Составление карты структуры посевов риса и типов агротехники с использованием дистанционного зондирования.

Рис обеспечивает продовольствием более 3,5 миллиардов человек во всем мире, однако, согласно обновленному глобальному атласу риса Международного института исследований риса (IRRI) за 2024 год, менее 601 тыс. тонн рисоводческих угодий имеют точные и актуальные карты посевов. Картирование структуры посевов риса и типов агротехники с использованием дистанционного зондирования быстро сокращает этот пробел, предоставляя пространственно точные и временные согласованные данные в масштабах, недоступных для наземных исследований.

От распознавания орошаемых низин с двойным урожаем в дельте Меконга во Вьетнаме до идентификации богарных полей с односезонным выращиванием в странах Африки к югу от Сахары — спутниковые и радиолокационные системы теперь предоставляют фермерам, правительствам и агентствам по обеспечению продовольственной безопасности необходимую информацию для уверенного планирования. По мере того как искусственный интеллект и облачные вычисления ускоряют обработку данных, ожидается, что мониторинг рисоводства в режиме, близком к реальному времени, станет мировым стандартом к 2027 году.

Почему рис важен и почему сложно контролировать его выращивание.

1. Производство риса и глобальное уравнение продовольственной безопасности

Рис является основным источником калорий для более чем половины населения мира, и его значение выходит далеко за рамки индивидуального питания. Мировое производство риса достигло приблизительно 520 миллионов метрических тонн шлифованного риса в 2024 году, Согласно данным ФАО, на Азию приходится почти 901 тыс. тонн этого объема.

Любые существенные перебои в поставках риса, будь то засуха, наводнение, вспышка вредителей или провал политики, вызывают резкие колебания цен на продовольствие, которые непропорционально сильно затрагивают беднейшие домохозяйства мира.

Для обеспечения продовольственной безопасности в таких масштабах требуется нечто большее, чем просто выращивание достаточного количества риса. Необходимо точно знать, где выращивается рис, сколько раз в год засевается каждое поле и какие методы ведения сельского хозяйства используются. Правительствам необходимы эти данные для распределения ирригационной инфраструктуры, субсидирования ресурсов и создания резервов на случай чрезвычайных ситуаций.

Проблема заключается в том, что рис выращивается на чрезвычайно фрагментированных ландшафтах, варьирующихся от террасированных склонов холмов на Филиппинах до обширных орошаемых равнин в Китае, что делает традиционные полевые обследования логистически и финансово нецелесообразными в национальном или региональном масштабе.

2. Необходимость систематического мониторинга структуры посевов риса.

Схемы выращивания риса, то есть количество сезонов выращивания риса в год и их распределение по территории, постоянно меняются. Климатическая изменчивость сокращает периоды выращивания в одних регионах и расширяет их в других. Экономические факторы подталкивают фермеров к переходу от однократного к двукратному севообороту, когда доступность воды и рыночные цены совпадают.

Без систематического мониторинга планировщики работают с данными переписи населения, которые могут быть устаревшими на пять и более лет, что приводит к хроническому нерациональному распределению воды, субсидий на удобрения и кредитов для сельского населения. Дистанционное зондирование предлагает решение этой проблемы мониторинга, предоставляя согласованные и воспроизводимые данные по всей стране за считанные дни.

Вместо того чтобы полагаться на самоотчеты фермеров или опросы переписчиков, спутниковые системы напрямую наблюдают за ландшафтом, фиксируя изменения рисовых полей в результате наводнений, пересадки рассады, вегетативного роста и сбора урожая в любое время года.

3. Что дает дистанционное зондирование в картографировании сельскохозяйственных угодий

Дистанционное зондирование — это наука о получении информации об объектах или территориях на расстоянии, как правило, с помощью датчиков, установленных на спутниках, самолетах или беспилотных летательных аппаратах (БПЛА). В сельском хозяйстве датчики измеряют энергию, отражаемую или излучаемую сельскохозяйственными культурами, почвой и водой на различных длинах волн электромагнитного спектра.

