Mapowanie wzorca upraw ryżu i typu kulturowego za pomocą teledetekcji

Ryż wyżywia ponad 3,5 miliarda ludzi na całym świecie, a mimo to mniej niż 601 TP3T obszarów uprawy ryżu ma dokładne i aktualne mapy upraw, zgodnie z aktualizacją globalnego atlasu ryżu Międzynarodowego Instytutu Badań nad Ryżem (IRRI) z 2024 roku. Mapowanie wzorców upraw ryżu i typów kulturowych za pomocą teledetekcji szybko niweluje tę lukę, dostarczając precyzyjne przestrzennie i spójne czasowo dane w skalach, których nie dorównają żadne badania naziemne.

Od rozróżniania nawadnianych nizin w delcie Mekongu w Wietnamie, gdzie uprawia się podwójną uprawę, po identyfikację pól nawadnianych w jednym sezonie w Afryce Subsaharyjskiej, systemy satelitarne i radarowe dostarczają obecnie informacji, których rolnicy, rządy i agencje bezpieczeństwa żywnościowego potrzebują do planowania z pewnością siebie. Wraz z przyspieszeniem przetwarzania danych przez sztuczną inteligencję i chmurę obliczeniową, monitorowanie ryżu w czasie zbliżonym do rzeczywistego ma stać się globalnym standardem do 2027 roku.

Dlaczego ryż jest ważny i dlaczego jego monitorowanie jest trudne

1. Produkcja ryżu i globalne równanie bezpieczeństwa żywnościowego

Ryż jest podstawowym źródłem kalorii dla ponad połowy światowej populacji, a jego znaczenie wykracza daleko poza indywidualne odżywianie. Globalna produkcja ryżu osiągnęła około 520 milionów ton metrycznych ryżu mielonego w 2024 r., Według danych FAO, na Azję przypada prawie 90% tej produkcji.

Jakiekolwiek poważne zakłócenia w dostawach ryżu, czy to spowodowane suszą, powodzią, plagą szkodników czy brakiem odpowiedniej polityki, wywołują gwałtowne szoki cenowe żywności, które w nieproporcjonalnym stopniu dotykają najuboższe gospodarstwa domowe na świecie.

Utrzymanie bezpieczeństwa żywnościowego na tak dużą skalę wymaga czegoś więcej niż tylko uprawy wystarczającej ilości ryżu. Wymaga dokładnej wiedzy o tym, gdzie uprawia się ryż, ile razy w roku na każdym polu odbywają się zbiory i jakie praktyki rolnicze są stosowane. Rządy potrzebują tych danych, aby alokować infrastrukturę nawadniającą, dotować środki produkcji i tworzyć rezerwy awaryjne.

Problem polega na tym, że ryż uprawia się na niezwykle zróżnicowanych terenach, od tarasowych zboczy wzgórz na Filipinach po rozległe nawadniane równiny w Chinach. W związku z tym konwencjonalne badania terenowe są niepraktyczne pod względem logistycznym i finansowym w skali kraju lub regionu.

2. Potrzeba systematycznego monitorowania wzorców upraw ryżu

Wzorce upraw ryżu, czyli liczba sezonów uprawy ryżu w roku i ich rozkład w krajobrazie, ulegają ciągłym zmianom. Zmienność klimatu skraca okresy wegetacyjne w niektórych regionach, a wydłuża je w innych. Sygnały ekonomiczne skłaniają rolników do przejścia z uprawy pojedynczej na podwójną, gdy dostępność wody i ceny rynkowe się dostosowują.

Bez systematycznego monitoringu planiści pracują w oparciu o dane ze spisów powszechnych, które mogą być nieaktualne od pięciu lub więcej lat, co prowadzi do chronicznego niewłaściwego przydzielania wody, dopłat do nawozów i kredytów dla obszarów wiejskich. Teledetekcja oferuje rozwiązanie tej luki w monitoringu, dostarczając spójnych, powtarzalnych obserwacji w całych krajach w ciągu kilku dni.

Zamiast polegać na samoocenie rolników lub ankietach przeprowadzanych przez urzędników, systemy satelitarne bezpośrednio obserwują krajobraz, rejestrując zmiany zachodzące na polach ryżowych pod wpływem powodzi, przesadzania, wzrostu roślinności i zbiorów w każdej porze roku.

3. Co teledetekcja wnosi do mapowania rolnictwa

Teledetekcja to nauka pozyskiwania informacji o obiektach lub obszarach z odległości, zazwyczaj za pomocą czujników zamontowanych na satelitach, samolotach lub bezzałogowych statkach powietrznych (UAV). W rolnictwie czujniki mierzą energię odbitą lub emitowaną przez uprawy, glebę i wodę w różnych długościach fal widma elektromagnetycznego.

Ponieważ różne rodzaje pokrycia terenu inaczej odbijają energię w różnych fazach wzrostu, zdjęcia satelitarne pozwalają odróżnić pole ryżowe od pola kukurydzy oraz zalane pole ryżowe z przesadzoną uprawą od suchego pola z bezpośrednim siewem, z precyzją, która rośnie wraz z rozwojem technologii czujników. Mapowanie wzorca upraw ryżu i typu kulturowego za pomocą teledetekcji służy czterem powiązanym celom.

• Po pierwsze, tworzy przestrzennie dokładne inwentaryzacje miejsc uprawy ryżu w różnych porach roku i porach roku.
• Po drugie, klasyfikuje liczbę cykli uprawowych występujących w ciągu roku na każdym zmapowanym obszarze, rozróżniając systemy pojedynczej, podwójnej i potrójnej uprawy.
• Po trzecie, identyfikuje stosowane praktyki kulturowe, takie jak to, czy pole jest przesadzane czy bezpośrednio zasiewane, lub czy zarządzanie wodą jest kontrolowane czy opiera się na nawadnianiu deszczowym.
• Po czwarte, generuje dane bazowe, które są wykorzystywane przy prognozowaniu produkcji, budżetowaniu wody, planowaniu adaptacji do zmian klimatu i systemach rolnictwa precyzyjnego.

Zrozumienie systemów uprawy ryżu i typów kulturowych

1. Co tak naprawdę oznacza schemat upraw ryżu

Wzorzec upraw ryżu opisuje rozkład czasowy uprawy ryżu w danym miejscu w ciągu roku kalendarzowego. Ukazuje on nie tylko, czy ryż jest uprawiany, ale także ile razy, kiedy zaczyna się i kończy każdy sezon oraz jakie plony, jeśli w ogóle, na tym samym polu następują po ryżu lub je poprzedzają. Mapowanie tych wzorców w regionie daje planistom dynamiczny obraz intensywności użytkowania gruntów i zapotrzebowania na zasoby, którego nie dałoby się uzyskać na podstawie pojedynczego zdjęcia.

