{"id":13324,"date":"2026-05-31T20:21:25","date_gmt":"2026-05-31T18:21:25","guid":{"rendered":"https:\/\/geopard.tech\/?p=13324"},"modified":"2026-05-31T20:47:12","modified_gmt":"2026-05-31T18:47:12","slug":"mapowanie-wzorca-upraw-ryzu-i-typu-kulturowego-za-pomoca-teledetekcji","status":"publish","type":"post","link":"https:\/\/geopard.tech\/pl\/blog\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\/","title":{"rendered":"Mapowanie wzorca upraw ry\u017cu i typu kulturowego za pomoc\u0105 teledetekcji"},"content":{"rendered":"

Ry\u017c wy\u017cywia ponad 3,5 miliarda ludzi na ca\u0142ym \u015bwiecie, a mimo to mniej ni\u017c 601 TP3T obszar\u00f3w uprawy ry\u017cu ma dok\u0142adne i aktualne mapy upraw, zgodnie z aktualizacj\u0105 globalnego atlasu ry\u017cu Mi\u0119dzynarodowego Instytutu Bada\u0144 nad Ry\u017cem (IRRI) z 2024 roku. Mapowanie wzorc\u00f3w upraw ry\u017cu i typ\u00f3w kulturowych za pomoc\u0105 teledetekcji szybko niweluje t\u0119 luk\u0119, dostarczaj\u0105c precyzyjne przestrzennie i sp\u00f3jne czasowo dane w skalach, kt\u00f3rych nie dor\u00f3wnaj\u0105 \u017cadne badania naziemne.<\/p>\n

Od rozr\u00f3\u017cniania nawadnianych nizin w delcie Mekongu w Wietnamie, gdzie uprawia si\u0119 podw\u00f3jn\u0105 upraw\u0119, po identyfikacj\u0119 p\u00f3l nawadnianych w jednym sezonie w Afryce Subsaharyjskiej, systemy satelitarne i radarowe dostarczaj\u0105 obecnie informacji, kt\u00f3rych rolnicy, rz\u0105dy i agencje bezpiecze\u0144stwa \u017cywno\u015bciowego potrzebuj\u0105 do planowania z pewno\u015bci\u0105 siebie. Wraz z przyspieszeniem przetwarzania danych przez sztuczn\u0105 inteligencj\u0119 i chmur\u0119 obliczeniow\u0105, monitorowanie ry\u017cu w czasie zbli\u017conym do rzeczywistego ma sta\u0107 si\u0119 globalnym standardem do 2027 roku.<\/p>\n

Dlaczego ry\u017c jest wa\u017cny i dlaczego jego monitorowanie jest trudne<\/h2>\n

1. Produkcja ry\u017cu i globalne r\u00f3wnanie bezpiecze\u0144stwa \u017cywno\u015bciowego<\/h3>\n

Ry\u017c jest podstawowym \u017ar\u00f3d\u0142em kalorii dla ponad po\u0142owy \u015bwiatowej populacji, a jego znaczenie wykracza daleko poza indywidualne od\u017cywianie. Globalna produkcja ry\u017cu osi\u0105gn\u0119\u0142a oko\u0142o 520 milion\u00f3w ton metrycznych ry\u017cu mielonego w 2024 r.<\/strong>, Wed\u0142ug danych FAO, na Azj\u0119 przypada prawie 90% tej produkcji.<\/p>\n

Jakiekolwiek powa\u017cne zak\u0142\u00f3cenia w dostawach ry\u017cu, czy to spowodowane susz\u0105, powodzi\u0105, plag\u0105 szkodnik\u00f3w czy brakiem odpowiedniej polityki, wywo\u0142uj\u0105 gwa\u0142towne szoki cenowe \u017cywno\u015bci, kt\u00f3re w nieproporcjonalnym stopniu dotykaj\u0105 najubo\u017csze gospodarstwa domowe na \u015bwiecie.<\/p>\n

Utrzymanie bezpiecze\u0144stwa \u017cywno\u015bciowego na tak du\u017c\u0105 skal\u0119 wymaga czego\u015b wi\u0119cej ni\u017c tylko uprawy wystarczaj\u0105cej ilo\u015bci ry\u017cu. Wymaga dok\u0142adnej wiedzy o tym, gdzie uprawia si\u0119 ry\u017c, ile razy w roku na ka\u017cdym polu odbywaj\u0105 si\u0119 zbiory i jakie praktyki rolnicze s\u0105 stosowane. Rz\u0105dy potrzebuj\u0105 tych danych, aby alokowa\u0107 infrastruktur\u0119 nawadniaj\u0105c\u0105, dotowa\u0107 \u015brodki produkcji i tworzy\u0107 rezerwy awaryjne.<\/p>\n

Problem polega na tym, \u017ce ry\u017c uprawia si\u0119 na niezwykle zr\u00f3\u017cnicowanych terenach, od tarasowych zboczy wzg\u00f3rz na Filipinach po rozleg\u0142e nawadniane r\u00f3wniny w Chinach. W zwi\u0105zku z tym konwencjonalne badania terenowe s\u0105 niepraktyczne pod wzgl\u0119dem logistycznym i finansowym w skali kraju lub regionu.<\/p>\n

2. Potrzeba systematycznego monitorowania wzorc\u00f3w upraw ry\u017cu<\/h3>\n

Wzorce upraw ry\u017cu, czyli liczba sezon\u00f3w uprawy ry\u017cu w roku i ich rozk\u0142ad w krajobrazie, ulegaj\u0105 ci\u0105g\u0142ym zmianom. Zmienno\u015b\u0107 klimatu skraca okresy wegetacyjne w niekt\u00f3rych regionach, a wyd\u0142u\u017ca je w innych. Sygna\u0142y ekonomiczne sk\u0142aniaj\u0105 rolnik\u00f3w do przej\u015bcia z uprawy pojedynczej na podw\u00f3jn\u0105, gdy dost\u0119pno\u015b\u0107 wody i ceny rynkowe si\u0119 dostosowuj\u0105.<\/p>\n

Bez systematycznego monitoringu plani\u015bci pracuj\u0105 w oparciu o dane ze spis\u00f3w powszechnych, kt\u00f3re mog\u0105 by\u0107 nieaktualne od pi\u0119ciu lub wi\u0119cej lat, co prowadzi do chronicznego niew\u0142a\u015bciwego przydzielania wody, dop\u0142at do nawoz\u00f3w i kredyt\u00f3w dla obszar\u00f3w wiejskich. Teledetekcja oferuje rozwi\u0105zanie tej luki w monitoringu, dostarczaj\u0105c sp\u00f3jnych, powtarzalnych obserwacji w ca\u0142ych krajach w ci\u0105gu kilku dni.<\/p>\n

Zamiast polega\u0107 na samoocenie rolnik\u00f3w lub ankietach przeprowadzanych przez urz\u0119dnik\u00f3w, systemy satelitarne bezpo\u015brednio obserwuj\u0105 krajobraz, rejestruj\u0105c zmiany zachodz\u0105ce na polach ry\u017cowych pod wp\u0142ywem powodzi, przesadzania, wzrostu ro\u015blinno\u015bci i zbior\u00f3w w ka\u017cdej porze roku.<\/p>\n

3. Co teledetekcja wnosi do mapowania rolnictwa<\/h3>\n

Teledetekcja to nauka pozyskiwania informacji o obiektach lub obszarach z odleg\u0142o\u015bci, zazwyczaj za pomoc\u0105 czujnik\u00f3w zamontowanych na satelitach, samolotach lub bezza\u0142ogowych statkach powietrznych (UAV). W rolnictwie czujniki mierz\u0105 energi\u0119 odbit\u0105 lub emitowan\u0105 przez uprawy, gleb\u0119 i wod\u0119 w r\u00f3\u017cnych d\u0142ugo\u015bciach fal widma elektromagnetycznego.<\/p>\n

Poniewa\u017c r\u00f3\u017cne rodzaje pokrycia terenu inaczej odbijaj\u0105 energi\u0119 w r\u00f3\u017cnych fazach wzrostu, zdj\u0119cia satelitarne pozwalaj\u0105 odr\u00f3\u017cni\u0107 pole ry\u017cowe od pola kukurydzy oraz zalane pole ry\u017cowe z przesadzon\u0105 upraw\u0105 od suchego pola z bezpo\u015brednim siewem, z precyzj\u0105, kt\u00f3ra ro\u015bnie wraz z rozwojem technologii czujnik\u00f3w. Mapowanie wzorca upraw ry\u017cu i typu kulturowego za pomoc\u0105 teledetekcji s\u0142u\u017cy czterem powi\u0105zanym celom.<\/p>\n

    \n
  • Po pierwsze, tworzy przestrzennie dok\u0142adne inwentaryzacje miejsc uprawy ry\u017cu w r\u00f3\u017cnych porach roku i porach roku.<\/li>\n
  • Po drugie, klasyfikuje liczb\u0119 cykli uprawowych wyst\u0119puj\u0105cych w ci\u0105gu roku na ka\u017cdym zmapowanym obszarze, rozr\u00f3\u017cniaj\u0105c systemy pojedynczej, podw\u00f3jnej i potr\u00f3jnej uprawy.<\/li>\n
  • Po trzecie, identyfikuje stosowane praktyki kulturowe, takie jak to, czy pole jest przesadzane czy bezpo\u015brednio zasiewane, lub czy zarz\u0105dzanie wod\u0105 jest kontrolowane czy opiera si\u0119 na nawadnianiu deszczowym.<\/li>\n
  • Po czwarte, generuje dane bazowe, kt\u00f3re s\u0105 wykorzystywane przy prognozowaniu produkcji, bud\u017cetowaniu wody, planowaniu adaptacji do zmian klimatu i systemach rolnictwa precyzyjnego.<\/li>\n<\/ul>\n

    Zrozumienie system\u00f3w uprawy ry\u017cu i typ\u00f3w kulturowych<\/h2>\n

    1. Co tak naprawd\u0119 oznacza schemat upraw ry\u017cu<\/h3>\n

    Wzorzec upraw ry\u017cu opisuje rozk\u0142ad czasowy uprawy ry\u017cu w danym miejscu w ci\u0105gu roku kalendarzowego. Ukazuje on nie tylko, czy ry\u017c jest uprawiany, ale tak\u017ce ile razy, kiedy zaczyna si\u0119 i ko\u0144czy ka\u017cdy sezon oraz jakie plony, je\u015bli w og\u00f3le, na tym samym polu nast\u0119puj\u0105 po ry\u017cu lub je poprzedzaj\u0105. Mapowanie tych wzorc\u00f3w w regionie daje planistom dynamiczny obraz intensywno\u015bci u\u017cytkowania grunt\u00f3w i zapotrzebowania na zasoby, kt\u00f3rego nie da\u0142oby si\u0119 uzyska\u0107 na podstawie pojedynczego zdj\u0119cia.<\/p>\n

    2. Systemy uprawy ry\u017cu jednogatunkowego<\/h3>\n

    W systemach monokulturowych rolnicy uprawiaj\u0105 ry\u017c przez jeden sezon w roku, zazwyczaj w por\u0119 monsunow\u0105 lub w ramach jednego kontrolowanego cyklu nawadniania. Systemy te dominuj\u0105 w regionach, gdzie dost\u0119pno\u015b\u0107 wody, si\u0142a robocza lub klimat ograniczaj\u0105 mo\u017cliwo\u015b\u0107 drugiego sezonu.<\/p>\n

    \"Zrozumienie<\/p>\n

    Systemy monokulturowe charakteryzuj\u0105 si\u0119 zazwyczaj d\u0142u\u017cszymi okresami wegetacji w sezonie, cz\u0119sto z wykorzystaniem tradycyjnych lub ulepszonych odmian o d\u0142ugim okresie wegetacji, a ponadto s\u0105 nieproporcjonalnie do du\u017cych opad\u00f3w deszczu, co sprawia, \u017ce s\u0105 bardzo wra\u017cliwe na czas i rozk\u0142ad opad\u00f3w.<\/p>\n