Поскольку различные типы растительного покрова по-разному отражают энергию на разных стадиях роста, спутниковые снимки позволяют отличить рисовое поле от кукурузного, а затопленный участок с пересаженным рисом от сухого участка с прямым посевом, причем точность этого отличия возрастает по мере совершенствования сенсорных технологий. Картирование схемы посева риса и типов агротехники с использованием дистанционного зондирования служит четырем взаимосвязанным целям.

• Во-первых, он позволяет получить пространственно детализированные данные о местах выращивания риса в сезонном и годовом масштабах.
• Во-вторых, в нем классифицируется количество севооборотов в год на каждой картированной территории, различая системы с одним, двумя и тремя севооборотами.
• В-третьих, он определяет используемые агротехнические приемы, например, осуществляется ли пересадка рассады или прямой посев, а также осуществляется ли управление водными ресурсами контролируемым или богарным способом.
• В-четвертых, она генерирует базовые данные, которые используются для прогнозирования производства, составления водного баланса, планирования адаптации к изменению климата и систем точного земледелия.

Понимание систем выращивания риса и типов агротехники.

1. Что на самом деле означает схема севооборота с рисом?

Схема севооборота риса описывает временное расположение посевов риса в течение календарного года в данном месте. Она отражает не только факт выращивания риса, но и количество раз, начало и конец каждого сезона, а также то, какая культура, если таковая имеется, выращивается после риса или перед ним на том же поле. Составление карты этих схем в масштабах региона дает планировщикам динамичную картину интенсивности землепользования и потребности в ресурсах, которую невозможно получить на основе одного снимка.

2. Системы монокультурного выращивания риса

В системах монокультурного земледелия фермеры выращивают рис один сезон в году, как правило, в соответствии с сезоном муссонных дождей или одним контролируемым циклом орошения. Эти системы преобладают в регионах, где доступность воды, рабочей силы или климатические условия ограничивают возможность выращивания риса во второй сезон.

Системы монокультурного земледелия, как правило, имеют более длительный вегетационный период, часто с использованием традиционных или улучшенных сортов с длительным периодом созревания, и они в значительной степени зависят от дождевого орошения, что делает их очень чувствительными к срокам и распределению осадков.

3. Системы выращивания риса в два урожая.

Системы двойного севооборота позволяют получать два урожая риса в год с одного и того же поля. Они наиболее распространены в Юго-Восточной и Южной Азии, включая дельту Красной реки во Вьетнаме, поймы Бангладеш и орошаемые районы индийского Пенджаба.

Временной промежуток между двумя сезонами невелик, часто менее 30 дней, поэтому для выявления зон с двойным урожаем по спутниковым данным необходимы плотные временные ряды наблюдений, позволяющие обнаружить два полных фенологических цикла в течение одного года.

4. Системы выращивания риса с тремя культурами.

Тройное севооборот, то есть три урожая риса в год, практикуется на ограниченных территориях, где круглый год сохраняются благоприятные условия как по доступности воды, так и по температуре. Системы тройного севооборота распространены в дельте Меконга на юге Вьетнама и в некоторых районах провинции Гуандун на юге Китая.

Хотя системы тройного севооборота максимально увеличивают интенсивность использования земли, они сопряжены со значительными проблемами, связанными с плодородием почвы и борьбой с вредителями. Дистанционное определение этих полей технически сложно, поскольку короткие периоды залежи между культурами сжимают фенологические сигналы в узкие временные промежутки.

5. Выращивание риса в условиях богарного земледелия

Согласно данным Международного института рисоводства (IRRI), на рисоводство, выращиваемый исключительно за счет осадков без искусственного полива, приходится приблизительно 451 тыс. тонн риса на 3 тонны от общей площади рисовых полей в мире. Это доминирующая система в странах Африки к югу от Сахары, горных районах Южной и Юго-Восточной Азии, а также на пойменных территориях, зависящих от дождей.

Системы богарного земледелия крайне уязвимы к изменчивости осадков, что приводит к колебаниям урожайности на 30-501 тонну на 3000 трлн тонн между влажными и засушливыми годами в некоторых регионах. С точки зрения дистанционного зондирования, картирование рисоводства на богарных полях затруднено, поскольку сигнал от наводнений слабее и более нерегулярен, чем на управляемых орошаемых полях.