2. Systemy uprawy ryżu jednogatunkowego

W systemach monokulturowych rolnicy uprawiają ryż przez jeden sezon w roku, zazwyczaj w porę monsunową lub w ramach jednego kontrolowanego cyklu nawadniania. Systemy te dominują w regionach, gdzie dostępność wody, siła robocza lub klimat ograniczają możliwość drugiego sezonu.

Systemy monokulturowe charakteryzują się zazwyczaj dłuższymi okresami wegetacji w sezonie, często z wykorzystaniem tradycyjnych lub ulepszonych odmian o długim okresie wegetacji, a ponadto są nieproporcjonalnie do dużych opadów deszczu, co sprawia, że są bardzo wrażliwe na czas i rozkład opadów.

3. Systemy podwójnej uprawy ryżu

Systemy podwójnej uprawy pozwalają uzyskać dwa zbiory ryżu rocznie z tego samego pola. Są one najpowszechniejsze w Azji Południowo-Wschodniej i Południowej, w tym w delcie Rzeki Czerwonej w Wietnamie, na terenach zalewowych Bangladeszu i w nawadnianych dystryktach Pendżabu w Indiach.

Różnica czasowa między dwoma sezonami jest niewielka, często mniejsza niż 30 dni, dlatego identyfikacja obszarów podwójnej uprawy na podstawie danych satelitarnych wymaga gęstych obserwacji szeregów czasowych w celu wykrycia dwóch pełnych cykli fenologicznych w ciągu jednego roku.

4. Systemy trójplonowe ryżu

Potrójny system uprawy, z trzema zbiorami ryżu rocznie, jest praktykowany na ograniczonych obszarach, gdzie dostępność wody i temperatura utrzymują się przez cały rok. W delcie Mekongu w południowym Wietnamie i niektórych częściach prowincji Guangdong w południowych Chinach stosuje się systemy potrójnej uprawy.

Choć systemy trójplonowe maksymalizują intensywność użytkowania gruntów, niosą ze sobą poważne wyzwania w zakresie żyzności gleby i zwalczania szkodników. Zdalna identyfikacja tych pól jest technicznie wymagająca, ponieważ krótkie okresy ugorowania między uprawami kompresują sygnały fenologiczne do wąskich okienek.

5. Uprawa ryżu na deszczówce

Ryż deszczowy, uprawiany wyłącznie w oparciu o opady, bez sztucznego nawadniania, stanowi około 451 ton sześciennych (TP3T) całkowitej powierzchni upraw ryżu na świecie, według Międzynarodowego Instytutu Badań nad Ryżem (IRRI). Jest to dominujący system w Afryce Subsaharyjskiej, na wyżynach Azji Południowej i Południowo-Wschodniej oraz na terenach zalewowych zależnych od deszczu.

Systemy nawadniane deszczem są bardzo wrażliwe na zmienność opadów, co w niektórych regionach przekłada się na wahania plonów rzędu 30–50% między latami wilgotnymi a suchymi. Z perspektywy teledetekcji, mapowanie ryżu nawadnianego deszczem jest trudniejsze, ponieważ sygnał powodzi jest słabszy i bardziej nieregularny niż na zarządzanych polach nawadnianych.

6. Uprawa ryżu nawadnianego

Systemy nawadniania ryżu pobierają wodę za pośrednictwem kanałów, pomp lub zarządzanych zbiorników, umożliwiając rolnikom kontrolowanie sadzenia i zbiorów z dużą precyzją. Ryż nawadniany zajmuje obecnie zaledwie około 551 TP3T globalnej powierzchni upraw ryżu, ale odpowiada za 751 TP3T całkowitej produkcji ryżu, co odzwierciedla przewagę plonów wynikającą z bezpieczeństwa wodnego.

Celowe zalewanie nawadnianych pól ryżowych powoduje powstanie silnego i spójnego sygnału rozpraszania wstecznego radaru, który jest niezawodnie wykrywany przez czujniki satelitarne. Dzięki temu nawadniany ryż należy do najdokładniej mapowanych rodzajów upraw na świecie.

7. Systemy ryżowe wyżynne i nizinne

Ryż na wyżynach uprawiany jest na niezalewanych, dobrze odwodnionych glebach, często na zboczach wzgórz lub tarasach w Azji i Afryce. Ponieważ pola te nigdy nie są celowo zalewane, brakuje im sygnału wody, który umożliwiałby identyfikację ryżu nizinnego za pomocą radaru, zmuszając naukowców do polegania wyłącznie na widmowych wzorcach roślinności.

Ryż nizinny, z kolei, uprawiany jest na płaskich lub płytko zalanych polach, gdzie woda gromadzi się naturalnie lub w wyniku nawadniania. Systemy nizinne dominują w azjatyckich regionach mis ryżowych i stanowią główny cel większości prac kartograficznych na dużą skalę.

Kontrast morfologiczny między terenami górzystymi i nizinnymi, obejmujący kształt terenu, położenie topograficzne i strukturę koron drzew, dostarcza dodatkowych wskazówek przestrzennych, które można skutecznie wykorzystać za pomocą analizy obrazów opartej na obiektach.

8. Ryż wysiewany bezpośrednio a ryż przesadzany

W przypadku ryżu przesadzanego sadzonki są hodowane w szkółce przez 25 do 30 dni, a następnie ręcznie lub mechanicznie przenoszone na pole główne. Natomiast w przypadku ryżu z siewu bezpośredniego nasiona są wysiewane bezpośrednio na przygotowane pole, bez konieczności przygotowania szkółki.

Te dwie metody generują mierzalnie różne sygnatury czasowe w danych satelitarnych: pola przesadzone wykazują gwałtowne, zsynchronizowane zazielenienie około trzy tygodnie po powodzi, podczas gdy pola obsiane bezpośrednio wykazują bardziej stopniowy rozwój koron drzew od dnia zasiewu. Ta różnica fenologiczna, subtelna, ale realna, jest wykrywalna dzięki starannej analizie szeregów czasowych wskaźników roślinności.

Narzędzia i technologie teledetekcji do mapowania ryżu

1. Zasada fizyczna leżąca u podstaw teledetekcji

Każda roślina odbija, pochłania i transmituje promieniowanie słoneczne zgodnie ze schematami zależnymi od biochemii liści, struktury korony i zawartości wody. Zielone liście silnie absorbują światło czerwone w procesie fotosyntezy, jednocześnie odbijając znaczną część energii bliskiej podczerwieni (NIR). Natomiast zalane gleby pochłaniają niemal całe docierające promieniowanie.

