa telpisko informāciju iespējamu par daudz zemākām izmaksām nekā līdzvērtīgas zemes izpētes programmas.