6. Выращивание риса на орошаемых землях

Системы орошаемого рисоводства получают воду через каналы, насосы или управляемые водохранилища, что позволяет фермерам с высокой точностью контролировать сроки посадки и сбора урожая. В настоящее время орошаемый рис занимает лишь около 551 тыс. тонн рисовых полей в мире, но обеспечивает 751 тыс. тонн риса от общего объема производства, что отражает преимущество в урожайности, обусловленное обеспечением водными ресурсами.

Преднамеренное затопление орошаемых рисовых полей создает сильный и устойчивый радиолокационный сигнал обратного рассеяния, который надежно обнаруживается спутниковыми датчиками, что делает орошаемый рис одним из наиболее точно картируемых типов сельскохозяйственных культур в мире.

7. Системы выращивания риса на возвышенностях и в низинах

Рис, выращиваемый на возвышенностях, культивируется на незатопляемых, хорошо дренированных почвах, часто на склонах холмов или террасах в Азии и Африке. Поскольку эти поля никогда не затапливаются намеренно, на них отсутствует сигнал воды, позволяющий идентифицировать рис, выращиваемый на низменностях, с помощью радара, что вынуждает исследователей полагаться исключительно на спектральные характеристики растительности.

В отличие от рисоводства, рис, выращиваемый на равнинных или неглубоко затопляемых полях, где вода накапливается естественным образом или за счет орошения, выращивается именно на равнинных территориях. Равнинные системы преобладают в рисоводческих регионах Азии и являются основной целью большинства крупномасштабных картографических проектов.

Морфологический контраст между возвышенными и низменными полями, включая форму поля, топографическое положение и структуру растительного покрова, предоставляет дополнительные пространственные подсказки, которые объектно-ориентированный анализ изображений может эффективно использовать.

8. Прямой посев против пересадки риса

Пересадка риса предполагает выращивание рассады в питомнике в течение 25-30 дней, после чего её вручную или механически пересаживают на основное поле. Прямой посев риса, напротив, предполагает разброс или посев семян непосредственно в подготовленное поле без предварительного выращивания рассады.

Эти два метода дают заметно различающиеся временные характеристики в спутниковых данных: на полях с пересадкой растений наблюдается резкое, синхронное всходы примерно через три недели после затопления, в то время как на полях с прямым посевом развитие растительного покрова происходит более постепенно, начиная со дня посева. Это фенологическое различие, тонкое, но реальное, можно обнаружить с помощью тщательного анализа временных рядов индексов растительности.

Инструменты и технологии дистанционного зондирования для картирования рисовых полей.

1. Физический принцип дистанционного зондирования

Каждое растение отражает, поглощает и пропускает солнечное излучение по схемам, определяемым биохимией листьев, структурой листового покрова и содержанием воды. Зеленые листья активно поглощают красный свет для фотосинтеза, отражая при этом значительную часть энергии ближнего инфракрасного (ИК) диапазона. Затопленные почвы, напротив, поглощают почти все поступающее излучение.

Эти контрастные отклики создают предсказуемые спектральные сигнатуры, которые датчики на спутниках могут регистрировать с постоянной периодичностью, что позволяет аналитикам отслеживать состояние урожая, стадию роста и принимать решения по управлению полем, не посещая само поле.

2. Оптическое дистанционное зондирование

Оптические датчики обнаруживают отраженное солнечное излучение, создавая изображения, которые очень похожи на то, что увидел бы человеческий глаз, если бы их изображение было расширено до инфракрасного диапазона длин волн. В исследованиях по картированию рисовых полей доминируют три оптические платформы.

Ландсат Серия спутников (находящихся в эксплуатации НАСА и Геологической службы США с 1972 года) предоставляет изображения с пространственным разрешением 30 метров и 16-дневным циклом повторного облета. Длительный временной архив делает ее незаменимой для изучения изменений площади рисовых полей на протяжении десятилетий. Однако 16-дневный цикл повторного облета означает, что некоторые фенологические события в течение короткого вегетационного периода могут быть пропущены между наблюдениями.