Te kontrastujące reakcje tworzą przewidywalne sygnatury spektralne, które czujniki na satelitach mogą rejestrować w spójnym czasie, umożliwiając analitykom śledzenie stanu upraw, etapu wzrostu i decyzji dotyczących zarządzania na poziomie pola bez konieczności udania się na pole.

2. Teledetekcja optyczna

Czujniki optyczne wykrywają odbite promieniowanie słoneczne, generując obrazy wiernie odzwierciedlające to, co ludzkie oko widziałoby po rozszerzeniu na fale podczerwone. Trzy platformy optyczne dominują w badaniach nad mapowaniem ryżu.

Landsat (seria satelitów obsługiwanych przez NASA i USGS od 1972 roku) dostarcza obrazy o rozdzielczości przestrzennej 30 metrów z 16-dniowym cyklem rewizyt. Długie archiwum czasowe sprawia, że jest on niezbędny do badań zmian powierzchni upraw ryżu na przestrzeni dekad. Jednak 16-dniowa powtarzalność oznacza, że niektóre zjawiska fenologiczne w krótkim sezonie wegetacyjnym mogą zostać pominięte pomiędzy obserwacjami.

Sentinel-2 (obsługiwany przez Europejską Agencję Kosmiczną, wystrzelony w latach 2015 i 2017 jako konstelacja bliźniaczych satelitów) przewyższa Landsat o rozdzielczość 10-20 metrów i 5-dniowy cykl rewizyty na równiku. Te dwa udoskonalenia umożliwiają dokładniejsze rozgraniczenie pola i lepsze próbkowanie fenologiczne, a najnowsze badania mapowania ryżu o wysokiej dokładności, w tym opublikowane w czasopiśmie ISPRS Journal of Photogrammetry and Remote Sensing w 2024 roku, wykorzystują Sentinel-2 jako główne źródło danych optycznych.

MODIS (Moderate Resolution Imaging Spectroradiometer), zainstalowany na satelitach Terra i Aqua NASA, zapewnia rozdzielczość 250–500 metrów i możliwość codziennych rewizyt. Choć MODIS jest zbyt zgrubny do mapowania pojedynczych pól, pozostaje cenny w ocenie intensywności upraw w skali krajowej i kontynentalnej, gdzie wysoka rozdzielczość przestrzenna ma mniejsze znaczenie niż gęstość czasowa.

3. Radarowe zdalne wykrywanie

Radar z syntetyczną aperturą (SAR) To technologia oparta na radarze, która przesyła impulsy mikrofalowe w kierunku powierzchni Ziemi i mierzy energię rozproszoną z powrotem do czujnika. W przeciwieństwie do czujników optycznych, SAR działa niezależnie od zachmurzenia i oświetlenia słonecznego, co oznacza, że zbiera dane równie dobrze w pochmurną noc monsunową, jak i w pogodny dzień pory suchej.

Ta właściwość ma kluczowe znaczenie w przypadku mapowania upraw ryżu w tropikalnej Azji, gdzie czujniki optyczne regularnie tracą tygodnie sezonu wegetacyjnego z powodu przeszkód w postaci chmur.

Sentinel-1 (ESA) transmituje energię mikrofalową w paśmie C (długość fali około 5,6 cm) i dostarcza darmowe, globalne dane SAR z rozdzielczością 10 metrów i cyklem powtarzania 6-12 dni. Pola ryżowe oddziałują z sygnałami SAR w charakterystyczny sposób:

• pola zalane działają jak niemal idealne lustro, odbijając większość energii radarowej od czujnika (co powoduje niskie wartości rozpraszania wstecznego), podczas gdy
• Rosnąca korona ryżu rozprasza energię w kierunku czujnika, w miarę jak gęstość roślin i powierzchnia liści rosną.

Ta trajektoria rozpraszania wstecznego w czasie, niska podczas powodzi i przesadzania, wznosząca się w okresach wegetacji i opadająca ponownie po skiełkowaniu, tworzy radarowy sygnał fenologiczny, unikalny dla ryżu.

Nguyen i in. (Teledetekcja środowiska, 2023) stwierdzili, że klasyfikacja szeregów czasowych SAR Sentinel-1 została osiągnięta 92,3% ogólna dokładność mapując sezony zbiorów ryżu w trzech prowincjach w delcie Mekongu w Wietnamie, w tym obszary z trzema rodzajami upraw, dla których dane optyczne były niedostępne przez ponad 60% okresu wegetacyjnego z powodu zachmurzenia.

W regionach uprawy ryżu tropikalnego metody bazujące na SAR nie są po prostu alternatywą dla czujników optycznych. Często stanowią jedyną niezawodną opcję mapowania poszczególnych pór roku w miesiącach monsunowych.

4. Integracja danych wieloczujnikowych

Żaden pojedynczy czujnik nie oferuje idealnego połączenia szczegółowości przestrzennej, gęstości czasowej i penetracji chmur. Dlatego najdokładniejsze systemy mapowania ryżu integrują wiele typów czujników w ramach jednego systemu analitycznego.

Powszechna architektura łączy dane SAR z Sentinel-1 służące do śledzenia w czasie bezchmurnym z danymi optycznymi z Sentinel-2, które pozwalają określić bogactwo widmowe w okresach bezchmurnego nieba, a także wykorzystuje MODIS jako punkt odniesienia o dużej rozdzielczości do wykrywania wzorców fenologicznych w skali regionalnej.

Gdy te strumienie danych zostaną algorytmicznie połączone, połączony zestaw danych może określać granice upraw, wykrywać daty przesadzania i przypisywać klasyfikacje typów kulturowych z poziomem pewności, jakiego nie osiąga żaden pojedynczy czujnik.

Identyfikacja wzorców upraw ryżu na podstawie danych satelitarnych

1. Sygnatury czasowe etapów wzrostu ryżu

Wzrost ryżu przebiega w ściśle określonej sekwencji etapów: przygotowanie i zalewanie gleby, przesadzanie lub siew, krzewienie (wykształcanie wielu łodyg z jednej rośliny), zawiązywanie wiech, pojawianie się kwiatostanu i zbiorów.

Każdy etap powoduje mierzalną zmianę w optycznych i radarowych właściwościach pola. Analitycy wykorzystują te charakterystyczne dla danego etapu sygnatury, rejestrowane jako szeregi czasowe indeksów widmowych lub rozproszenie wsteczne SAR, aby zrekonstruować, co i kiedy wydarzyło się na każdym polu, bez wcześniejszej wiedzy rolnika.