    3. Systemy podw\u00f3jnej uprawy ry\u017cu<\/h3>\n

    Systemy podw\u00f3jnej uprawy pozwalaj\u0105 uzyska\u0107 dwa zbiory ry\u017cu rocznie z tego samego pola. S\u0105 one najpowszechniejsze w Azji Po\u0142udniowo-Wschodniej i Po\u0142udniowej, w tym w delcie Rzeki Czerwonej w Wietnamie, na terenach zalewowych Bangladeszu i w nawadnianych dystryktach Pend\u017cabu w Indiach.<\/p>\n

    R\u00f3\u017cnica czasowa mi\u0119dzy dwoma sezonami jest niewielka, cz\u0119sto mniejsza ni\u017c 30 dni, dlatego identyfikacja obszar\u00f3w podw\u00f3jnej uprawy na podstawie danych satelitarnych wymaga g\u0119stych obserwacji szereg\u00f3w czasowych w celu wykrycia dw\u00f3ch pe\u0142nych cykli fenologicznych w ci\u0105gu jednego roku.<\/p>\n

    4. Systemy tr\u00f3jplonowe ry\u017cu<\/h3>\n

    Potr\u00f3jny system uprawy, z trzema zbiorami ry\u017cu rocznie, jest praktykowany na ograniczonych obszarach, gdzie dost\u0119pno\u015b\u0107 wody i temperatura utrzymuj\u0105 si\u0119 przez ca\u0142y rok. W delcie Mekongu w po\u0142udniowym Wietnamie i niekt\u00f3rych cz\u0119\u015bciach prowincji Guangdong w po\u0142udniowych Chinach stosuje si\u0119 systemy potr\u00f3jnej uprawy.<\/p>\n

    Cho\u0107 systemy tr\u00f3jplonowe maksymalizuj\u0105 intensywno\u015b\u0107 u\u017cytkowania grunt\u00f3w, nios\u0105 ze sob\u0105 powa\u017cne wyzwania w zakresie \u017cyzno\u015bci gleby i zwalczania szkodnik\u00f3w. Zdalna identyfikacja tych p\u00f3l jest technicznie wymagaj\u0105ca, poniewa\u017c kr\u00f3tkie okresy ugorowania mi\u0119dzy uprawami kompresuj\u0105 sygna\u0142y fenologiczne do w\u0105skich okienek.<\/p>\n

    5. Uprawa ry\u017cu na deszcz\u00f3wce<\/h3>\n

    Ry\u017c deszczowy, uprawiany wy\u0142\u0105cznie w oparciu o opady, bez sztucznego nawadniania, stanowi oko\u0142o 451 ton sze\u015bciennych (TP3T) ca\u0142kowitej powierzchni upraw ry\u017cu na \u015bwiecie, wed\u0142ug Mi\u0119dzynarodowego Instytutu Bada\u0144 nad Ry\u017cem (IRRI). Jest to dominuj\u0105cy system w Afryce Subsaharyjskiej, na wy\u017cynach Azji Po\u0142udniowej i Po\u0142udniowo-Wschodniej oraz na terenach zalewowych zale\u017cnych od deszczu.<\/p>\n

    Systemy nawadniane deszczem s\u0105 bardzo wra\u017cliwe na zmienno\u015b\u0107 opad\u00f3w, co w niekt\u00f3rych regionach przek\u0142ada si\u0119 na wahania plon\u00f3w rz\u0119du 30\u201350% mi\u0119dzy latami wilgotnymi a suchymi. Z perspektywy teledetekcji, mapowanie ry\u017cu nawadnianego deszczem jest trudniejsze, poniewa\u017c sygna\u0142 powodzi jest s\u0142abszy i bardziej nieregularny ni\u017c na zarz\u0105dzanych polach nawadnianych.<\/p>\n

    6. Uprawa ry\u017cu nawadnianego<\/h3>\n

    Systemy nawadniania ry\u017cu pobieraj\u0105 wod\u0119 za po\u015brednictwem kana\u0142\u00f3w, pomp lub zarz\u0105dzanych zbiornik\u00f3w, umo\u017cliwiaj\u0105c rolnikom kontrolowanie sadzenia i zbior\u00f3w z du\u017c\u0105 precyzj\u0105. Ry\u017c nawadniany zajmuje obecnie zaledwie oko\u0142o 551 TP3T globalnej powierzchni upraw ry\u017cu, ale odpowiada za 751 TP3T ca\u0142kowitej produkcji ry\u017cu, co odzwierciedla przewag\u0119 plon\u00f3w wynikaj\u0105c\u0105 z bezpiecze\u0144stwa wodnego.<\/p>\n

    Celowe zalewanie nawadnianych p\u00f3l ry\u017cowych powoduje powstanie silnego i sp\u00f3jnego sygna\u0142u rozpraszania wstecznego radaru, kt\u00f3ry jest niezawodnie wykrywany przez czujniki satelitarne. Dzi\u0119ki temu nawadniany ry\u017c nale\u017cy do najdok\u0142adniej mapowanych rodzaj\u00f3w upraw na \u015bwiecie.<\/p>\n

    7. Systemy ry\u017cowe wy\u017cynne i nizinne<\/h3>\n

    Ry\u017c na wy\u017cynach uprawiany jest na niezalewanych, dobrze odwodnionych glebach, cz\u0119sto na zboczach wzg\u00f3rz lub tarasach w Azji i Afryce. Poniewa\u017c pola te nigdy nie s\u0105 celowo zalewane, brakuje im sygna\u0142u wody, kt\u00f3ry umo\u017cliwia\u0142by identyfikacj\u0119 ry\u017cu nizinnego za pomoc\u0105 radaru, zmuszaj\u0105c naukowc\u00f3w do polegania wy\u0142\u0105cznie na widmowych wzorcach ro\u015blinno\u015bci.<\/p>\n

    Ry\u017c nizinny, z kolei, uprawiany jest na p\u0142askich lub p\u0142ytko zalanych polach, gdzie woda gromadzi si\u0119 naturalnie lub w wyniku nawadniania. Systemy nizinne dominuj\u0105 w azjatyckich regionach mis ry\u017cowych i stanowi\u0105 g\u0142\u00f3wny cel wi\u0119kszo\u015bci prac kartograficznych na du\u017c\u0105 skal\u0119.<\/p>\n

    Kontrast morfologiczny mi\u0119dzy terenami g\u00f3rzystymi i nizinnymi, obejmuj\u0105cy kszta\u0142t terenu, po\u0142o\u017cenie topograficzne i struktur\u0119 koron drzew, dostarcza dodatkowych wskaz\u00f3wek przestrzennych, kt\u00f3re mo\u017cna skutecznie wykorzysta\u0107 za pomoc\u0105 analizy obraz\u00f3w opartej na obiektach.<\/p>\n

    8. Ry\u017c wysiewany bezpo\u015brednio a ry\u017c przesadzany<\/h3>\n

    W przypadku ry\u017cu przesadzanego sadzonki s\u0105 hodowane w szk\u00f3\u0142ce przez 25 do 30 dni, a nast\u0119pnie r\u0119cznie lub mechanicznie przenoszone na pole g\u0142\u00f3wne. Natomiast w przypadku ry\u017cu z siewu bezpo\u015bredniego nasiona s\u0105 wysiewane bezpo\u015brednio na przygotowane pole, bez konieczno\u015bci przygotowania szk\u00f3\u0142ki.<\/p>\n

    Te dwie metody generuj\u0105 mierzalnie r\u00f3\u017cne sygnatury czasowe w danych satelitarnych: pola przesadzone wykazuj\u0105 gwa\u0142towne, zsynchronizowane zazielenienie oko\u0142o trzy tygodnie po powodzi, podczas gdy pola obsiane bezpo\u015brednio wykazuj\u0105 bardziej stopniowy rozw\u00f3j koron drzew od dnia zasiewu. Ta r\u00f3\u017cnica fenologiczna, subtelna, ale realna, jest wykrywalna dzi\u0119ki starannej analizie szereg\u00f3w czasowych wska\u017anik\u00f3w ro\u015blinno\u015bci.<\/p>\n

    Narz\u0119dzia i technologie teledetekcji do mapowania ry\u017cu<\/h2>\n

    1. Zasada fizyczna le\u017c\u0105ca u podstaw teledetekcji<\/h3>\n

    Ka\u017cda ro\u015blina odbija, poch\u0142ania i transmituje promieniowanie s\u0142oneczne zgodnie ze schematami zale\u017cnymi od biochemii li\u015bci, struktury korony i zawarto\u015bci wody. Zielone li\u015bcie silnie absorbuj\u0105 \u015bwiat\u0142o czerwone w procesie fotosyntezy, jednocze\u015bnie odbijaj\u0105c znaczn\u0105 cz\u0119\u015b\u0107 energii bliskiej podczerwieni (NIR). Natomiast zalane gleby poch\u0142aniaj\u0105 niemal ca\u0142e docieraj\u0105ce promieniowanie.<\/p>\n

    Te kontrastuj\u0105ce reakcje tworz\u0105 przewidywalne sygnatury spektralne, kt\u00f3re czujniki na satelitach mog\u0105 rejestrowa\u0107 w sp\u00f3jnym czasie, umo\u017cliwiaj\u0105c analitykom \u015bledzenie stanu upraw, etapu wzrostu i decyzji dotycz\u0105cych zarz\u0105dzania na poziomie pola bez konieczno\u015bci udania si\u0119 na pole.<\/p>\n

    2. Teledetekcja optyczna<\/h3>\n

    Czujniki optyczne wykrywaj\u0105 odbite promieniowanie s\u0142oneczne, generuj\u0105c obrazy wiernie odzwierciedlaj\u0105ce to, co ludzkie oko widzia\u0142oby po rozszerzeniu na fale podczerwone. Trzy platformy optyczne dominuj\u0105 w badaniach nad mapowaniem ry\u017cu.<\/p>\n

    Landsat<\/strong> (seria satelit\u00f3w obs\u0142ugiwanych przez NASA i USGS od 1972 roku) dostarcza obrazy o rozdzielczo\u015bci przestrzennej 30 metr\u00f3w z 16-dniowym cyklem rewizyt. D\u0142ugie archiwum czasowe sprawia, \u017ce jest on niezb\u0119dny do bada\u0144 zmian powierzchni upraw ry\u017cu na przestrzeni dekad. Jednak 16-dniowa powtarzalno\u015b\u0107 oznacza, \u017ce niekt\u00f3re zjawiska fenologiczne w kr\u00f3tkim sezonie wegetacyjnym mog\u0105 zosta\u0107 pomini\u0119te pomi\u0119dzy obserwacjami.<\/p>\n

    Sentinel-2<\/strong> (obs\u0142ugiwany przez Europejsk\u0105 Agencj\u0119 Kosmiczn\u0105, wystrzelony w latach 2015 i 2017 jako konstelacja bli\u017aniaczych satelit\u00f3w) przewy\u017csza Landsat o rozdzielczo\u015b\u0107 10-20 metr\u00f3w i 5-dniowy cykl rewizyty na r\u00f3wniku. Te dwa udoskonalenia umo\u017cliwiaj\u0105 dok\u0142adniejsze rozgraniczenie pola i lepsze pr\u00f3bkowanie fenologiczne, a najnowsze badania mapowania ry\u017cu o wysokiej dok\u0142adno\u015bci, w tym opublikowane w czasopi\u015bmie ISPRS Journal of Photogrammetry and Remote Sensing w 2024 roku, wykorzystuj\u0105 Sentinel-2 jako g\u0142\u00f3wne \u017ar\u00f3d\u0142o danych optycznych.<\/p>\n

    MODIS<\/strong> (Moderate Resolution Imaging Spectroradiometer), zainstalowany na satelitach Terra i Aqua NASA, zapewnia rozdzielczo\u015b\u0107 250\u2013500 metr\u00f3w i mo\u017cliwo\u015b\u0107 codziennych rewizyt. Cho\u0107 MODIS jest zbyt zgrubny do mapowania pojedynczych p\u00f3l, pozostaje cenny w ocenie intensywno\u015bci upraw w skali krajowej i kontynentalnej, gdzie wysoka rozdzielczo\u015b\u0107 przestrzenna ma mniejsze znaczenie ni\u017c g\u0119sto\u015b\u0107 czasowa.<\/p>\n