Sentinel-2 Sentinel-2 (управляемый Европейским космическим агентством, запущенный в 2015 и 2017 годах как группировка из двух спутников) превосходит Landsat по разрешению, обеспечивая 10-20 метров и 5-дневный цикл повторного облета на экваторе. Эти два улучшения в совокупности позволяют более точно определять границы полей и лучше отбирать фенологические образцы, а в большинстве последних исследований по высокоточному картированию рисовых полей, включая те, что были опубликованы в журнале ISPRS Journal of Photogrammetry and Remote Sensing в 2024 году, Sentinel-2 используется в качестве основного источника оптических данных.

МОДИС Спектрорадиометр среднего разрешения (MODIS), установленный на спутниках NASA Terra и Aqua, обеспечивает разрешение 250-500 метров с возможностью ежедневного повторного облета. Хотя разрешение MODIS слишком низкое для картирования отдельных полей, он остается ценным инструментом для оценки интенсивности земледелия в национальном и континентальном масштабе, где высокое пространственное разрешение менее критично, чем временная плотность.

3. Радиолокационное дистанционное зондирование

Радиолокатор с синтезированной апертурой (SAR) SAR — это радиолокационная технология, которая передает микроволновые импульсы к поверхности Земли и измеряет рассеянную энергию, возвращая ее к датчику. В отличие от оптических датчиков, SAR работает независимо от облачности и солнечного освещения, а это значит, что она одинаково хорошо собирает данные как в облачную ночь в сезон дождей, так и в ясный день в сухой сезон.

Это свойство имеет критически важное значение для картирования рисовых полей в тропической Азии, где оптические датчики регулярно теряют недели вегетационного периода из-за облачности.

Sentinel-1 (ESA) передает микроволновую энергию C-диапазона (длина волны приблизительно 5,6 см) и предоставляет бесплатные глобальные данные SAR с разрешением 10 метров и циклом повторения 6-12 дней. Рисовые поля взаимодействуют с сигналами SAR особым образом:

• Затопленные поля действуют как практически идеальное зеркало, отражая большую часть радиолокационной энергии от датчика (что приводит к низким значениям обратного рассеяния), в то время как
• По мере увеличения плотности растений и площади листьев, растущий рисовый покров все больше рассеивает энергию обратно к датчику.

Эта траектория обратного рассеяния во времени, низкая во время затопления и пересадки, повышающаяся на вегетативных стадиях и снова снижающаяся после колошения, формирует радиолокационный фенологический признак, уникальный для риса.

Нгуен и др. (Дистанционное зондирование окружающей среды, 2023) обнаружили, что классификация временных рядов данных SAR со спутника Sentinel-1 позволила достичь 92,3% общая точность в ходе картирования сезонов выращивания риса в трех провинциях дельты Меконга во Вьетнаме, включая районы с тройным урожаем, где оптические данные отсутствовали более 601 тыс. тонн в течение вегетационного периода из-за облачности.

В тропических регионах, где выращивают рис, методы, основанные на радиолокационной съемке с синтезированной апертурой (SAR), являются не просто альтернативой оптическому зондированию, а зачастую единственным надежным вариантом для сезонного картирования в муссонные месяцы.

4. Интеграция данных с нескольких датчиков

Ни один отдельный датчик не обеспечивает идеального сочетания пространственной детализации, временной плотности и проникновения в облака. Поэтому наиболее точные системы картирования рисовых полей объединяют несколько типов датчиков в рамках единой аналитической системы.

В общей архитектуре используется комбинация данных Sentinel-1 SAR для временного отслеживания в безоблачную погоду и оптических данных Sentinel-2 для получения спектральной насыщенности в ясные периоды, а также MODIS в качестве опорного сигнала с низким разрешением для обнаружения фенологических закономерностей в региональном масштабе.

При алгоритмическом объединении этих потоков данных полученный набор данных позволяет определять границы посевов, устанавливать даты пересадки и присваивать классификации типов выращивания с такой степенью точности, которую не может обеспечить ни один отдельный датчик.

Выявление закономерностей севооборота риса на основе спутниковых данных

1. Временные характеристики стадий роста риса

Рис проходит четко определенную последовательность стадий роста: подготовка почвы и затопление, пересадка или посев, кущение (образование нескольких стеблей из одного растения), формирование метелки, колошение (появление соцветия, несущего зерно) и сбор урожая.