2. Mapowanie ryżu na podstawie fenologii

Mapowanie oparte na fenologii (wykorzystując chronologię zdarzeń biologicznych do klasyfikacji upraw) jest dominującym podejściem do wykrywania ryżu na dużych obszarach. Metoda ta polega na dopasowaniu krzywych matematycznych do danych szeregów czasowych, a następnie identyfikacji pól, na których wzorzec czasowy pokrywa się z charakterystyczną krzywą wzrostu ryżu. Kluczowe daty zdarzeń wyodrębnione z tego procesu dopasowania obejmują:

• początek sezonu wegetacyjnego (zwykle identyfikowany na podstawie gwałtownego wzrostu wartości wskaźnika roślinności po powodzi),
• szczyt sezonu wegetacyjnego (wskaźnik maksymalnej powierzchni liści) i
• koniec sezonu (gwałtowny spadek plonów w czasie zbiorów).

Liczba takich cykli wykrytych w ciągu roku kalendarzowego bezpośrednio decyduje o tym, czy pole zostanie sklasyfikowane jako uprawiane jedno-, dwu- czy trzykrotnie.

3. Ocena intensywności upraw

Intensywność upraw, czyli liczba sezonów uprawowych zakończonych w ciągu roku na jednostce gruntu, jest jednym z najważniejszych dla polityki wyników mapowania wzorców upraw ryżu. Proste, ale skuteczne podejście oblicza liczbę wystąpień piku widmowego lub rozproszenia wstecznego przypominającego ryż w rocznym szeregu czasowym piksela.

W połączeniu z filtrami przestrzennymi, które eliminują błędne wykrycia spowodowane przez tereny podmokłe, zbiorniki wodne lub sezonowe powodzie, cykliczne pomiary plonów tworzą mapy pojedynczych, podwójnych i potrójnych upraw ryżu, które można zweryfikować na podstawie badań terenowych i statystyk regionalnych.

4. Mapowanie sezonowego i rocznego rozmieszczenia ryżu

Mapy sezonowe (jedna mapa na sezon wegetacyjny w roku) pokazują nie tylko, gdzie uprawia się ryż, ale także, kiedy rośnie w danej lokalizacji. Roczne zbiory map sezonowych ujawniają pełny kalendarz upraw w regionie, w tym przestrzenne rozmieszczenie ryżu na początku i na końcu sezonu, co ma bezpośredni wpływ na harmonogram nawadniania, zwalczanie szkodników i logistykę zbiorów.

5. Wykrywanie płodozmianów obejmujących ryż

W wielu azjatyckich systemach uprawy ryżu rolnicy uprawiają naprzemiennie ryż z pszenicą, warzywami, roślinami strączkowymi lub pozostawiają je na tym samym polu przez kolejne sezony. Teledetekcja wykrywa te zmiany, analizując pełne roczne serie czasowe, a nie pojedyncze sezony w izolacji.

Pole klasyfikowane jako ryż w porze deszczowej, a jako pszenica w porze suchej, wykazuje wyraźny dwuszczytowy wzorzec czasowy w danych dotyczących wskaźnika roślinności, przy czym charakterystyka widmowa każdego szczytu identyfikuje odpowiedni rodzaj uprawy. Mapowanie tych zmianowań ma znaczenie dla oceny stanu gleby, modelowania zapotrzebowania na nawadnianie i programów dywersyfikacji dochodów.

Jak GeoPard wspomaga mapowanie wzorców upraw ryżu

Mapowanie wzorców upraw ryżu wymaga ciągłej, wieloźródłowej obserwacji przez cały sezon wegetacyjny, a właśnie to oferuje GeoPard. Łącząc obrazy z satelitów Landsat-8, Sentinel-2 i Planet w jedną platformę, GeoPard monitoruje pola co drugi dzień z rozdzielczością do 3 metrów, gwarantując, że krytyczne zdarzenia związane z uprawą ryżu, takie jak powodzie przed sadzeniem, zazielenienie sadzonek czy zbiory, nigdy nie zostaną przeoczone z powodu prześwitów chmur.

Połączenie wielu czujników zastosowane na platformie wykazało 4% większą dokładność w porównaniu z podejściami wykorzystującymi pojedynczy czujnik, co bezpośrednio przekłada się na lepsze rozróżnienie systemów uprawy ryżu z pojedynczą, podwójną i potrójną uprawą.

W celu identyfikacji typów kulturowych zestaw indeksów roślinności GeoPard, obejmujący NDWI do wykrywania powodzi powierzchniowych, EVI2 do pomiaru czasu biomasy koron drzew i LAI do pomiaru gęstości koron drzew, rejestruje biografię widmową, która pozwala odróżnić ryż przesadzony metodą nawadniania od ryżu nawadnianego metodą nawadniania lub z systemem siewu bezpośredniego.

W pochmurne dni monsunowe, gdy obrazowanie optyczne w ogóle zawodzi, zintegrowana warstwa danych radarowych GeoPard umożliwia nieprzerwane śledzenie roślinności dzięki odczytowi rozpraszania wstecznego SAR, które jest ostateczną oznaką zalanego pola ryżowego w momencie przesadzania.

Narzędzie Porównaj warstwy umożliwia agronomom umieszczenie obok siebie maksymalnie czterech zsynchronizowanych warstw danych, co ułatwia rozróżnianie typów upraw ryżu poprzez porównywanie sygnałów powodziowych NDWI z wieloletnimi trendami roślinności i mapami produktywności gleby.

Oparta na ponad 30 latach zdjęć satelitarnych, platforma ujawnia długoterminowe wzorce intensywności upraw na poziomie pola. Te informacje są następnie bezpośrednio wykorzystywane do map zmiennego dawkowania nawozów, nasion i środków ochrony roślin, przekształcając mapy odmian upraw ryżu w konkretne zalecenia dotyczące zarządzania na poziomie pola.

Mapowanie typów kulturowych ryżu za pomocą teledetekcji

1. Charakterystyka widmowa różnych praktyk kulturowych

Typ uprawowy, czyli specyficzna kombinacja praktyk zarządzania stosowanych na polu ryżowym, kształtuje ewolucję widmową tego pola w czasie. Na przykład, zalany wodą, przesadzony ryż rozpoczyna sezon z odpowiedzią optyczną zdominowaną przez wodę (niski współczynnik odbicia we wszystkich pasmach widzialnych), po czym następuje gwałtowna zmiana, gdy zbiorowiska sadzonek się ukorzeniają.

Ryż wysiewany bezpośrednio do niezalanej grządki charakteryzuje się bardziej stopniowym wzrostem sygnału wegetacyjnego od początku kiełkowania, bez początkowego okresu zalewania, który czujniki optyczne i SAR łatwo wykrywają.