    3. Radarowe zdalne wykrywanie<\/h3>\n

    Radar z syntetyczn\u0105 apertur\u0105 (SAR)<\/strong> To technologia oparta na radarze, kt\u00f3ra przesy\u0142a impulsy mikrofalowe w kierunku powierzchni Ziemi i mierzy energi\u0119 rozproszon\u0105 z powrotem do czujnika. W przeciwie\u0144stwie do czujnik\u00f3w optycznych, SAR dzia\u0142a niezale\u017cnie od zachmurzenia i o\u015bwietlenia s\u0142onecznego, co oznacza, \u017ce zbiera dane r\u00f3wnie dobrze w pochmurn\u0105 noc monsunow\u0105, jak i w pogodny dzie\u0144 pory suchej.<\/p>\n

    Ta w\u0142a\u015bciwo\u015b\u0107 ma kluczowe znaczenie w przypadku mapowania upraw ry\u017cu w tropikalnej Azji, gdzie czujniki optyczne regularnie trac\u0105 tygodnie sezonu wegetacyjnego z powodu przeszk\u00f3d w postaci chmur.<\/p>\n

    Sentinel-1<\/strong> (ESA) transmituje energi\u0119 mikrofalow\u0105 w pa\u015bmie C (d\u0142ugo\u015b\u0107 fali oko\u0142o 5,6 cm) i dostarcza darmowe, globalne dane SAR z rozdzielczo\u015bci\u0105 10 metr\u00f3w i cyklem powtarzania 6-12 dni. Pola ry\u017cowe oddzia\u0142uj\u0105 z sygna\u0142ami SAR w charakterystyczny spos\u00f3b:<\/p>\n

      \n
    • pola zalane dzia\u0142aj\u0105 jak niemal idealne lustro, odbijaj\u0105c wi\u0119kszo\u015b\u0107 energii radarowej od czujnika (co powoduje niskie warto\u015bci rozpraszania wstecznego), podczas gdy<\/li>\n
    • Rosn\u0105ca korona ry\u017cu rozprasza energi\u0119 w kierunku czujnika, w miar\u0119 jak g\u0119sto\u015b\u0107 ro\u015blin i powierzchnia li\u015bci rosn\u0105.<\/li>\n<\/ul>\n

      Ta trajektoria rozpraszania wstecznego w czasie, niska podczas powodzi i przesadzania, wznosz\u0105ca si\u0119 w okresach wegetacji i opadaj\u0105ca ponownie po skie\u0142kowaniu, tworzy radarowy sygna\u0142 fenologiczny, unikalny dla ry\u017cu.<\/p>\n

      Nguyen i in. (Teledetekcja \u015brodowiska, 2023) stwierdzili, \u017ce klasyfikacja szereg\u00f3w czasowych SAR Sentinel-1 zosta\u0142a osi\u0105gni\u0119ta 92,3% og\u00f3lna dok\u0142adno\u015b\u0107<\/strong> mapuj\u0105c sezony zbior\u00f3w ry\u017cu w trzech prowincjach w delcie Mekongu w Wietnamie, w tym obszary z trzema rodzajami upraw, dla kt\u00f3rych dane optyczne by\u0142y niedost\u0119pne przez ponad 60% okresu wegetacyjnego z powodu zachmurzenia.<\/p>\n

      W regionach uprawy ry\u017cu tropikalnego metody bazuj\u0105ce na SAR nie s\u0105 po prostu alternatyw\u0105 dla czujnik\u00f3w optycznych. Cz\u0119sto stanowi\u0105 jedyn\u0105 niezawodn\u0105 opcj\u0119 mapowania poszczeg\u00f3lnych p\u00f3r roku w miesi\u0105cach monsunowych.<\/p>\n

      4. Integracja danych wieloczujnikowych<\/h3>\n

      \u017baden pojedynczy czujnik nie oferuje idealnego po\u0142\u0105czenia szczeg\u00f3\u0142owo\u015bci przestrzennej, g\u0119sto\u015bci czasowej i penetracji chmur. Dlatego najdok\u0142adniejsze systemy mapowania ry\u017cu integruj\u0105 wiele typ\u00f3w czujnik\u00f3w w ramach jednego systemu analitycznego.<\/p>\n

      Powszechna architektura \u0142\u0105czy dane SAR z Sentinel-1 s\u0142u\u017c\u0105ce do \u015bledzenia w czasie bezchmurnym z danymi optycznymi z Sentinel-2, kt\u00f3re pozwalaj\u0105 okre\u015bli\u0107 bogactwo widmowe w okresach bezchmurnego nieba, a tak\u017ce wykorzystuje MODIS jako punkt odniesienia o du\u017cej rozdzielczo\u015bci do wykrywania wzorc\u00f3w fenologicznych w skali regionalnej.<\/p>\n

      Gdy te strumienie danych zostan\u0105 algorytmicznie po\u0142\u0105czone, po\u0142\u0105czony zestaw danych mo\u017ce okre\u015bla\u0107 granice upraw, wykrywa\u0107 daty przesadzania i przypisywa\u0107 klasyfikacje typ\u00f3w kulturowych z poziomem pewno\u015bci, jakiego nie osi\u0105ga \u017caden pojedynczy czujnik.<\/p>\n

      Identyfikacja wzorc\u00f3w upraw ry\u017cu na podstawie danych satelitarnych<\/h2>\n

      1. Sygnatury czasowe etap\u00f3w wzrostu ry\u017cu<\/h3>\n

      Wzrost ry\u017cu przebiega w \u015bci\u015ble okre\u015blonej sekwencji etap\u00f3w: przygotowanie i zalewanie gleby, przesadzanie lub siew, krzewienie (wykszta\u0142canie wielu \u0142odyg z jednej ro\u015bliny), zawi\u0105zywanie wiech, pojawianie si\u0119 kwiatostanu i zbior\u00f3w.<\/p>\n

      Ka\u017cdy etap powoduje mierzaln\u0105 zmian\u0119 w optycznych i radarowych w\u0142a\u015bciwo\u015bciach pola. Analitycy wykorzystuj\u0105 te charakterystyczne dla danego etapu sygnatury, rejestrowane jako szeregi czasowe indeks\u00f3w widmowych lub rozproszenie wsteczne SAR, aby zrekonstruowa\u0107, co i kiedy wydarzy\u0142o si\u0119 na ka\u017cdym polu, bez wcze\u015bniejszej wiedzy rolnika.<\/p>\n

      2. Mapowanie ry\u017cu na podstawie fenologii<\/h3>\n

      Mapowanie oparte na fenologii<\/strong> (wykorzystuj\u0105c chronologi\u0119 zdarze\u0144 biologicznych do klasyfikacji upraw) jest dominuj\u0105cym podej\u015bciem do wykrywania ry\u017cu na du\u017cych obszarach. Metoda ta polega na dopasowaniu krzywych matematycznych do danych szereg\u00f3w czasowych, a nast\u0119pnie identyfikacji p\u00f3l, na kt\u00f3rych wzorzec czasowy pokrywa si\u0119 z charakterystyczn\u0105 krzyw\u0105 wzrostu ry\u017cu. Kluczowe daty zdarze\u0144 wyodr\u0119bnione z tego procesu dopasowania obejmuj\u0105:<\/p>\n

        \n
      • pocz\u0105tek sezonu wegetacyjnego (zwykle identyfikowany na podstawie gwa\u0142townego wzrostu warto\u015bci wska\u017anika ro\u015blinno\u015bci po powodzi),<\/li>\n
      • szczyt sezonu wegetacyjnego (wska\u017anik maksymalnej powierzchni li\u015bci) i<\/li>\n
      • koniec sezonu (gwa\u0142towny spadek plon\u00f3w w czasie zbior\u00f3w).<\/li>\n<\/ul>\n

        Liczba takich cykli wykrytych w ci\u0105gu roku kalendarzowego bezpo\u015brednio decyduje o tym, czy pole zostanie sklasyfikowane jako uprawiane jedno-, dwu- czy trzykrotnie.<\/p>\n

        3. Ocena intensywno\u015bci upraw<\/h3>\n

        Intensywno\u015b\u0107 upraw, czyli liczba sezon\u00f3w uprawowych zako\u0144czonych w ci\u0105gu roku na jednostce gruntu, jest jednym z najwa\u017cniejszych dla polityki wynik\u00f3w mapowania wzorc\u00f3w upraw ry\u017cu. Proste, ale skuteczne podej\u015bcie oblicza liczb\u0119 wyst\u0105pie\u0144 piku widmowego lub rozproszenia wstecznego przypominaj\u0105cego ry\u017c w rocznym szeregu czasowym piksela.<\/p>\n

        W po\u0142\u0105czeniu z filtrami przestrzennymi, kt\u00f3re eliminuj\u0105 b\u0142\u0119dne wykrycia spowodowane przez tereny podmok\u0142e, zbiorniki wodne lub sezonowe powodzie, cykliczne pomiary plon\u00f3w tworz\u0105 mapy pojedynczych, podw\u00f3jnych i potr\u00f3jnych upraw ry\u017cu, kt\u00f3re mo\u017cna zweryfikowa\u0107 na podstawie bada\u0144 terenowych i statystyk regionalnych.<\/p>\n

        4. Mapowanie sezonowego i rocznego rozmieszczenia ry\u017cu<\/h3>\n

        Mapy sezonowe (jedna mapa na sezon wegetacyjny w roku) pokazuj\u0105 nie tylko, gdzie uprawia si\u0119 ry\u017c, ale tak\u017ce, kiedy ro\u015bnie w danej lokalizacji. Roczne zbiory map sezonowych ujawniaj\u0105 pe\u0142ny kalendarz upraw w regionie, w tym przestrzenne rozmieszczenie ry\u017cu na pocz\u0105tku i na ko\u0144cu sezonu, co ma bezpo\u015bredni wp\u0142yw na harmonogram nawadniania, zwalczanie szkodnik\u00f3w i logistyk\u0119 zbior\u00f3w.<\/p>\n

        5. Wykrywanie p\u0142odozmian\u00f3w obejmuj\u0105cych ry\u017c<\/h3>\n

        W wielu azjatyckich systemach uprawy ry\u017cu rolnicy uprawiaj\u0105 naprzemiennie ry\u017c z pszenic\u0105, warzywami, ro\u015blinami str\u0105czkowymi lub pozostawiaj\u0105 je na tym samym polu przez kolejne sezony. Teledetekcja wykrywa te zmiany, analizuj\u0105c pe\u0142ne roczne serie czasowe, a nie pojedyncze sezony w izolacji.<\/p>\n

        Pole klasyfikowane jako ry\u017c w porze deszczowej, a jako pszenica w porze suchej, wykazuje wyra\u017any dwuszczytowy wzorzec czasowy w danych dotycz\u0105cych wska\u017anika ro\u015blinno\u015bci, przy czym charakterystyka widmowa ka\u017cdego szczytu identyfikuje odpowiedni rodzaj uprawy. Mapowanie tych zmianowa\u0144 ma znaczenie dla oceny stanu gleby, modelowania zapotrzebowania na nawadnianie i program\u00f3w dywersyfikacji dochod\u00f3w.<\/p>\n

        Jak GeoPard wspomaga mapowanie wzorc\u00f3w upraw ry\u017cu<\/h2>\n

        Mapowanie wzorc\u00f3w upraw ry\u017cu wymaga ci\u0105g\u0142ej, wielo\u017ar\u00f3d\u0142owej obserwacji przez ca\u0142y sezon wegetacyjny, a w\u0142a\u015bnie to oferuje GeoPard. \u0141\u0105cz\u0105c obrazy z satelit\u00f3w Landsat-8, Sentinel-2 i Planet w jedn\u0105 platform\u0119, GeoPard monitoruje pola co drugi dzie\u0144 z rozdzielczo\u015bci\u0105 do 3 metr\u00f3w, gwarantuj\u0105c, \u017ce krytyczne zdarzenia zwi\u0105zane z upraw\u0105 ry\u017cu, takie jak powodzie przed sadzeniem, zazielenienie sadzonek czy zbiory, nigdy nie zostan\u0105 przeoczone z powodu prze\u015bwit\u00f3w chmur.<\/p>\n