На каждом этапе происходит измеримое изменение оптических и радиолокационных характеристик поля. Аналитики используют эти специфические для каждого этапа признаки, зафиксированные в виде временных рядов спектральных индексов или обратного рассеяния SAR, для восстановления того, что происходило на каждом поле и когда, без какой-либо предварительной информации от фермера.

2. Картирование посевов риса на основе фенологических данных.

Картирование на основе фенологии Метод (использование времени биологических событий для классификации сельскохозяйственных культур) является доминирующим подходом для обнаружения риса на больших площадях. Метод работает путем аппроксимации временных рядов математическими кривыми, а затем выявления полей, где временная закономерность соответствует характерной кривой роста риса. Ключевые даты событий, извлеченные из этого процесса аппроксимации, включают в себя:

• начало вегетационного периода (обычно определяемое резким увеличением значений индекса растительности после наводнения),
• пик вегетационного периода (максимальный индекс листовой поверхности), и
• конец сезона (быстрое снижение урожайности к моменту сбора урожая).

Количество таких циклов, выявленных в течение календарного года, напрямую определяет, классифицируется ли поле как односекционное, двухсекционное или трехсекционное.

3. Оценка интенсивности земледелия

Интенсивность посевов, то есть количество сезонов выращивания сельскохозяйственных культур, завершенных за год на единицу площади земли, является одним из наиболее важных с точки зрения политики результатов картирования посевов риса. Простой, но эффективный подход заключается в вычислении количества случаев появления пика спектра или обратного рассеяния, характерного для риса, в годовом временном ряду пикселя.

В сочетании с пространственными фильтрами для удаления ложных срабатываний, вызванных водно-болотными угодьями, водоемами или сезонными наводнениями, эти данные о количестве циклов выращивания риса позволяют создавать карты одно-, двух- и трехсезонных посевов, которые можно сопоставить с полевыми исследованиями и региональной статистикой.

4. Составление карт сезонного и годового распределения риса.

Сезонные карты (одна карта на каждый вегетационный период в году) показывают не только места выращивания риса, но и время его выращивания в каждом регионе. Годовые наборы сезонных карт затем раскрывают полный календарь посевов в регионе, включая пространственное распределение раннего и позднего сортов риса, что имеет непосредственное значение для планирования водоснабжения, борьбы с вредителями и логистики сбора урожая.

5. Выявление севооборотов с использованием риса.

Во многих азиатских системах выращивания риса фермеры чередуют рис с пшеницей, овощами, бобовыми или периодами залежи на одном и том же поле в течение нескольких сезонов. Дистанционное зондирование позволяет выявлять такие севообороты путем анализа всей годовой временной последовательности, а не какого-либо отдельного сезона в отрыве от контекста.

Поле, классифицируемое как рисовое в сезон дождей, но как пшеничное в сухой сезон, демонстрирует отчетливую двухпиковую временную закономерность в данных индекса растительности, причем спектральные характеристики каждого пика определяют соответствующий тип культуры. Составление карты этих севооборотов имеет важное значение для оценки состояния почвы, моделирования потребности в орошении и программ диверсификации доходов.

Как GeoPard помогает составлять карты распределения рисовых посевов

Составление карты посевов риса требует непрерывного наблюдения из различных источников на протяжении всего вегетационного периода, и именно это обеспечивает GeoPard. Объединяя снимки Landsat-8, Sentinel-2 и Planet на единой платформе, GeoPard отслеживает поля каждые два дня с разрешением до 3 метров, гарантируя, что такие важные события, как затопление перед пересадкой, позеленение рассады и сбор урожая, не будут пропущены из-за облачности.

Благодаря интеграции данных с нескольких датчиков, платформа продемонстрировала повышение точности на 4% по сравнению с подходами, использующими данные с одного датчика, что напрямую улучшает различение между системами выращивания риса с одной, двумя и тремя культурами.

Для идентификации типов культурных особенностей набор индексов растительности GeoPard, включающий NDWI для обнаружения поверхностных паводков, EVI2 для определения сроков роста биомассы растительного покрова и LAI для определения плотности растительного покрова, позволяет получить спектральные характеристики, отличающие орошаемый рис, выращенный рассадой, от риса, выращиваемого без орошения или с прямым посевом.