2. Rozróżnianie ryżu nawadnianego i nawadnianego deszczówką

Pola ryżowe nawadniane i nawadniane deszczem różnią się pod dwoma obserwowalnymi względami: czasem i regularnością powodzi oraz stałością sezonowej fenologii. Pola nawadniane są zazwyczaj zalewane zgodnie z harmonogramem, wykazują mniejszą zmienność terminów przesadzania z roku na rok i utrzymują stałą gęstość korony dzięki kontrolowanemu zarządzaniu wodą.

Pola deszczowe wykazują większą zmienność czasową pomiędzy latami, mogą doświadczać stresu wodnego w połowie sezonu, co objawia się anomaliami w wartościach wskaźnika wegetacji, a czasami nie udaje im się ukończyć całego sezonu wegetacyjnego w latach suszy.

Wieloletnia analiza szeregów czasowych odzwierciedla tę strukturę zmienności, umożliwiając algorytmom klasyfikacyjnym oddzielenie obszarów nawadnianych od obszarów zasilanych deszczem z dokładnością zazwyczaj przekraczającą 85% w dobrze skalibrowanych systemach.

3. Mapowanie ryżu przesadzonego i wysianego bezpośrednio

Najbardziej wiarygodnym wskaźnikiem pozwalającym odróżnić ryż przesadzony od ryżu sianego bezpośrednio na podstawie danych SAR jest moment i czas trwania początkowego okresu niskiego rozproszenia wstecznego.

Przesadzone pola ryżowe są zalewane przez okres 2–4 tygodni przed przesadzeniem sadzonek, co zapewnia wydłużone okno ciemności na początku sezonu.

Pola z siewem bezpośrednim nie wykazują okna zalewania (siew na sucho) lub wykazują bardzo krótkie okno zalewania (siew na mokro), a wzrost rozproszenia wstecznego jest zarówno wcześniejszy w stosunku do daty siewu, jak i strukturalnie różny pod względem nachylenia. Te cechy czasowe można wyodrębnić automatycznie za pomocą algorytmów zastosowanych do gęstych szeregów czasowych SAR.

4. Wykrywanie praktyk zarządzania za pomocą teledetekcji

Oprócz metody przesadzania i reżimu wodnego, teledetekcja pozwala wykryć pewne praktyki związane z gospodarką wodną, takie jak naprzemienne nawilżanie i suszenie (AWD) — technika stosowana w celu ograniczenia emisji metanu i zużycia wody poprzez okresowe osuszanie pól ryżowych.

Pola AWD wykazują oscylujące wzorce rozpraszania wstecznego SAR w okresie wegetacji, odzwierciedlając powtarzające się cykle odpływu i powodzi, podczas gdy pola stale zalewane wykazują bardziej stabilną trajektorię rozpraszania wstecznego. Ta zdolność jest szczególnie cenna dla monitorowania wdrażania praktyk uprawy ryżu przyjaznych dla klimatu w krajowych inwentaryzacjach gazów cieplarnianych.

5. Wskaźniki zarządzania wodą na polach ryżowych

Detekcja powierzchni wody za pomocą SAR charakteryzuje się wysoką czułością i umożliwia identyfikację zbiorników wodnych o głębokości zaledwie kilku centymetrów pod łanami ryżu. Ta czułość pozwala analitykom na mapowanie stanu zalania poszczególnych pól w kluczowych momentach sezonu wegetacyjnego, co wspomaga podejmowanie decyzji dotyczących harmonogramu nawadniania i wczesną ocenę szkód powodziowych.

Gdy mapy powierzchni wód pochodzące z różnych dat zostaną ze sobą połączone w czasie, uzyskają dynamiczny podpis zarządzania wodą dla każdego pola, który służy jako wartościowy wkład do modeli klasyfikacji typów kulturowych.

Techniki i metody: od indeksów do głębokiego uczenia się

1. Wskaźniki roślinności do monitorowania ryżu

Wskaźniki roślinności to matematyczne kombinacje wartości współczynnika odbicia dla różnych długości fal, mające na celu wzmocnienie sygnału biomasy i stanu zdrowia roślin, przy jednoczesnej redukcji szumów pochodzących od tła glebowego, wpływów atmosferycznych i geometrii oświetlenia. Trzy wskaźniki są kluczowe dla prac nad mapowaniem ryżu.

i. NDVI (Znormalizowany Wskaźnik Różnicy Roślinności) Wskaźnik ten oblicza się jako (NIR – czerwony) / (NIR + czerwony) i jest najczęściej stosowanym wskaźnikiem w monitorowaniu ryżu. Monitoruje on zieloność łanu od momentu ukorzenienia się sadzonek do momentu starzenia, a jego wartości zazwyczaj rosną od bliskich zera podczas przesadzania do 0,6-0,8 w szczytowym okresie wzrostu wegetatywnego.

ii. EVI (Wskaźnik Wzmocnionej Roślinności) koryguje wpływ aerozoli atmosferycznych i szum tła gleby skuteczniej niż NDVI, dzięki czemu jest preferowany w środowiskach o dużym stężeniu aerozoli, np. w sezonach spalania biomasy, powszechnych w tropikalnej Azji.

iii. LSWI (wskaźnik wód powierzchniowych lądu) wykorzystuje krótkofalowe odbicie podczerwieni w celu wykrycia zawartości wody zarówno w koronach roślin, jak i w powierzchni gleby, dzięki czemu jest niezwykle czuły na powodzie charakterystyczne dla uprawy ryżu na nizinach i dostarcza solidny sygnał pozwalający wykryć początek sezonu wegetacyjnego.

2. Analiza szeregów czasowych

Pojedyncze zdjęcie satelitarne rejestruje stan pola ryżowego w danym momencie, ale historia pola ryżowego jest zapisana w sekwencji tych momentów. Analiza szeregów czasowych łączy wiele obserwacji, zazwyczaj jeden obraz co 5-16 dni przez cały rok, i wyodrębnia wskaźniki czasowe, takie jak data rozpoczęcia sezonu, szczytowy wskaźnik NDVI, tempo zazielenienia i data zbiorów.

Te wskaźniki łącznie opisują pełne zachowanie fenologiczne pola i są znacznie bardziej diagnostyczne w identyfikacji rodzaju upraw niż jakakolwiek obserwacja z jednego dnia. Metody statystyczne, takie jak regresja harmoniczna i dynamiczne odkształcenie czasu (DTW), są powszechnie stosowane do zestrajania i porównywania danych szeregów czasowych z różnych lat i regionów.