        Po\u0142\u0105czenie wielu czujnik\u00f3w zastosowane na platformie wykaza\u0142o 4% wi\u0119ksz\u0105 dok\u0142adno\u015b\u0107 w por\u00f3wnaniu z podej\u015bciami wykorzystuj\u0105cymi pojedynczy czujnik, co bezpo\u015brednio przek\u0142ada si\u0119 na lepsze rozr\u00f3\u017cnienie system\u00f3w uprawy ry\u017cu z pojedyncz\u0105, podw\u00f3jn\u0105 i potr\u00f3jn\u0105 upraw\u0105.<\/p>\n

        \"Jak<\/p>\n

        W celu identyfikacji typ\u00f3w kulturowych zestaw indeks\u00f3w ro\u015blinno\u015bci GeoPard, obejmuj\u0105cy NDWI do wykrywania powodzi powierzchniowych, EVI2 do pomiaru czasu biomasy koron drzew i LAI do pomiaru g\u0119sto\u015bci koron drzew, rejestruje biografi\u0119 widmow\u0105, kt\u00f3ra pozwala odr\u00f3\u017cni\u0107 ry\u017c przesadzony metod\u0105 nawadniania od ry\u017cu nawadnianego metod\u0105 nawadniania lub z systemem siewu bezpo\u015bredniego.<\/p>\n

        W pochmurne dni monsunowe, gdy obrazowanie optyczne w og\u00f3le zawodzi, zintegrowana warstwa danych radarowych GeoPard umo\u017cliwia nieprzerwane \u015bledzenie ro\u015blinno\u015bci dzi\u0119ki odczytowi rozpraszania wstecznego SAR, kt\u00f3re jest ostateczn\u0105 oznak\u0105 zalanego pola ry\u017cowego w momencie przesadzania.<\/p>\n

        Narz\u0119dzie Por\u00f3wnaj warstwy umo\u017cliwia agronomom umieszczenie obok siebie maksymalnie czterech zsynchronizowanych warstw danych, co u\u0142atwia rozr\u00f3\u017cnianie typ\u00f3w upraw ry\u017cu poprzez por\u00f3wnywanie sygna\u0142\u00f3w powodziowych NDWI z wieloletnimi trendami ro\u015blinno\u015bci i mapami produktywno\u015bci gleby.<\/p>\n

        Oparta na ponad 30 latach zdj\u0119\u0107 satelitarnych, platforma ujawnia d\u0142ugoterminowe wzorce intensywno\u015bci upraw na poziomie pola. Te informacje s\u0105 nast\u0119pnie bezpo\u015brednio wykorzystywane do map zmiennego dawkowania nawoz\u00f3w, nasion i \u015brodk\u00f3w ochrony ro\u015blin, przekszta\u0142caj\u0105c mapy odmian upraw ry\u017cu w konkretne zalecenia dotycz\u0105ce zarz\u0105dzania na poziomie pola.<\/p>\n

        Mapowanie typ\u00f3w kulturowych ry\u017cu za pomoc\u0105 teledetekcji<\/h2>\n

        1. Charakterystyka widmowa r\u00f3\u017cnych praktyk kulturowych<\/h3>\n

        Typ uprawowy, czyli specyficzna kombinacja praktyk zarz\u0105dzania stosowanych na polu ry\u017cowym, kszta\u0142tuje ewolucj\u0119 widmow\u0105 tego pola w czasie. Na przyk\u0142ad, zalany wod\u0105, przesadzony ry\u017c rozpoczyna sezon z odpowiedzi\u0105 optyczn\u0105 zdominowan\u0105 przez wod\u0119 (niski wsp\u00f3\u0142czynnik odbicia we wszystkich pasmach widzialnych), po czym nast\u0119puje gwa\u0142towna zmiana, gdy zbiorowiska sadzonek si\u0119 ukorzeniaj\u0105.<\/p>\n

        Ry\u017c wysiewany bezpo\u015brednio do niezalanej grz\u0105dki charakteryzuje si\u0119 bardziej stopniowym wzrostem sygna\u0142u wegetacyjnego od pocz\u0105tku kie\u0142kowania, bez pocz\u0105tkowego okresu zalewania, kt\u00f3ry czujniki optyczne i SAR \u0142atwo wykrywaj\u0105.<\/p>\n

        2. Rozr\u00f3\u017cnianie ry\u017cu nawadnianego i nawadnianego deszcz\u00f3wk\u0105<\/h3>\n

        Pola ry\u017cowe nawadniane i nawadniane deszczem r\u00f3\u017cni\u0105 si\u0119 pod dwoma obserwowalnymi wzgl\u0119dami: czasem i regularno\u015bci\u0105 powodzi oraz sta\u0142o\u015bci\u0105 sezonowej fenologii. Pola nawadniane s\u0105 zazwyczaj zalewane zgodnie z harmonogramem, wykazuj\u0105 mniejsz\u0105 zmienno\u015b\u0107 termin\u00f3w przesadzania z roku na rok i utrzymuj\u0105 sta\u0142\u0105 g\u0119sto\u015b\u0107 korony dzi\u0119ki kontrolowanemu zarz\u0105dzaniu wod\u0105.<\/p>\n

        Pola deszczowe wykazuj\u0105 wi\u0119ksz\u0105 zmienno\u015b\u0107 czasow\u0105 pomi\u0119dzy latami, mog\u0105 do\u015bwiadcza\u0107 stresu wodnego w po\u0142owie sezonu, co objawia si\u0119 anomaliami w warto\u015bciach wska\u017anika wegetacji, a czasami nie udaje im si\u0119 uko\u0144czy\u0107 ca\u0142ego sezonu wegetacyjnego w latach suszy.<\/p>\n

        Wieloletnia analiza szereg\u00f3w czasowych odzwierciedla t\u0119 struktur\u0119 zmienno\u015bci, umo\u017cliwiaj\u0105c algorytmom klasyfikacyjnym oddzielenie obszar\u00f3w nawadnianych od obszar\u00f3w zasilanych deszczem z dok\u0142adno\u015bci\u0105 zazwyczaj przekraczaj\u0105c\u0105 85% w dobrze skalibrowanych systemach.<\/p>\n

        3. Mapowanie ry\u017cu przesadzonego i wysianego bezpo\u015brednio<\/h3>\n

        Najbardziej wiarygodnym wska\u017anikiem pozwalaj\u0105cym odr\u00f3\u017cni\u0107 ry\u017c przesadzony od ry\u017cu sianego bezpo\u015brednio na podstawie danych SAR jest moment i czas trwania pocz\u0105tkowego okresu niskiego rozproszenia wstecznego.<\/p>\n

        Przesadzone pola ry\u017cowe s\u0105 zalewane przez okres 2\u20134 tygodni przed przesadzeniem sadzonek, co zapewnia wyd\u0142u\u017cone okno ciemno\u015bci na pocz\u0105tku sezonu.<\/p>\n

        Pola z siewem bezpo\u015brednim nie wykazuj\u0105 okna zalewania (siew na sucho) lub wykazuj\u0105 bardzo kr\u00f3tkie okno zalewania (siew na mokro), a wzrost rozproszenia wstecznego jest zar\u00f3wno wcze\u015bniejszy w stosunku do daty siewu, jak i strukturalnie r\u00f3\u017cny pod wzgl\u0119dem nachylenia. Te cechy czasowe mo\u017cna wyodr\u0119bni\u0107 automatycznie za pomoc\u0105 algorytm\u00f3w zastosowanych do g\u0119stych szereg\u00f3w czasowych SAR.<\/p>\n

        4. Wykrywanie praktyk zarz\u0105dzania za pomoc\u0105 teledetekcji<\/h3>\n

        Opr\u00f3cz metody przesadzania i re\u017cimu wodnego, teledetekcja pozwala wykry\u0107 pewne praktyki zwi\u0105zane z gospodark\u0105 wodn\u0105, takie jak naprzemienne nawil\u017canie i suszenie (AWD) \u2014 technika stosowana w celu ograniczenia emisji metanu i zu\u017cycia wody poprzez okresowe osuszanie p\u00f3l ry\u017cowych.<\/p>\n

        Pola AWD wykazuj\u0105 oscyluj\u0105ce wzorce rozpraszania wstecznego SAR w okresie wegetacji, odzwierciedlaj\u0105c powtarzaj\u0105ce si\u0119 cykle odp\u0142ywu i powodzi, podczas gdy pola stale zalewane wykazuj\u0105 bardziej stabiln\u0105 trajektori\u0119 rozpraszania wstecznego. Ta zdolno\u015b\u0107 jest szczeg\u00f3lnie cenna dla monitorowania wdra\u017cania praktyk uprawy ry\u017cu przyjaznych dla klimatu w krajowych inwentaryzacjach gaz\u00f3w cieplarnianych.<\/p>\n

        5. Wska\u017aniki zarz\u0105dzania wod\u0105 na polach ry\u017cowych<\/h3>\n

        Detekcja powierzchni wody za pomoc\u0105 SAR charakteryzuje si\u0119 wysok\u0105 czu\u0142o\u015bci\u0105 i umo\u017cliwia identyfikacj\u0119 zbiornik\u00f3w wodnych o g\u0142\u0119boko\u015bci zaledwie kilku centymetr\u00f3w pod \u0142anami ry\u017cu. Ta czu\u0142o\u015b\u0107 pozwala analitykom na mapowanie stanu zalania poszczeg\u00f3lnych p\u00f3l w kluczowych momentach sezonu wegetacyjnego, co wspomaga podejmowanie decyzji dotycz\u0105cych harmonogramu nawadniania i wczesn\u0105 ocen\u0119 szk\u00f3d powodziowych.<\/p>\n

        Gdy mapy powierzchni w\u00f3d pochodz\u0105ce z r\u00f3\u017cnych dat zostan\u0105 ze sob\u0105 po\u0142\u0105czone w czasie, uzyskaj\u0105 dynamiczny podpis zarz\u0105dzania wod\u0105 dla ka\u017cdego pola, kt\u00f3ry s\u0142u\u017cy jako warto\u015bciowy wk\u0142ad do modeli klasyfikacji typ\u00f3w kulturowych.<\/p>\n

        Techniki i metody: od indeks\u00f3w do g\u0142\u0119bokiego uczenia si\u0119<\/h2>\n

        1. Wska\u017aniki ro\u015blinno\u015bci do monitorowania ry\u017cu<\/h3>\n

        Wska\u017aniki ro\u015blinno\u015bci to matematyczne kombinacje warto\u015bci wsp\u00f3\u0142czynnika odbicia dla r\u00f3\u017cnych d\u0142ugo\u015bci fal, maj\u0105ce na celu wzmocnienie sygna\u0142u biomasy i stanu zdrowia ro\u015blin, przy jednoczesnej redukcji szum\u00f3w pochodz\u0105cych od t\u0142a glebowego, wp\u0142yw\u00f3w atmosferycznych i geometrii o\u015bwietlenia. Trzy wska\u017aniki s\u0105 kluczowe dla prac nad mapowaniem ry\u017cu.<\/p>\n

        i. NDVI (Znormalizowany Wska\u017anik R\u00f3\u017cnicy Ro\u015blinno\u015bci)<\/strong> Wska\u017anik ten oblicza si\u0119 jako (NIR \u2013 czerwony) \/ (NIR + czerwony) i jest najcz\u0119\u015bciej stosowanym wska\u017anikiem w monitorowaniu ry\u017cu. Monitoruje on zielono\u015b\u0107 \u0142anu od momentu ukorzenienia si\u0119 sadzonek do momentu starzenia, a jego warto\u015bci zazwyczaj rosn\u0105 od bliskich zera podczas przesadzania do 0,6-0,8 w szczytowym okresie wzrostu wegetatywnego.<\/p>\n

        ii. EVI (Wska\u017anik Wzmocnionej Ro\u015blinno\u015bci)<\/strong> koryguje wp\u0142yw aerozoli atmosferycznych i szum t\u0142a gleby skuteczniej ni\u017c NDVI, dzi\u0119ki czemu jest preferowany w \u015brodowiskach o du\u017cym st\u0119\u017ceniu aerozoli, np. w sezonach spalania biomasy, powszechnych w tropikalnej Azji.<\/p>\n

        iii. LSWI (wska\u017anik w\u00f3d powierzchniowych l\u0105du)<\/strong> wykorzystuje kr\u00f3tkofalowe odbicie podczerwieni w celu wykrycia zawarto\u015bci wody zar\u00f3wno w koronach ro\u015blin, jak i w powierzchni gleby, dzi\u0119ki czemu jest niezwykle czu\u0142y na powodzie charakterystyczne dla uprawy ry\u017cu na nizinach i dostarcza solidny sygna\u0142 pozwalaj\u0105cy wykry\u0107 pocz\u0105tek sezonu wegetacyjnego.<\/p>\n