В пасмурные муссонные дни, когда оптическая съемка полностью невозможна, встроенный в GeoPard слой радиолокационных данных обеспечивает непрерывное отслеживание растительности, считывая полосу обратного рассеяния SAR, которая является характерным признаком затопленного рисового поля во время пересадки рассады.

Инструмент «Сравнение слоев» позволяет агрономам размещать до четырех синхронизированных слоев данных рядом друг с другом, что упрощает различение типов выращивания риса путем сравнения сигналов NDWI о паводках с многолетними тенденциями изменения растительности и картами продуктивности почвы.

Основываясь на более чем 30-летних спутниковых снимках, платформа выявляет долгосрочные закономерности интенсивности земледелия на уровне полей. Полученные данные затем напрямую используются для создания карт дифференцированного внесения удобрений, семян и средств защиты растений, превращая карты типов выращивания риса в конкретные рекомендации по управлению посевами на уровне полей.

Картирование типов выращивания риса с помощью дистанционного зондирования

1. Спектральные характеристики различных культурных практик

Тип выращивания, то есть специфическое сочетание методов управления, применяемых на рисовом поле, определяет временную эволюцию спектральной характеристики этого поля. Например, рис, выращенный методом пересадки рассады в условиях затопления, в начале сезона имеет оптическую характеристику, преимущественно обусловленную водой (низкое отражение во всех видимых диапазонах), за которой следует резкое изменение по мере формирования листового покрова из рассады.

При прямом посеве риса в незатопленную почву наблюдается более постепенное увеличение сигнала от растительности с момента начала прорастания, без начального периода затопления, который легко обнаруживают как оптические, так и SAR-датчики.

2. Различие между рисом, выращиваемым на орошаемых и неорошаемых землях.

Рисовые поля, орошаемые и неорошаемые, различаются двумя наблюдаемыми параметрами: временем и регулярностью затоплений, а также стабильностью сезонной фенологии. На орошаемых полях затопление происходит по графику, наблюдается меньшая изменчивость сроков пересадки рассады из года в год, а плотность растительного покрова поддерживается за счет контролируемого управления водными ресурсами.

На богарных полях наблюдается большая временная изменчивость между годами, они могут испытывать водный стресс в середине сезона, проявляющийся в аномальных падениях значений индекса растительности, и иногда не могут завершить полный вегетационный период в засушливые годы.

Многолетний анализ временных рядов позволяет выявить эту структуру изменчивости, благодаря чему алгоритмы классификации могут разделять орошаемые и неорошаемые территории с точностью, обычно превышающей 851 TP3T в хорошо откалиброванных системах.

3. Картирование посевов риса, высаженного рассадой и непосредственно в грунт.

Наиболее надежным индикатором для различения риса, высаженного рассадой, от риса, посеянного непосредственно в грунт, в данных SAR является время и продолжительность начального периода затопления с низким уровнем обратного рассеяния.

Перед пересадкой рассады рисовые поля затапливают водой на 2-4 недели, что создает длительный период отсутствия радиолокационного обнаружения в начале сезона.

На полях, засеянных прямым посевом, либо отсутствует период затопления (сухой посев), либо он очень короткий (влажный посев), а рост обратного рассеяния происходит раньше относительно даты посева и имеет структурно различное направление. Эти временные характеристики можно автоматически извлечь с помощью алгоритмов, применяемых к плотным временным рядам SAR.

4. Выявление методов управления с помощью дистанционного зондирования

Помимо методов пересадки и водного режима, дистанционное зондирование позволяет выявлять определенные методы управления водными ресурсами, такие как чередование увлажнения и осушения (AWD), метод, используемый для снижения выбросов метана и потребления воды путем периодического осушения рисовых полей.

На полях с постоянным увлажнением и осушением в течение вегетационного периода наблюдаются колеблющиеся картины обратного рассеяния SAR, отражающие повторяющиеся циклы затопления и осушения, тогда как на полях с непрерывным затоплением траектория обратного рассеяния более стабильна. Эта возможность особенно ценна для мониторинга внедрения климатически устойчивых методов выращивания риса в национальных кадастрах выбросов парниковых газов.