3. Uczenie maszynowe w klasyfikacji ryżu

Uczenie maszynowe zmieniło skalę i dokładność mapowania upraw ryżu poprzez automatyzację identyfikacji złożonych, nieliniowych zależności między danymi widmowo-czasowymi i warunkami terenowymi.

i. Las losowy (RF) to metoda zespołowa, która buduje setki niezależnych drzew decyzyjnych, z których każde jest trenowane na losowym podzbiorze cech, i agreguje ich głosy w celu uzyskania ostatecznej klasyfikacji. Jest odporna na zaszumione dane treningowe, efektywnie obsługuje wielowymiarowe przestrzenie cech i dostarcza zmienne wyniki ważności, które pomagają analitykom zrozumieć, które cechy czasowe lub widmowe wpływają na decyzje klasyfikacyjne.

ii. Maszyna wektorów nośnych (SVM) Znajduje optymalną granicę oddzielającą klasy w wielowymiarowej przestrzeni cech. SVM działa dobrze, gdy dane treningowe są ograniczone, co czyni go przydatnym w regionach o niedoborze danych, gdzie zbieranie prawdy podstawowej jest kosztowne.

iii. Głębokie uczenie się, Sieci neuronowe, w szczególności splotowe (CNN) i rekurencyjne (RNN), takie jak architektury pamięci długoterminowej (LSTM), mogą jednocześnie uczyć się wzorców przestrzennych w poszczególnych obrazach i wzorców czasowych w sekwencjach obrazów. Klasyfikatory oparte na LSTM zastosowane do szeregów czasowych satelitów osiągnęły najnowocześniejszą dokładność w zadaniach mapowania ryżu, a kilka badań wykazało ogólną dokładność przekraczającą 90% w skalach regionalnych.

Xiao i in. (International Journal of Applied Earth Observation and Geoinformation, 2025) wykazali, że model głębokiego uczenia LSTM trenowany na połączonych danych szeregów czasowych Sentinel-1 i Sentinel-2 odwzorował typy kulturowe ryżu w trzech krajach Azji Południowej z ogólna dokładność 91,7% i współczynnik kappa 0,89, przewyższając Random Forest o 6,4 punktu procentowego przy tych samych warunkach danych szkoleniowych.

W przypadku mapowania typów upraw ryżu na dużych obszarach, gdzie możliwe jest zbieranie danych szkoleniowych, klasyfikatory głębokiego uczenia bazujące na LSTM są obecnie metodą referencyjną i powinny być domyślnym wyborem w nowych krajowych programach mapowania.

4. Analiza obrazu oparta na obiektach (OBIA)

Analiza obrazu oparta na obiektach (OBIA) działa poprzez grupowanie sąsiadujących pikseli o podobnych charakterystykach widmowych i przestrzennych w obiekty (segmenty) przed ich klasyfikacją, zamiast klasyfikować każdy piksel niezależnie.

W mapowaniu ryżu metoda OBIA jest przydatna, ponieważ pozwala uwzględnić w klasyfikacji kształt, teksturę i kontekst, odróżniając pole ryżowe od zbiornika wodnego o podobnym kolorze na podstawie regularnej prostokątnej geometrii pola.

Technologia OBIA sprawdza się szczególnie dobrze w przypadku bardzo wysokiej rozdzielczości przestrzennej, na przykład danych z satelitów komercyjnych o rozdzielczości 1–5 metrów lub obrazów z bezzałogowych statków powietrznych (UAV).

5. Techniki wykrywania zmian

Wykrywanie zmian identyfikuje obszary, na których nastąpiła zmiana użytkowania gruntów między dwoma lub więcej datami. W monitorowaniu systemu uprawy ryżu, wykrywanie zmian służy dwóm celom: śledzeniu corocznej ekspansji lub kurczenia się powierzchni upraw ryżu w reakcji na czynniki klimatyczne lub ekonomiczne oraz identyfikowaniu zmian w połowie sezonu, takich jak nieurodzaj, porzucenie upraw lub nieoczekiwane powodzie.

Wykrywanie zmian dwuczasowych (bezpośrednie porównywanie dwóch dat) jest proste, ale podatne na różnice fenologiczne między latami. Wykrywanie zmian wieloczasowych w pełnych stosach rocznych jest bardziej niezawodne i pozwala oddzielić rzeczywiste zmiany w użytkowaniu gruntów od sezonowych zmian fenologicznych.

Ocena i walidacja dokładności

1. Gromadzenie danych wiarygodnych

Każdy produkt do mapowania ryżu wymaga walidacji na podstawie niezależnie zebranych obserwacji terenowych. Dane z badań terenowych zazwyczaj obejmują wizyty terenowe z wykorzystaniem GPS, podczas których przeszkoleni rachmistrzowie rejestrują rodzaj uprawy, fazę wzrostu, stan gospodarki wodnej i metodę zakładania plantacji w statystycznie reprezentatywnej próbie lokalizacji. Obserwacje te są gromadzone w taki sposób, aby pokrywały się czasowo z danymi z satelitów i nie są uwzględniane w szkoleniu modelu, lecz wykorzystywane wyłącznie do oceny dokładności.

2. Metryki dokładności klasyfikacji

W przypadku zastosowań związanych z ryżem, wynik F1, który równoważy dokładność producenta i użytkownika dla każdej klasy, jest coraz częściej podawany obok Kappa jako bardziej informacyjne, jednoliczbowe podsumowanie wydajności. Standardowe wskaźniki oceny dokładności mapy obejmują:

• dokładność ogólna (procent wszystkich punktów walidacyjnych prawidłowo sklasyfikowanych),
• dokładność producenta (prawdopodobieństwo, że pole danej prawdziwej klasy zostanie poprawnie odwzorowane, analogicznie do odwołania),
• dokładność użytkownika (prawdopodobieństwo, że pole mapowane na daną klasę jest faktycznie tą klasą, analogicznie do precyzji) i
• współczynnik Kappa (miara zgodności skorygowana o zgodność przypadkową, gdzie wartości powyżej 0,80 oznaczają silną zgodność).

3. Weryfikacja wzorców upraw i map typów kulturowych

Weryfikacja map wzorców upraw wymaga wieloetapowych danych rzeczywistych, obejmujących wizyty terenowe w różnych punktach kalendarza upraw w celu potwierdzenia, ile sezonów faktycznie zebrano w ciągu roku w każdym miejscu weryfikacji.

Weryfikacja typów kulturowych, odróżniająca rośliny przesadzone od wysianych bezpośrednio lub nawadniane od nawadnianych deszczem, jest trudniejsza, ponieważ rozróżnienia te nie zawsze są widoczne na pierwszy rzut oka w terenie i wymagają wywiadów z rolnikami lub bezpośredniej obserwacji działań zarządczych w newralgicznych momentach sezonu wegetacyjnego.