        2. Analiza szereg\u00f3w czasowych<\/h3>\n

        Pojedyncze zdj\u0119cie satelitarne rejestruje stan pola ry\u017cowego w danym momencie, ale historia pola ry\u017cowego jest zapisana w sekwencji tych moment\u00f3w. Analiza szereg\u00f3w czasowych \u0142\u0105czy wiele obserwacji, zazwyczaj jeden obraz co 5-16 dni przez ca\u0142y rok, i wyodr\u0119bnia wska\u017aniki czasowe, takie jak data rozpocz\u0119cia sezonu, szczytowy wska\u017anik NDVI, tempo zazielenienia i data zbior\u00f3w.<\/p>\n

        \"Techniki<\/p>\n

        Te wska\u017aniki \u0142\u0105cznie opisuj\u0105 pe\u0142ne zachowanie fenologiczne pola i s\u0105 znacznie bardziej diagnostyczne w identyfikacji rodzaju upraw ni\u017c jakakolwiek obserwacja z jednego dnia. Metody statystyczne, takie jak regresja harmoniczna i dynamiczne odkszta\u0142cenie czasu (DTW), s\u0105 powszechnie stosowane do zestrajania i por\u00f3wnywania danych szereg\u00f3w czasowych z r\u00f3\u017cnych lat i region\u00f3w.<\/p>\n

        3. Uczenie maszynowe w klasyfikacji ry\u017cu<\/h3>\n

        Uczenie maszynowe zmieni\u0142o skal\u0119 i dok\u0142adno\u015b\u0107 mapowania upraw ry\u017cu poprzez automatyzacj\u0119 identyfikacji z\u0142o\u017conych, nieliniowych zale\u017cno\u015bci mi\u0119dzy danymi widmowo-czasowymi i warunkami terenowymi.<\/p>\n

        i. Las losowy (RF)<\/strong> to metoda zespo\u0142owa, kt\u00f3ra buduje setki niezale\u017cnych drzew decyzyjnych, z kt\u00f3rych ka\u017cde jest trenowane na losowym podzbiorze cech, i agreguje ich g\u0142osy w celu uzyskania ostatecznej klasyfikacji. Jest odporna na zaszumione dane treningowe, efektywnie obs\u0142uguje wielowymiarowe przestrzenie cech i dostarcza zmienne wyniki wa\u017cno\u015bci, kt\u00f3re pomagaj\u0105 analitykom zrozumie\u0107, kt\u00f3re cechy czasowe lub widmowe wp\u0142ywaj\u0105 na decyzje klasyfikacyjne.<\/p>\n

        ii. Maszyna wektor\u00f3w no\u015bnych (SVM)<\/strong> Znajduje optymaln\u0105 granic\u0119 oddzielaj\u0105c\u0105 klasy w wielowymiarowej przestrzeni cech. SVM dzia\u0142a dobrze, gdy dane treningowe s\u0105 ograniczone, co czyni go przydatnym w regionach o niedoborze danych, gdzie zbieranie prawdy podstawowej jest kosztowne.<\/p>\n

        iii. G\u0142\u0119bokie uczenie si\u0119<\/strong>, Sieci neuronowe, w szczeg\u00f3lno\u015bci splotowe (CNN) i rekurencyjne (RNN), takie jak architektury pami\u0119ci d\u0142ugoterminowej (LSTM), mog\u0105 jednocze\u015bnie uczy\u0107 si\u0119 wzorc\u00f3w przestrzennych w poszczeg\u00f3lnych obrazach i wzorc\u00f3w czasowych w sekwencjach obraz\u00f3w. Klasyfikatory oparte na LSTM zastosowane do szereg\u00f3w czasowych satelit\u00f3w osi\u0105gn\u0119\u0142y najnowocze\u015bniejsz\u0105 dok\u0142adno\u015b\u0107 w zadaniach mapowania ry\u017cu, a kilka bada\u0144 wykaza\u0142o og\u00f3ln\u0105 dok\u0142adno\u015b\u0107 przekraczaj\u0105c\u0105 90% w skalach regionalnych.<\/p>\n

        Xiao i in. (International Journal of Applied Earth Observation and Geoinformation, 2025) wykazali, \u017ce model g\u0142\u0119bokiego uczenia LSTM trenowany na po\u0142\u0105czonych danych szereg\u00f3w czasowych Sentinel-1 i Sentinel-2 odwzorowa\u0142 typy kulturowe ry\u017cu w trzech krajach Azji Po\u0142udniowej z og\u00f3lna dok\u0142adno\u015b\u0107 91,7% i wsp\u00f3\u0142czynnik kappa 0,89<\/strong>, przewy\u017cszaj\u0105c Random Forest o 6,4 punktu procentowego przy tych samych warunkach danych szkoleniowych.<\/p>\n

        W przypadku mapowania typ\u00f3w upraw ry\u017cu na du\u017cych obszarach, gdzie mo\u017cliwe jest zbieranie danych szkoleniowych, klasyfikatory g\u0142\u0119bokiego uczenia bazuj\u0105ce na LSTM s\u0105 obecnie metod\u0105 referencyjn\u0105 i powinny by\u0107 domy\u015blnym wyborem w nowych krajowych programach mapowania.<\/p>\n

        4. Analiza obrazu oparta na obiektach (OBIA)<\/h3>\n

        Analiza obrazu oparta na obiektach (OBIA)<\/strong> dzia\u0142a poprzez grupowanie s\u0105siaduj\u0105cych pikseli o podobnych charakterystykach widmowych i przestrzennych w obiekty (segmenty) przed ich klasyfikacj\u0105, zamiast klasyfikowa\u0107 ka\u017cdy piksel niezale\u017cnie.<\/p>\n

        W mapowaniu ry\u017cu metoda OBIA jest przydatna, poniewa\u017c pozwala uwzgl\u0119dni\u0107 w klasyfikacji kszta\u0142t, tekstur\u0119 i kontekst, odr\u00f3\u017cniaj\u0105c pole ry\u017cowe od zbiornika wodnego o podobnym kolorze na podstawie regularnej prostok\u0105tnej geometrii pola.<\/p>\n

        Technologia OBIA sprawdza si\u0119 szczeg\u00f3lnie dobrze w przypadku bardzo wysokiej rozdzielczo\u015bci przestrzennej, na przyk\u0142ad danych z satelit\u00f3w komercyjnych o rozdzielczo\u015bci 1\u20135 metr\u00f3w lub obraz\u00f3w z bezza\u0142ogowych statk\u00f3w powietrznych (UAV).<\/p>\n

        5. Techniki wykrywania zmian<\/h3>\n

        Wykrywanie zmian identyfikuje obszary, na kt\u00f3rych nast\u0105pi\u0142a zmiana u\u017cytkowania grunt\u00f3w mi\u0119dzy dwoma lub wi\u0119cej datami. W monitorowaniu systemu uprawy ry\u017cu, wykrywanie zmian s\u0142u\u017cy dw\u00f3m celom: \u015bledzeniu corocznej ekspansji lub kurczenia si\u0119 powierzchni upraw ry\u017cu w reakcji na czynniki klimatyczne lub ekonomiczne oraz identyfikowaniu zmian w po\u0142owie sezonu, takich jak nieurodzaj, porzucenie upraw lub nieoczekiwane powodzie.<\/p>\n

        Wykrywanie zmian dwuczasowych (bezpo\u015brednie por\u00f3wnywanie dw\u00f3ch dat) jest proste, ale podatne na r\u00f3\u017cnice fenologiczne mi\u0119dzy latami. Wykrywanie zmian wieloczasowych w pe\u0142nych stosach rocznych jest bardziej niezawodne i pozwala oddzieli\u0107 rzeczywiste zmiany w u\u017cytkowaniu grunt\u00f3w od sezonowych zmian fenologicznych.<\/p>\n

        Ocena i walidacja dok\u0142adno\u015bci<\/h2>\n

        1. Gromadzenie danych wiarygodnych<\/h3>\n

        Ka\u017cdy produkt do mapowania ry\u017cu wymaga walidacji na podstawie niezale\u017cnie zebranych obserwacji terenowych. Dane z bada\u0144 terenowych zazwyczaj obejmuj\u0105 wizyty terenowe z wykorzystaniem GPS, podczas kt\u00f3rych przeszkoleni rachmistrzowie rejestruj\u0105 rodzaj uprawy, faz\u0119 wzrostu, stan gospodarki wodnej i metod\u0119 zak\u0142adania plantacji w statystycznie reprezentatywnej pr\u00f3bie lokalizacji. Obserwacje te s\u0105 gromadzone w taki spos\u00f3b, aby pokrywa\u0142y si\u0119 czasowo z danymi z satelit\u00f3w i nie s\u0105 uwzgl\u0119dniane w szkoleniu modelu, lecz wykorzystywane wy\u0142\u0105cznie do oceny dok\u0142adno\u015bci.<\/p>\n

        2. Metryki dok\u0142adno\u015bci klasyfikacji<\/h3>\n

        W przypadku zastosowa\u0144 zwi\u0105zanych z ry\u017cem, wynik F1, kt\u00f3ry r\u00f3wnowa\u017cy dok\u0142adno\u015b\u0107 producenta i u\u017cytkownika dla ka\u017cdej klasy, jest coraz cz\u0119\u015bciej podawany obok Kappa jako bardziej informacyjne, jednoliczbowe podsumowanie wydajno\u015bci. Standardowe wska\u017aniki oceny dok\u0142adno\u015bci mapy obejmuj\u0105:<\/p>\n

          \n
        • dok\u0142adno\u015b\u0107 og\u00f3lna (procent wszystkich punkt\u00f3w walidacyjnych prawid\u0142owo sklasyfikowanych),<\/li>\n
        • dok\u0142adno\u015b\u0107 producenta (prawdopodobie\u0144stwo, \u017ce pole danej prawdziwej klasy zostanie poprawnie odwzorowane, analogicznie do odwo\u0142ania),<\/li>\n
        • dok\u0142adno\u015b\u0107 u\u017cytkownika (prawdopodobie\u0144stwo, \u017ce pole mapowane na dan\u0105 klas\u0119 jest faktycznie t\u0105 klas\u0105, analogicznie do precyzji) i<\/li>\n
        • wsp\u00f3\u0142czynnik Kappa (miara zgodno\u015bci skorygowana o zgodno\u015b\u0107 przypadkow\u0105, gdzie warto\u015bci powy\u017cej 0,80 oznaczaj\u0105 siln\u0105 zgodno\u015b\u0107).<\/li>\n<\/ul>\n

          3. Weryfikacja wzorc\u00f3w upraw i map typ\u00f3w kulturowych<\/h3>\n

          Weryfikacja map wzorc\u00f3w upraw wymaga wieloetapowych danych rzeczywistych, obejmuj\u0105cych wizyty terenowe w r\u00f3\u017cnych punktach kalendarza upraw w celu potwierdzenia, ile sezon\u00f3w faktycznie zebrano w ci\u0105gu roku w ka\u017cdym miejscu weryfikacji.<\/p>\n

          Weryfikacja typ\u00f3w kulturowych, odr\u00f3\u017cniaj\u0105ca ro\u015bliny przesadzone od wysianych bezpo\u015brednio lub nawadniane od nawadnianych deszczem, jest trudniejsza, poniewa\u017c rozr\u00f3\u017cnienia te nie zawsze s\u0105 widoczne na pierwszy rzut oka w terenie i wymagaj\u0105 wywiad\u00f3w z rolnikami lub bezpo\u015bredniej obserwacji dzia\u0142a\u0144 zarz\u0105dczych w newralgicznych momentach sezonu wegetacyjnego.<\/p>\n