5. Показатели управления водными ресурсами на рисовых полях

Обнаружение поверхности воды с помощью SAR обладает высокой чувствительностью и позволяет выявлять скопления воды на глубине всего нескольких сантиметров под рисовым пологом. Эта чувствительность позволяет аналитикам составлять карты затопления каждого поля в ключевые моменты вегетационного периода, что помогает принимать решения по планированию орошения и заблаговременной оценке ущерба от наводнений.

При сопоставлении карт водной поверхности за разные даты во временном интервале получается динамическая характеристика управления водными ресурсами для каждого поля, которая служит ценным исходным материалом для моделей классификации типов культурных объектов.

Методы и приемы: от индексов к глубокому обучению

1. Индексы растительности для мониторинга рисовых полей

Индексы растительности представляют собой математические комбинации значений отражательной способности на разных длинах волн, предназначенные для усиления сигнала о биомассе и состоянии растений при одновременном снижении шума, вызванного фоновым излучением почвы, атмосферными эффектами и геометрией освещения. Три индекса имеют центральное значение для картирования рисовых полей.

i. NDVI (Нормализованный разностный индекс растительности) Он рассчитывается как (ИК – Красный) / (ИК + Красный) и является наиболее широко используемым индексом в мониторинге риса. Он отслеживает степень зелени листового покрова от момента укоренения рассады до старения, при этом значения обычно возрастают от почти нулевых при пересадке до 0,6-0,8 на пике вегетативного роста.

ii. EVI (Улучшенный индекс растительности) Этот индекс более эффективно, чем NDVI, корректирует воздействие атмосферных аэрозолей и фоновый шум почвы, что делает его предпочтительным в условиях высокой концентрации аэрозолей, например, в сезоны сжигания биомассы, распространенные в тропической Азии.

iii. LSWI (Индекс поверхностных вод) Встроенная технология отражения коротковолнового инфракрасного излучения позволяет определять содержание воды как в растительном покрове, так и на поверхности почвы, что делает прибор очень чувствительным к затоплениям, характерным для выращивания риса на низменных участках, и обеспечивает надежный сигнал для определения начала вегетационного периода.

2. Анализ временных рядов

Один спутниковый снимок фиксирует состояние рисового поля в определенный момент времени, но история рисового поля пишется в последовательности этих моментов. Анализ временных рядов объединяет множество наблюдений, как правило, один снимок каждые 5-16 дней в течение всего года, и извлекает временные показатели, такие как дата начала сезона, пиковое значение NDVI, темпы вегетации и дата сбора урожая.

Эти показатели в совокупности описывают все фенологическое поведение поля и гораздо лучше подходят для идентификации типа культуры, чем любые наблюдения за отдельные даты. Статистические методы, включая гармоническую регрессию и динамическое искажение времени (DTW), обычно используются для выравнивания и сравнения данных временных рядов за разные годы и в разных регионах.

3. Машинное обучение для классификации риса

Машинное обучение кардинально изменило масштаб и точность картирования зон посева риса, автоматизировав выявление сложных нелинейных взаимосвязей между спектрально-временными данными и полевыми условиями.

i. Случайный лес (RF) Это ансамблевый метод, который строит сотни независимых деревьев решений, каждое из которых обучается на случайном подмножестве признаков, и суммирует их голоса для окончательной классификации. Он устойчив к зашумленным обучающим данным, эффективно обрабатывает многомерные пространства признаков и предоставляет оценки важности переменных, которые помогают аналитикам понять, какие временные или спектральные признаки влияют на решения о классификации.

ii. Метод опорных векторов (SVM) Метод SVM находит оптимальную разделяющую границу между классами в многомерном пространстве признаков. SVM хорошо работает при ограниченном объеме обучающих данных, что делает его полезным в регионах с дефицитом данных, где сбор эталонных данных обходится дорого.

iii. Глубокое обучение, В частности, сверточные нейронные сети (CNN) и рекуррентные нейронные сети (RNN), такие как архитектуры с долговременной кратковременной памятью (LSTM), способны одновременно изучать как пространственные закономерности внутри отдельных изображений, так и временные закономерности в последовательности изображений. Классификаторы на основе LSTM, применяемые к спутниковым временным рядам, достигли передовой точности в задачах картирования рисовых полей, при этом в ряде исследований сообщается об общей точности выше 90% в региональном масштабе.