Krajowe statystyki rolnicze, choć często agregowane na poziomie prowincji lub dystryktu, zapewniają dodatkową warstwę weryfikacji szacunków powierzchni, umożliwiając krzyżową kontrolę sum podanych na mapie z oficjalnymi danymi.

Zastosowania w całym systemie rolniczym

1. Planowanie i rozwój polityki rolnej

Mapy wzorców upraw ryżu, opracowane na podstawie teledetekcji, zapewniają ministerstwom rolnictwa rozdzielczość przestrzenną niezbędną do projektowania ukierunkowanych interwencji. Regiony zidentyfikowane jako obszary o pojedynczym systemie uprawy, zasilane deszczem, mogą być priorytetowo traktowane pod kątem rozwoju nawadniania na małą skalę; obszary o trzech rodzajach upraw, charakteryzujące się spadkiem plonów, mogą być badane pod kątem degradacji gleby lub obniżenia poziomu wód gruntowych.

2. Oszacowanie produkcji ryżu

Połączenie map obszarów upraw ryżu uzyskanych za pomocą teledetekcji z modelami szacowania plonów, takimi jak symulacje wzrostu upraw oparte na danych pogodowych, pozwala na tworzenie prognoz produkcji na szczeblu krajowym i lokalnym na kilka tygodni lub miesięcy przed zbiorami.

Panel bezpieczeństwa żywnościowego Azjatyckiego Banku Rozwoju oraz Globalny System Informacji i Wczesnego Ostrzegania (GIEWS) FAO korzystają z danych satelitarnych dotyczących obszarów uprawy ryżu, aby generować szacunki produkcji przed zbiorami, wykazując przy tym większą dokładność w porównaniu z podejściami opartymi na badaniach ankietowych.

3. Zarządzanie zasobami wodnymi

Nawadniany ryż jest największym konsumentem słodkiej wody w Azji, odpowiadając za około 401 TP3T całkowitego poboru wody na potrzeby rolnictwa w krajach takich jak Indie i Bangladesz.

Najbardziej wartościowym wynikiem mapowania upraw ryżu przy użyciu satelity nie jest sama mapa, lecz decyzja, którą można podjąć na jej podstawie, np. czy zbudować kanał, zamknąć studnię lub przekierować dotację.

Dokładna wiedza o tym, gdzie uprawiany jest nawadniany ryż, w jakich sezonach jest on nawadniany, a także na których polach stosowane są efektywne metody zarządzania wodą, takie jak AWD, bezpośrednio wspomaga planowanie dorzeczy, harmonogramowanie eksploatacji zbiorników i ocenę zrównoważonego wykorzystania wód gruntowych.

4. Monitorowanie bezpieczeństwa żywnościowego

Systemy wczesnego ostrzegania o zagrożeniu żywnościowym opierają się na szybkim wykrywaniu nieurodzaju. Gdy obszary upraw ryżu nie przechodzą pełnego cyklu wegetacyjnego, monitoring satelitarny wykrywa anomalię jako brak lub skrócenie szczytu fenologicznego w oczekiwanym oknie sezonowym. Sieć Systemów Wczesnego Ostrzegania o Głodzie (FEWS NET), wspierana przez USAID, wykorzystuje satelitarne dane o roślinności, w tym monitoring specyficzny dla ryżu, do generowania alertów dotyczących bezpieczeństwa żywnościowego w Azji i Afryce.

5. Ocena wpływu zmian klimatu

Długoterminowe archiwa map wzorców upraw ryżu, obejmujące dane Landsat z ponad 20 lat, pokazują, jak zmieniały się obszary uprawy ryżu, pory roku i plony w odpowiedzi na zmieniające się reżimy temperatur i opadów. Te historyczne mapy trendów dostarczają empirycznych dowodów na wpływ zmian klimatu na systemy uprawy ryżu i służą jako dane wejściowe do prognozowania przyszłego ryzyka dla rolnictwa w różnych scenariuszach ocieplenia.

7. Zastosowania w rolnictwie precyzyjnym

W skali gospodarstwa, mapowanie odmian ryżu, generowane przez bezzałogowe statki powietrzne, w połączeniu z danymi glebowymi i wodnymi na poziomie pola, wspomaga podejmowanie precyzyjnych decyzji zarządczych, takich jak zmienne dawki nawożenia, rozpoznanie szkodników w poszczególnych miejscach oraz optymalizacja harmonogramu sadzenia. Aplikacje te rozwijają się obecnie dynamicznie w Japonii, Korei Południowej i niektórych częściach Chin, gdzie uprawa ryżu jest wysoce zmechanizowana, a infrastruktura danych umożliwia połączenie danych teledetekcyjnych z systemami zarządzania gospodarstwem.

Wyzwania i ograniczenia utrudniające mapowanie ryżu

1. Zachmurzenie i dostępność danych

Utrzymujące się zachmurzenie w porze monsunowej, kiedy uprawiana jest znaczna część ryżu w Azji, poważnie ogranicza liczbę użytecznych obserwacji optycznych. W niektórych lokalizacjach zanieczyszczenie chmurami zmniejsza liczbę dostępnych obserwacji Sentinel-2 w krytycznym okresie przesadzania i wczesnej wegetacji do mniej niż dwóch miesięcznie. Dane SAR łagodzą, ale nie eliminują tego problemu, ponieważ ulewne deszcze mogą tymczasowo zakłócić sygnał radarowy.

2. Mieszane piksele i małe rozmiary pól

W regionach, gdzie pola ryżowe są mniejsze niż rozdzielczość przestrzenna czujnika, pojedynczy piksel rejestruje mieszaninę ryżu i roślinności, co utrudnia klasyfikację. Systemy ryżowe na wyżynach, w terenie pagórkowatym i na polach uprawnych o wielkości ogrodów w niektórych częściach Indonezji i Filipin, rutynowo generują mieszane piksele, nawet przy 10-metrowej rozdzielczości Sentinela-2, co ogranicza stosowanie metod opartych na pikselach w tych środowiskach.

3. Podobieństwo widmowe i czasowe między typami upraw

Niektóre uprawy, zwłaszcza trzcina cukrowa, juta i niektóre użytki zielone, generują krzywe fenologiczne podobne do ryżu w szeregach czasowych NDVI lub EVI, co prowadzi do nieporozumień w klasyfikacji. Detekcja zalewania oparta na SAR zmniejsza to nieporozumienie w przypadku ryżu nizinnego, ale systemy ryżowe na wyżynach bez zalanych pól ryżowych pozostają trudne do odróżnienia od upraw o podobnym widmie bez dodatkowych danych terenowych lub dodatkowych danych geograficznych.