          Krajowe statystyki rolnicze, cho\u0107 cz\u0119sto agregowane na poziomie prowincji lub dystryktu, zapewniaj\u0105 dodatkow\u0105 warstw\u0119 weryfikacji szacunk\u00f3w powierzchni, umo\u017cliwiaj\u0105c krzy\u017cow\u0105 kontrol\u0119 sum podanych na mapie z oficjalnymi danymi.<\/p>\n

          Zastosowania w ca\u0142ym systemie rolniczym<\/h2>\n

          1. Planowanie i rozw\u00f3j polityki rolnej<\/h3>\n

          Mapy wzorc\u00f3w upraw ry\u017cu, opracowane na podstawie teledetekcji, zapewniaj\u0105 ministerstwom rolnictwa rozdzielczo\u015b\u0107 przestrzenn\u0105 niezb\u0119dn\u0105 do projektowania ukierunkowanych interwencji. Regiony zidentyfikowane jako obszary o pojedynczym systemie uprawy, zasilane deszczem, mog\u0105 by\u0107 priorytetowo traktowane pod k\u0105tem rozwoju nawadniania na ma\u0142\u0105 skal\u0119; obszary o trzech rodzajach upraw, charakteryzuj\u0105ce si\u0119 spadkiem plon\u00f3w, mog\u0105 by\u0107 badane pod k\u0105tem degradacji gleby lub obni\u017cenia poziomu w\u00f3d gruntowych.<\/p>\n

          2. Oszacowanie produkcji ry\u017cu<\/h3>\n

          Po\u0142\u0105czenie map obszar\u00f3w upraw ry\u017cu uzyskanych za pomoc\u0105 teledetekcji z modelami szacowania plon\u00f3w, takimi jak symulacje wzrostu upraw oparte na danych pogodowych, pozwala na tworzenie prognoz produkcji na szczeblu krajowym i lokalnym na kilka tygodni lub miesi\u0119cy przed zbiorami.<\/p>\n

          Panel bezpiecze\u0144stwa \u017cywno\u015bciowego Azjatyckiego Banku Rozwoju oraz Globalny System Informacji i Wczesnego Ostrzegania (GIEWS) FAO korzystaj\u0105 z danych satelitarnych dotycz\u0105cych obszar\u00f3w uprawy ry\u017cu, aby generowa\u0107 szacunki produkcji przed zbiorami, wykazuj\u0105c przy tym wi\u0119ksz\u0105 dok\u0142adno\u015b\u0107 w por\u00f3wnaniu z podej\u015bciami opartymi na badaniach ankietowych.<\/p>\n

          3. Zarz\u0105dzanie zasobami wodnymi<\/h3>\n

          Nawadniany ry\u017c jest najwi\u0119kszym konsumentem s\u0142odkiej wody w Azji, odpowiadaj\u0105c za oko\u0142o 401 TP3T ca\u0142kowitego poboru wody na potrzeby rolnictwa w krajach takich jak Indie i Bangladesz.<\/p>\n

          Najbardziej warto\u015bciowym wynikiem mapowania upraw ry\u017cu przy u\u017cyciu satelity nie jest sama mapa, lecz decyzja, kt\u00f3r\u0105 mo\u017cna podj\u0105\u0107 na jej podstawie, np. czy zbudowa\u0107 kana\u0142, zamkn\u0105\u0107 studni\u0119 lub przekierowa\u0107 dotacj\u0119.<\/p><\/blockquote>\n

          Dok\u0142adna wiedza o tym, gdzie uprawiany jest nawadniany ry\u017c, w jakich sezonach jest on nawadniany, a tak\u017ce na kt\u00f3rych polach stosowane s\u0105 efektywne metody zarz\u0105dzania wod\u0105, takie jak AWD, bezpo\u015brednio wspomaga planowanie dorzeczy, harmonogramowanie eksploatacji zbiornik\u00f3w i ocen\u0119 zr\u00f3wnowa\u017conego wykorzystania w\u00f3d gruntowych.<\/p>\n

          4. Monitorowanie bezpiecze\u0144stwa \u017cywno\u015bciowego<\/h3>\n

          Systemy wczesnego ostrzegania o zagro\u017ceniu \u017cywno\u015bciowym opieraj\u0105 si\u0119 na szybkim wykrywaniu nieurodzaju. Gdy obszary upraw ry\u017cu nie przechodz\u0105 pe\u0142nego cyklu wegetacyjnego, monitoring satelitarny wykrywa anomali\u0119 jako brak lub skr\u00f3cenie szczytu fenologicznego w oczekiwanym oknie sezonowym. Sie\u0107 System\u00f3w Wczesnego Ostrzegania o G\u0142odzie (FEWS NET), wspierana przez USAID, wykorzystuje satelitarne dane o ro\u015blinno\u015bci, w tym monitoring specyficzny dla ry\u017cu, do generowania alert\u00f3w dotycz\u0105cych bezpiecze\u0144stwa \u017cywno\u015bciowego w Azji i Afryce.<\/p>\n

          5. Ocena wp\u0142ywu zmian klimatu<\/h3>\n

          D\u0142ugoterminowe archiwa map wzorc\u00f3w upraw ry\u017cu, obejmuj\u0105ce dane Landsat z ponad 20 lat, pokazuj\u0105, jak zmienia\u0142y si\u0119 obszary uprawy ry\u017cu, pory roku i plony w odpowiedzi na zmieniaj\u0105ce si\u0119 re\u017cimy temperatur i opad\u00f3w. Te historyczne mapy trend\u00f3w dostarczaj\u0105 empirycznych dowod\u00f3w na wp\u0142yw zmian klimatu na systemy uprawy ry\u017cu i s\u0142u\u017c\u0105 jako dane wej\u015bciowe do prognozowania przysz\u0142ego ryzyka dla rolnictwa w r\u00f3\u017cnych scenariuszach ocieplenia.<\/p>\n

          7. Zastosowania w rolnictwie precyzyjnym<\/h3>\n

          W skali gospodarstwa, mapowanie odmian ry\u017cu, generowane przez bezza\u0142ogowe statki powietrzne, w po\u0142\u0105czeniu z danymi glebowymi i wodnymi na poziomie pola, wspomaga podejmowanie precyzyjnych decyzji zarz\u0105dczych, takich jak zmienne dawki nawo\u017cenia, rozpoznanie szkodnik\u00f3w w poszczeg\u00f3lnych miejscach oraz optymalizacja harmonogramu sadzenia. Aplikacje te rozwijaj\u0105 si\u0119 obecnie dynamicznie w Japonii, Korei Po\u0142udniowej i niekt\u00f3rych cz\u0119\u015bciach Chin, gdzie uprawa ry\u017cu jest wysoce zmechanizowana, a infrastruktura danych umo\u017cliwia po\u0142\u0105czenie danych teledetekcyjnych z systemami zarz\u0105dzania gospodarstwem.<\/p>\n

          Wyzwania i ograniczenia utrudniaj\u0105ce mapowanie ry\u017cu<\/h2>\n

          1. Zachmurzenie i dost\u0119pno\u015b\u0107 danych<\/h3>\n

          Utrzymuj\u0105ce si\u0119 zachmurzenie w porze monsunowej, kiedy uprawiana jest znaczna cz\u0119\u015b\u0107 ry\u017cu w Azji, powa\u017cnie ogranicza liczb\u0119 u\u017cytecznych obserwacji optycznych. W niekt\u00f3rych lokalizacjach zanieczyszczenie chmurami zmniejsza liczb\u0119 dost\u0119pnych obserwacji Sentinel-2 w krytycznym okresie przesadzania i wczesnej wegetacji do mniej ni\u017c dw\u00f3ch miesi\u0119cznie. Dane SAR \u0142agodz\u0105, ale nie eliminuj\u0105 tego problemu, poniewa\u017c ulewne deszcze mog\u0105 tymczasowo zak\u0142\u00f3ci\u0107 sygna\u0142 radarowy.<\/p>\n

          2. Mieszane piksele i ma\u0142e rozmiary p\u00f3l<\/h3>\n

          W regionach, gdzie pola ry\u017cowe s\u0105 mniejsze ni\u017c rozdzielczo\u015b\u0107 przestrzenna czujnika, pojedynczy piksel rejestruje mieszanin\u0119 ry\u017cu i ro\u015blinno\u015bci, co utrudnia klasyfikacj\u0119. Systemy ry\u017cowe na wy\u017cynach, w terenie pag\u00f3rkowatym i na polach uprawnych o wielko\u015bci ogrod\u00f3w w niekt\u00f3rych cz\u0119\u015bciach Indonezji i Filipin, rutynowo generuj\u0105 mieszane piksele, nawet przy 10-metrowej rozdzielczo\u015bci Sentinela-2, co ogranicza stosowanie metod opartych na pikselach w tych \u015brodowiskach.<\/p>\n

          3. Podobie\u0144stwo widmowe i czasowe mi\u0119dzy typami upraw<\/h3>\n

          Niekt\u00f3re uprawy, zw\u0142aszcza trzcina cukrowa, juta i niekt\u00f3re u\u017cytki zielone, generuj\u0105 krzywe fenologiczne podobne do ry\u017cu w szeregach czasowych NDVI lub EVI, co prowadzi do nieporozumie\u0144 w klasyfikacji. Detekcja zalewania oparta na SAR zmniejsza to nieporozumienie w przypadku ry\u017cu nizinnego, ale systemy ry\u017cowe na wy\u017cynach bez zalanych p\u00f3l ry\u017cowych pozostaj\u0105 trudne do odr\u00f3\u017cnienia od upraw o podobnym widmie bez dodatkowych danych terenowych lub dodatkowych danych geograficznych.<\/p>\n

          4. Ograniczenia rozdzielczo\u015bci czasowej<\/h3>\n

          Mapowanie wzorca upraw ry\u017cu i typu kulturowego za pomoc\u0105 teledetekcji wymaga intensywnego pobierania pr\u00f3bek czasowych, najlepiej co najmniej jednej obserwacji co 8-10 dni przez ca\u0142y sezon wegetacyjny. Gdy zachmurzenie lub przerwy w orbitach satelit\u00f3w zmniejszaj\u0105 t\u0119 g\u0119sto\u015b\u0107 czasow\u0105, kr\u00f3tkie odmiany ry\u017cu lub szybko zmieniaj\u0105ce si\u0119 sezony trzech upraw mog\u0105 zosta\u0107 ca\u0142kowicie pomini\u0119te przez automatyczne algorytmy detekcji.<\/p>\n

          5. Ograniczenia danych naziemnych<\/h3>\n

          Wysokiej jako\u015bci, oznakowane dane szkoleniowe, obserwacje terenowe dopasowane do znanych rodzaj\u00f3w upraw i praktyk zarz\u0105dzania, nadal s\u0105 kosztowne i trudne logistycznie do zebrania w skali niezb\u0119dnej do szkolenia i walidacji krajowych system\u00f3w mapowania. W wielu krajach o ni\u017cszych dochodach, produkuj\u0105cych ry\u017c, zasoby ludzkie i finansowe niezb\u0119dne do systematycznego gromadzenia danych naziemnych stanowi\u0105 najwi\u0119ksz\u0105 przeszkod\u0119 w poprawie dok\u0142adno\u015bci mapowania.<\/p>\n

          Nowe trendy i przysz\u0142o\u015b\u0107 monitorowania ry\u017cu<\/h2>\n

          1. Monitorowanie ry\u017cu za pomoc\u0105 bezza\u0142ogowych statk\u00f3w powietrznych (UAV) i dron\u00f3w<\/h3>\n

          Bezza\u0142ogowe statki powietrzne (UAV) wyposa\u017cone w czujniki multispektralne i termiczne dostarczaj\u0105 obecnie obrazy z dok\u0142adno\u015bci\u0105 do centymetra nad poszczeg\u00f3lnymi gospodarstwami, okre\u015blaj\u0105c granice p\u00f3l, rz\u0119dy upraw, a nawet stan zdrowia poszczeg\u00f3lnych ro\u015blin. UAV pe\u0142ni\u0105 funkcj\u0119 pomostu mi\u0119dzy mapowaniem satelitarnym a obserwacj\u0105 poszczeg\u00f3lnych ro\u015blin, dostarczaj\u0105c dane o ultrawysokiej rozdzielczo\u015bci, niezb\u0119dne do trenowania i walidacji modeli satelitarnych w rozdrobnionych obszarach krajobrazu.<\/p>\n