4. Ograniczenia rozdzielczości czasowej

Mapowanie wzorca upraw ryżu i typu kulturowego za pomocą teledetekcji wymaga intensywnego pobierania próbek czasowych, najlepiej co najmniej jednej obserwacji co 8-10 dni przez cały sezon wegetacyjny. Gdy zachmurzenie lub przerwy w orbitach satelitów zmniejszają tę gęstość czasową, krótkie odmiany ryżu lub szybko zmieniające się sezony trzech upraw mogą zostać całkowicie pominięte przez automatyczne algorytmy detekcji.

5. Ograniczenia danych naziemnych

Wysokiej jakości, oznakowane dane szkoleniowe, obserwacje terenowe dopasowane do znanych rodzajów upraw i praktyk zarządzania, nadal są kosztowne i trudne logistycznie do zebrania w skali niezbędnej do szkolenia i walidacji krajowych systemów mapowania. W wielu krajach o niższych dochodach, produkujących ryż, zasoby ludzkie i finansowe niezbędne do systematycznego gromadzenia danych naziemnych stanowią największą przeszkodę w poprawie dokładności mapowania.

Nowe trendy i przyszłość monitorowania ryżu

1. Monitorowanie ryżu za pomocą bezzałogowych statków powietrznych (UAV) i dronów

Bezzałogowe statki powietrzne (UAV) wyposażone w czujniki multispektralne i termiczne dostarczają obecnie obrazy z dokładnością do centymetra nad poszczególnymi gospodarstwami, określając granice pól, rzędy upraw, a nawet stan zdrowia poszczególnych roślin. UAV pełnią funkcję pomostu między mapowaniem satelitarnym a obserwacją poszczególnych roślin, dostarczając dane o ultrawysokiej rozdzielczości, niezbędne do trenowania i walidacji modeli satelitarnych w rozdrobnionych obszarach krajobrazu.

2. Sztuczna inteligencja i głębokie uczenie się w klasyfikacji ryżu

Sieci neuronowe splotowe stosowane do szeregów czasowych obrazów satelitarnych, w połączeniu z architekturą transformatorową zaadaptowaną z przetwarzania języka naturalnego, osiągają obecnie najwyższą dokładność klasyfikacji ryżu, jaką kiedykolwiek odnotowano.

Opublikowana w 2024 r. przez naukowców z Uniwersytetu w Wageningen struktura PRISM (Phenology-based Rice crop Identification System using Multisource data) wykazała, że samodzielna nauka na nieoznakowanych archiwach satelitarnych może wstępnie trenować modele klasyfikacji ryżu, wymagając jedynie minimalnych oznakowanych danych terenowych do dokładnego dostrojenia, co znacznie zmniejsza obciążenie związane z badaniami terenowymi.

3. Systemy monitorowania ryżu w czasie niemal rzeczywistym

Systemy monitorowania upraw ryżu działające niemal w czasie rzeczywistym automatycznie przetwarzają przychodzące dane satelitarne, aktualizują mapy upraw ryżu co 10–16 dni i wysyłają powiadomienia o datach sadzenia, zdarzeniach związanych ze stresem wodnym i czasie zbiorów bezpośrednio do paneli rządowych lub aplikacji mobilnych wykorzystywanych przez rolników i agentów terenowych.

Departament Ryżu Tajlandii i Ministerstwo Rolnictwa Wietnamu użytkują prototypowe systemy tego typu, a Międzynarodowy Instytut Badań nad Ryżem wspiera rozwój podobnych rozwiązań w Bangladeszu i Kambodży.

4. Integracja danych satelitarnych i IoT

Czujniki Internetu Rzeczy (IoT) rozmieszczone na polach ryżowych, mierzące wilgotność gleby, poziom wody, temperaturę i mikroklimat koron drzew, generują ciągłe obserwacje na poziomie gruntu, które uzupełniają i kalibrują dane teledetekcyjne pozyskiwane z satelitów.

Gdy sieci czujników IoT i obserwacje satelitarne zostaną połączone w ramach struktur fuzji danych, powstały w ten sposób system monitorowania będzie mógł wykrywać stres wodny, początek powodzi i presję chorób z większą pewnością i wcześniejszym wyprzedzeniem, niż mogłoby to zapewnić każde z tych źródeł niezależnie.

5. Rolnictwo cyfrowe i inteligentne

Połączenie mapowania satelitarnego upraw ryżu, czujników IoT i wspomagania decyzji opartego na sztucznej inteligencji tworzy podwaliny inteligentnej uprawy ryżu, w której decyzje dotyczące zarządzania, takie jak czas nawadniania czy stosowanie nawozów, są podejmowane na podstawie strumieni danych przestrzennych, pozyskiwanych niemal w czasie rzeczywistym, a nie na podstawie kalendarza.

Programy pilotażowe w japońskiej prefekturze Niigata i chińskiej prowincji Heilongjiang wykazały, że precyzyjne zarządzanie uprawą ryżu, oparte na teledetekcji, może obniżyć koszty nakładów 15-25% przy jednoczesnym utrzymaniu lub zwiększeniu plonów, zgodnie ze wstępnymi raportami z badań polowych z 2024 r.

Wniosek

Mapowanie wzorców upraw ryżu i typów kulturowych za pomocą teledetekcji przekształciło się z akademickiej dyscypliny badawczej w narzędzie operacyjne wykorzystywane przez rządy, agencje międzynarodowe i platformy agrotechnologiczne w Azji i poza nią. Wieloczujnikowe metody szeregów czasowych, łączące dane optyczne i SAR, przetwarzane za pomocą klasyfikatorów uczenia maszynowego i głębokiego uczenia, obecnie rutynowo generują mapy obszarów ryżowych w skali kraju z ogólną dokładnością przekraczającą 85-90%. Mapy te pokazują nie tylko, gdzie rośnie ryż, ale także ile razy w roku, w jakim systemie nawadniania i jaką metodą jest on uprawiany.

Wyjście poza proste mapowanie obszarów ryżowych i dotarcie do klasyfikacji typów kulturowych przekształca dane o pokryciu terenu w narzędzie analizy rolniczej. Wiedza o tym, że w ciągu dekady region przeszedł z uprawy ryżu z przesadzania na uprawę ryżu z siewu bezpośredniego, sygnalizuje jednocześnie zmiany na rynku pracy i spadek poziomu wód gruntowych. Wiedza o tym, które obszary nawadniane deszczem są najbardziej narażone na wczesnosezonowe okresy suszy, zidentyfikowana na podstawie ich widmowych wzorców czasowych, pozwala na z góry zaplanowaną reakcję na suszę, a nie reaktywną pomoc w przypadku klęsk żywiołowych. Teledetekcja umożliwia uzyskanie tego poziomu analizy przestrzennej przy ułamku kosztów równoważnych programów badań naziemnych.