          2. Sztuczna inteligencja i g\u0142\u0119bokie uczenie si\u0119 w klasyfikacji ry\u017cu<\/h3>\n

          Sieci neuronowe splotowe stosowane do szereg\u00f3w czasowych obraz\u00f3w satelitarnych, w po\u0142\u0105czeniu z architektur\u0105 transformatorow\u0105 zaadaptowan\u0105 z przetwarzania j\u0119zyka naturalnego, osi\u0105gaj\u0105 obecnie najwy\u017csz\u0105 dok\u0142adno\u015b\u0107 klasyfikacji ry\u017cu, jak\u0105 kiedykolwiek odnotowano.<\/p>\n

          Opublikowana w 2024 r. przez naukowc\u00f3w z Uniwersytetu w Wageningen struktura PRISM (Phenology-based Rice crop Identification System using Multisource data) wykaza\u0142a, \u017ce samodzielna nauka na nieoznakowanych archiwach satelitarnych mo\u017ce wst\u0119pnie trenowa\u0107 modele klasyfikacji ry\u017cu, wymagaj\u0105c jedynie minimalnych oznakowanych danych terenowych do dok\u0142adnego dostrojenia, co znacznie zmniejsza obci\u0105\u017cenie zwi\u0105zane z badaniami terenowymi.<\/p>\n

          3. Systemy monitorowania ry\u017cu w czasie niemal rzeczywistym<\/h3>\n

          Systemy monitorowania upraw ry\u017cu dzia\u0142aj\u0105ce niemal w czasie rzeczywistym automatycznie przetwarzaj\u0105 przychodz\u0105ce dane satelitarne, aktualizuj\u0105 mapy upraw ry\u017cu co 10\u201316 dni i wysy\u0142aj\u0105 powiadomienia o datach sadzenia, zdarzeniach zwi\u0105zanych ze stresem wodnym i czasie zbior\u00f3w bezpo\u015brednio do paneli rz\u0105dowych lub aplikacji mobilnych wykorzystywanych przez rolnik\u00f3w i agent\u00f3w terenowych.<\/p>\n

          Departament Ry\u017cu Tajlandii i Ministerstwo Rolnictwa Wietnamu u\u017cytkuj\u0105 prototypowe systemy tego typu, a Mi\u0119dzynarodowy Instytut Bada\u0144 nad Ry\u017cem wspiera rozw\u00f3j podobnych rozwi\u0105za\u0144 w Bangladeszu i Kambod\u017cy.<\/p>\n

          4. Integracja danych satelitarnych i IoT<\/h3>\n

          Czujniki Internetu Rzeczy (IoT) rozmieszczone na polach ry\u017cowych, mierz\u0105ce wilgotno\u015b\u0107 gleby, poziom wody, temperatur\u0119 i mikroklimat koron drzew, generuj\u0105 ci\u0105g\u0142e obserwacje na poziomie gruntu, kt\u00f3re uzupe\u0142niaj\u0105 i kalibruj\u0105 dane teledetekcyjne pozyskiwane z satelit\u00f3w.<\/p>\n

          Gdy sieci czujnik\u00f3w IoT i obserwacje satelitarne zostan\u0105 po\u0142\u0105czone w ramach struktur fuzji danych, powsta\u0142y w ten spos\u00f3b system monitorowania b\u0119dzie m\u00f3g\u0142 wykrywa\u0107 stres wodny, pocz\u0105tek powodzi i presj\u0119 chor\u00f3b z wi\u0119ksz\u0105 pewno\u015bci\u0105 i wcze\u015bniejszym wyprzedzeniem, ni\u017c mog\u0142oby to zapewni\u0107 ka\u017cde z tych \u017ar\u00f3de\u0142 niezale\u017cnie.<\/p>\n

          5. Rolnictwo cyfrowe i inteligentne<\/h3>\n

          Po\u0142\u0105czenie mapowania satelitarnego upraw ry\u017cu, czujnik\u00f3w IoT i wspomagania decyzji opartego na sztucznej inteligencji tworzy podwaliny inteligentnej uprawy ry\u017cu, w kt\u00f3rej decyzje dotycz\u0105ce zarz\u0105dzania, takie jak czas nawadniania czy stosowanie nawoz\u00f3w, s\u0105 podejmowane na podstawie strumieni danych przestrzennych, pozyskiwanych niemal w czasie rzeczywistym, a nie na podstawie kalendarza.<\/p>\n

          Programy pilota\u017cowe w japo\u0144skiej prefekturze Niigata i chi\u0144skiej prowincji Heilongjiang wykaza\u0142y, \u017ce precyzyjne zarz\u0105dzanie upraw\u0105 ry\u017cu, oparte na teledetekcji, mo\u017ce obni\u017cy\u0107 koszty nak\u0142ad\u00f3w 15-25%<\/strong> przy jednoczesnym utrzymaniu lub zwi\u0119kszeniu plon\u00f3w, zgodnie ze wst\u0119pnymi raportami z bada\u0144 polowych z 2024 r.<\/p>\n

          Wniosek<\/h2>\n

          Mapowanie wzorc\u00f3w upraw ry\u017cu i typ\u00f3w kulturowych za pomoc\u0105 teledetekcji przekszta\u0142ci\u0142o si\u0119 z akademickiej dyscypliny badawczej w narz\u0119dzie operacyjne wykorzystywane przez rz\u0105dy, agencje mi\u0119dzynarodowe i platformy agrotechnologiczne w Azji i poza ni\u0105. Wieloczujnikowe metody szereg\u00f3w czasowych, \u0142\u0105cz\u0105ce dane optyczne i SAR, przetwarzane za pomoc\u0105 klasyfikator\u00f3w uczenia maszynowego i g\u0142\u0119bokiego uczenia, obecnie rutynowo generuj\u0105 mapy obszar\u00f3w ry\u017cowych w skali kraju z og\u00f3ln\u0105 dok\u0142adno\u015bci\u0105 przekraczaj\u0105c\u0105 85-90%. Mapy te pokazuj\u0105 nie tylko, gdzie ro\u015bnie ry\u017c, ale tak\u017ce ile razy w roku, w jakim systemie nawadniania i jak\u0105 metod\u0105 jest on uprawiany.<\/p>\n

          Wyj\u015bcie poza proste mapowanie obszar\u00f3w ry\u017cowych i dotarcie do klasyfikacji typ\u00f3w kulturowych przekszta\u0142ca dane o pokryciu terenu w narz\u0119dzie analizy rolniczej. Wiedza o tym, \u017ce w ci\u0105gu dekady region przeszed\u0142 z uprawy ry\u017cu z przesadzania na upraw\u0119 ry\u017cu z siewu bezpo\u015bredniego, sygnalizuje jednocze\u015bnie zmiany na rynku pracy i spadek poziomu w\u00f3d gruntowych. Wiedza o tym, kt\u00f3re obszary nawadniane deszczem s\u0105 najbardziej nara\u017cone na wczesnosezonowe okresy suszy, zidentyfikowana na podstawie ich widmowych wzorc\u00f3w czasowych, pozwala na z g\u00f3ry zaplanowan\u0105 reakcj\u0119 na susz\u0119, a nie reaktywn\u0105 pomoc w przypadku kl\u0119sk \u017cywio\u0142owych. Teledetekcja umo\u017cliwia uzyskanie tego poziomu analizy przestrzennej przy u\u0142amku koszt\u00f3w r\u00f3wnowa\u017cnych program\u00f3w bada\u0144 naziemnych.<\/p>","protected":false},"excerpt":{"rendered":"

          Wed\u0142ug International Rice\u2026 ry\u017c stanowi po\u017cywienie dla ponad 3,5 miliarda ludzi na ca\u0142ym \u015bwiecie, jednak mniej ni\u017c 60% obszar\u00f3w uprawy ry\u017cu ma dok\u0142adne i aktualne mapy upraw.<\/p>","protected":false},"author":210249433,"featured_media":13326,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_coblocks_attr":"","_coblocks_dimensions":"","_coblocks_responsive_height":"","_coblocks_accordion_ie_support":"","_eb_attr":"","content-type":"","_jetpack_newsletter_access":"","_jetpack_dont_email_post_to_subs":false,"_jetpack_newsletter_tier_id":0,"_jetpack_memberships_contains_paywalled_content":false,"_jetpack_feature_clip_id":0,"_jetpack_memberships_contains_paid_content":false,"footnotes":"","jetpack_publicize_message":"{title}\n\n{excerpt}\n\n{url}","jetpack_publicize_feature_enabled":true,"jetpack_social_post_already_shared":true,"jetpack_social_options":{"image_generator_settings":{"template":"highway","default_image_id":0,"font":"","enabled":false},"version":2},"_wpas_customize_per_network":false,"jetpack_post_was_ever_published":false},"categories":[1378],"tags":[],"class_list":["post-13324","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-remote-sensing"],"acf":[],"yoast_head":"\nMapping Rice Cropping Pattern and Cultural Type Using Remote Sensing - GeoPard Agriculture<\/title>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/geopard.tech\/pl\/blog\/mapowanie-wzorca-upraw-ryzu-i-typu-kulturowego-za-pomoca-teledetekcji\/\" \/>\n<meta property=\"og:locale\" content=\"pl_PL\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Mapping Rice Cropping Pattern and Cultural Type Using Remote Sensing - GeoPard Agriculture\" \/>\n<meta property=\"og:description\" content=\"Rice feeds more than 3.5 billion people globally, yet less than 60% of rice-growing areas have accurate, up-to-date cultivation maps, according to the International Rice...\" \/>\n<meta property=\"og:url\" content=\"https:\/\/geopard.tech\/pl\/blog\/mapowanie-wzorca-upraw-ryzu-i-typu-kulturowego-za-pomoca-teledetekcji\/\" \/>\n<meta property=\"og:site_name\" content=\"GeoPard - Precision agriculture Mapping software\" \/>\n<meta property=\"article:publisher\" content=\"https:\/\/www.facebook.com\/geopardAgriculture\/\" \/>\n<meta property=\"article:published_time\" content=\"2026-05-31T18:21:25+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2026-05-31T18:47:12+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/geopard.tech\/wp-content\/uploads\/2026\/05\/Mapping-Rice-Cropping-Pattern-and-Cultural-Type-Using-Remote-Sensing-1024x576.png\" \/>\n\t<meta property=\"og:image:width\" content=\"1024\" \/>\n\t<meta property=\"og:image:height\" content=\"576\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/png\" \/>\n<meta name=\"author\" content=\"Muhammad Farjad\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:creator\" content=\"@geopardagri\" \/>\n<meta name=\"twitter:site\" content=\"@geopardagri\" \/>\n<meta name=\"twitter:label1\" content=\"Napisane przez\" \/>\n\t<meta name=\"twitter:data1\" content=\"Muhammad Farjad\" \/>\n\t<meta name=\"twitter:label2\" content=\"Szacowany czas czytania\" \/>\n\t<meta name=\"twitter:data2\" content=\"26 minut\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\\\/#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\\\/\"},\"author\":{\"name\":\"Muhammad Farjad\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/#\\\/schema\\\/person\\\/123c5562fb47aa8cf3aa81ae91e5e935\"},\"headline\":\"Mapping Rice Cropping Pattern and Cultural Type Using Remote Sensing\",\"datePublished\":\"2026-05-31T18:21:25+00:00\",\"dateModified\":\"2026-05-31T18:47:12+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\\\/\"},\"wordCount\":5536,\"commentCount\":0,\"publisher\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/#organization\"},\"image\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/i0.wp.com\\\/geopard.tech\\\/wp-content\\\/uploads\\\/2026\\\/05\\\/Mapping-Rice-Cropping-Pattern-and-Cultural-Type-Using-Remote-Sensing.png?fit=1920%2C1080&ssl=1\",\"articleSection\":[\"Remote Sensing\"],\"inLanguage\":\"pl-PL\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\\\/\\\/geopard.tech\\\/blog\\\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\\\/#respond\"]}]},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\\\/\",\"url\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\\\/\",\"name\":\"Mapping Rice Cropping Pattern and Cultural Type Using Remote Sensing - GeoPard Agriculture\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\\\/#primaryimage\"},\"image\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/i0.wp.com\\\/geopard.tech\\\/wp-content\\\/uploads\\\/2026\\\/05\\\/Mapping-Rice-Cropping-Pattern-and-Cultural-Type-Using-Remote-Sensing.png?fit=1920%2C1080&ssl=1\",\"datePublished\":\"2026-05-31T18:21:25+00:00\",\"dateModified\":\"2026-05-31T18:47:12+00:00\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\\\/#breadcrumb\"},\"inLanguage\":\"pl-PL\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/geopard.tech\\\/blog\\\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\\\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"pl-PL\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\\\/#primaryimage\",\"url\":\"https:\\\/\\\/i0.wp.com\\\/geopard.tech\\\/wp-content\\\/uploads\\\/2026\\\/05\\\/Mapping-Rice-Cropping-Pattern-and-Cultural-Type-Using-Remote-Sensing.png?fit=1920%2C1080&ssl=1\",\"contentUrl\":\"https:\\\/\\\/i0.wp.com\\\/geopard.tech\\\/wp-content\\\/uploads\\\/2026\\\/05\\\/Mapping-Rice-Cropping-Pattern-and-Cultural-Type-Using-Remote-Sensing.png?fit=1920%2C1080&ssl=1\",\"width\":1920,\"height\":1080,\"caption\":\"Mapping Rice-Cropping Pattern and Cultural Type Using Remote Sensing\"},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\\\/\\\/geopard.tech\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Mapping Rice Cropping Pattern and Cultural Type Using Remote Sensing\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/#website\",\"url\":\"https:\\\/\\\/geopard.tech\\\/\",\"name\":\"GeoPard - Precision agriculture software\",\"description\":\"Precision agriculture Mapping software\",\"publisher\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/#organization\"},\"alternateName\":\"GeoPard\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/geopard.tech\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"pl-PL\"},{\"@type\":\"Organization\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/#organization\",\"name\":\"GeoPard Agriculture\",\"alternateName\":\"GeoPard\",\"url\":\"https:\\\/\\\/geopard.tech\\\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"pl-PL\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/#\\\/schema\\\/logo\\\/image\\\/\",\"url\":\"https:\\\/\\\/i0.wp.com\\\/geopard.tech\\\/wp-content\\\/uploads\\\/2022\\\/03\\\/favicon.png?fit=200%2C200&ssl=1\",\"contentUrl\":\"https:\\\/\\\/i0.wp.com\\\/geopard.tech\\\/wp-content\\\/uploads\\\/2022\\\/03\\\/favicon.png?fit=200%2C200&ssl=1\",\"width\":200,\"height\":200,\"caption\":\"GeoPard Agriculture\"},\"image\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/#\\\/schema\\\/logo\\\/image\\\/\"},\"sameAs\":[\"https:\\\/\\\/www.facebook.com\\\/geopardAgriculture\\\/\",\"https:\\\/\\\/x.com\\\/geopardagri\",\"https:\\\/\\\/www.linkedin.com\\\/company\\\/geopard-agriculture\\\/\",\"https:\\\/\\\/www.instagram.com\\\/geopardagriculture\\\/\"]},{\"@type\":\"Person\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/#\\\/schema\\\/person\\\/123c5562fb47aa8cf3aa81ae91e5e935\",\"name\":\"Muhammad Farjad\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"pl-PL\",\"@id\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/51b9af87d9b0801ae1c0ab294a0f06eb669f60d5168f33394aeeca9de86537bb?s=96&d=identicon&r=g\",\"url\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/51b9af87d9b0801ae1c0ab294a0f06eb669f60d5168f33394aeeca9de86537bb?s=96&d=identicon&r=g\",\"contentUrl\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/51b9af87d9b0801ae1c0ab294a0f06eb669f60d5168f33394aeeca9de86537bb?s=96&d=identicon&r=g\",\"caption\":\"Muhammad Farjad\"},\"url\":\"#\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Mapowanie wzorca upraw ry\u017cu i typu kulturowego za pomoc\u0105 teledetekcji \u2013 GeoPard Agriculture","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/geopard.tech\/pl\/blog\/mapowanie-wzorca-upraw-ryzu-i-typu-kulturowego-za-pomoca-teledetekcji\/","og_locale":"pl_PL","og_type":"article","og_title":"Mapping Rice Cropping Pattern and Cultural Type Using Remote Sensing - GeoPard Agriculture","og_description":"Rice feeds more than 3.5 billion people globally, yet less than 60% of rice-growing areas have accurate, up-to-date cultivation maps, according to the International Rice...","og_url":"https:\/\/geopard.tech\/pl\/blog\/mapowanie-wzorca-upraw-ryzu-i-typu-kulturowego-za-pomoca-teledetekcji\/","og_site_name":"GeoPard - Precision agriculture Mapping software","article_publisher":"https:\/\/www.facebook.com\/geopardAgriculture\/","article_published_time":"2026-05-31T18:21:25+00:00","article_modified_time":"2026-05-31T18:47:12+00:00","og_image":[{"width":1024,"height":576,"url":"https:\/\/geopard.tech\/wp-content\/uploads\/2026\/05\/Mapping-Rice-Cropping-Pattern-and-Cultural-Type-Using-Remote-Sensing-1024x576.png","type":"image\/png"}],"author":"Muhammad Farjad","twitter_card":"summary_large_image","twitter_creator":"@geopardagri","twitter_site":"@geopardagri","twitter_misc":{"Napisane przez":"Muhammad Farjad","Szacowany czas czytania":"26 minut"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/geopard.tech\/blog\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\/#article","isPartOf":{"@id":"https:\/\/geopard.tech\/blog\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\/"},"author":{"name":"Muhammad Farjad","@id":"https:\/\/geopard.tech\/#\/schema\/person\/123c5562fb47aa8cf3aa81ae91e5e935"},"headline":"Mapping Rice Cropping Pattern and Cultural Type Using Remote Sensing","datePublished":"2026-05-31T18:21:25+00:00","dateModified":"2026-05-31T18:47:12+00:00","mainEntityOfPage":{"@id":"https:\/\/geopard.tech\/blog\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\/"},"wordCount":5536,"commentCount":0,"publisher":{"@id":"https:\/\/geopard.tech\/#organization"},"image":{"@id":"https:\/\/geopard.tech\/blog\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\/#primaryimage"},"thumbnailUrl":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/05\/Mapping-Rice-Cropping-Pattern-and-Cultural-Type-Using-Remote-Sensing.png?fit=1920%2C1080&ssl=1","articleSection":["Remote Sensing"],"inLanguage":"pl-PL","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/geopard.tech\/blog\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/geopard.tech\/blog\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\/","url":"https:\/\/geopard.tech\/blog\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\/","name":"Mapowanie wzorca upraw ry\u017cu i typu kulturowego za pomoc\u0105 teledetekcji \u2013 GeoPard Agriculture","isPartOf":{"@id":"https:\/\/geopard.tech\/#website"},"primaryImageOfPage":{"@id":"https:\/\/geopard.tech\/blog\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\/#primaryimage"},"image":{"@id":"https:\/\/geopard.tech\/blog\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\/#primaryimage"},"thumbnailUrl":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/05\/Mapping-Rice-Cropping-Pattern-and-Cultural-Type-Using-Remote-Sensing.png?fit=1920%2C1080&ssl=1","datePublished":"2026-05-31T18:21:25+00:00","dateModified":"2026-05-31T18:47:12+00:00","breadcrumb":{"@id":"https:\/\/geopard.tech\/blog\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\/#breadcrumb"},"inLanguage":"pl-PL","potentialAction":[{"@type":"ReadAction","target":["https:\/\/geopard.tech\/blog\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\/"]}]},{"@type":"ImageObject","inLanguage":"pl-PL","@id":"https:\/\/geopard.tech\/blog\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\/#primaryimage","url":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/05\/Mapping-Rice-Cropping-Pattern-and-Cultural-Type-Using-Remote-Sensing.png?fit=1920%2C1080&ssl=1","contentUrl":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/05\/Mapping-Rice-Cropping-Pattern-and-Cultural-Type-Using-Remote-Sensing.png?fit=1920%2C1080&ssl=1","width":1920,"height":1080,"caption":"Mapping Rice-Cropping Pattern and Cultural Type Using Remote Sensing"},{"@type":"BreadcrumbList","@id":"https:\/\/geopard.tech\/blog\/mapping-rice-cropping-pattern-and-cultural-type-using-remote-sensing\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/geopard.tech\/"},{"@type":"ListItem","position":2,"name":"Mapping Rice Cropping Pattern and Cultural Type Using Remote Sensing"}]},{"@type":"WebSite","@id":"https:\/\/geopard.tech\/#website","url":"https:\/\/geopard.tech\/","name":"GeoPard - Oprogramowanie dla rolnictwa precyzyjnego","description":"Oprogramowanie do mapowania w rolnictwie precyzyjnym","publisher":{"@id":"https:\/\/geopard.tech\/#organization"},"alternateName":"GeoPard","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/geopard.tech\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"pl-PL"},{"@type":"Organization","@id":"https:\/\/geopard.tech\/#organization","name":"GeoPard Rolnictwo","alternateName":"GeoPard","url":"https:\/\/geopard.tech\/","logo":{"@type":"ImageObject","inLanguage":"pl-PL","@id":"https:\/\/geopard.tech\/#\/schema\/logo\/image\/","url":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2022\/03\/favicon.png?fit=200%2C200&ssl=1","contentUrl":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2022\/03\/favicon.png?fit=200%2C200&ssl=1","width":200,"height":200,"caption":"GeoPard Agriculture"},"image":{"@id":"https:\/\/geopard.tech\/#\/schema\/logo\/image\/"},"sameAs":["https:\/\/www.facebook.com\/geopardAgriculture\/","https:\/\/x.com\/geopardagri","https:\/\/www.linkedin.com\/company\/geopard-agriculture\/","https:\/\/www.instagram.com\/geopardagriculture\/"]},{"@type":"Person","@id":"https:\/\/geopard.tech\/#\/schema\/person\/123c5562fb47aa8cf3aa81ae91e5e935","name":"Muhammad Farjad","image":{"@type":"ImageObject","inLanguage":"pl-PL","@id":"https:\/\/secure.gravatar.com\/avatar\/51b9af87d9b0801ae1c0ab294a0f06eb669f60d5168f33394aeeca9de86537bb?s=96&d=identicon&r=g","url":"https:\/\/secure.gravatar.com\/avatar\/51b9af87d9b0801ae1c0ab294a0f06eb669f60d5168f33394aeeca9de86537bb?s=96&d=identicon&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/51b9af87d9b0801ae1c0ab294a0f06eb669f60d5168f33394aeeca9de86537bb?s=96&d=identicon&r=g","caption":"Muhammad Farjad"},"url":"#"}]}},"jetpack_publicize_connections":[],"jetpack_featured_media_url":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/05\/Mapping-Rice-Cropping-Pattern-and-Cultural-Type-Using-Remote-Sensing.png?fit=1920%2C1080&ssl=1","jetpack_likes_enabled":true,"jetpack_sharing_enabled":true,"jetpack_shortlink":"https:\/\/wp.me\/pdiCPa-3sU","_links":{"self":[{"href":"https:\/\/geopard.tech\/pl\/wp-json\/wp\/v2\/posts\/13324","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/geopard.tech\/pl\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/geopard.tech\/pl\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/geopard.tech\/pl\/wp-json\/wp\/v2\/users\/210249433"}],"replies":[{"embeddable":true,"href":"https:\/\/geopard.tech\/pl\/wp-json\/wp\/v2\/comments?post=13324"}],"version-history":[{"count":0,"href":"https:\/\/geopard.tech\/pl\/wp-json\/wp\/v2\/posts\/13324\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/geopard.tech\/pl\/wp-json\/wp\/v2\/media\/13326"}],"wp:attachment":[{"href":"https:\/\/geopard.tech\/pl\/wp-json\/wp\/v2\/media?parent=13324"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/geopard.tech\/pl\/wp-json\/wp\/v2\/categories?post=13324"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/geopard.tech\/pl\/wp-json\/wp\/v2\/tags?post=13324"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}