Сяо и др. (International Journal of Applied Earth Observation and Geoinformation, 2025) продемонстрировали, что модель глубокого обучения LSTM, обученная на объединенных временных рядах данных Sentinel-1 и Sentinel-2, позволила составить карту типов выращивания риса в трех странах Южной Азии. Общая точность составила 91,7%, а коэффициент Каппа — 0,89., превзойдя алгоритм Random Forest на 6,4 процентных пункта при тех же условиях обучения.

Для картирования типов выращивания риса на больших территориях, где возможен сбор обучающих данных, классификаторы глубокого обучения на основе LSTM в настоящее время являются эталонным методом и должны быть выбором по умолчанию для новых национальных программ картирования.

4. Объектно-ориентированный анализ изображений (OBIA)

Объектно-ориентированный анализ изображений (OBIA) Этот метод работает путем группировки соседних пикселей со схожими спектральными и пространственными характеристиками в объекты (сегменты) перед их классификацией, а не путем классификации каждого пикселя по отдельности.

В картировании рисовых полей объектно-ориентированный анализ изображений (OBIA) ценен тем, что позволяет учитывать форму, текстуру и контекст при классификации, отличая рисовое поле от водоема аналогичного цвета на основе правильной прямоугольной геометрии поля.

Объектно-ориентированный анализ изображений (OBIA) особенно эффективен при очень высоком пространственном разрешении, например, при обработке данных с коммерческих спутников с разрешением 1-5 метров или изображений, полученных с беспилотных летательных аппаратов.

5. Методы обнаружения изменений

Выявление изменений позволяет определить области, где землепользование изменилось между двумя или более датами. В мониторинге рисоводческих систем выявление изменений служит двум целям: отслеживанию ежегодного расширения или сокращения площади рисовых полей в ответ на климатические или экономические факторы, а также выявлению изменений в середине сезона, таких как неурожай, прекращение выращивания или неожиданное наводнение.

Обнаружение изменений в двух временных интервалах (прямое сравнение двух дат) — простой, но уязвимый метод, учитывающий фенологические различия между годами. Обнаружение изменений в нескольких временных интервалах по всем годовым массивам данных является более надежным и позволяет отделить реальные изменения землепользования от сезонных фенологических колебаний.

Оценка точности и валидация

1. Сбор эталонных данных.

Каждый продукт для картирования рисовых полей требует проверки на основе независимо собранных полевых наблюдений. Данные наземной проверки обычно включают полевые визиты с привязкой к GPS, в ходе которых обученные специалисты регистрируют тип культуры, стадию роста, состояние водоснабжения и метод закладки на статистически репрезентативной выборке мест. Эти наблюдения собираются одновременно со спутниковыми снимками, они не используются для обучения модели и применяются исключительно для оценки точности.

2. Показатели точности классификации

В приложениях, специфичных для рисоводства, показатель F1, который уравновешивает точность производителя и пользователя для каждого класса, все чаще используется наряду с коэффициентом Каппа в качестве более информативного сводного показателя эффективности. Стандартные метрики для оценки точности карт включают в себя:

• Общая точность (процент всех правильно классифицированных точек проверки),
• Точность производителя (вероятность того, что поле данного истинного класса будет правильно сопоставлено, аналогично полноте).,
• точность пользователя (вероятность того, что поле, сопоставленное с данным классом, действительно относится к этому классу, аналогично точности позиционирования), и
• Коэффициент Каппа (мера согласия, скорректированная с учетом случайного совпадения, где значения выше 0,80 указывают на сильное согласие).

3. Проверка достоверности карт севооборота и типов земледелия.

Для проверки достоверности карт севооборота необходимы данные полевых наблюдений за разные периоды времени, полученные в ходе полевых исследований в течение всего сельскохозяйственного календаря, чтобы подтвердить, сколько сезонов фактически было собрано урожая в год на каждом участке проверки.

Проверка культурных особенностей, позволяющая отличить рассаду от прямого посева или орошаемое земледелие от богарного, является более сложной задачей, поскольку эти различия не всегда очевидны визуально в полевых условиях и требуют опроса фермеров или непосредственного наблюдения за мероприятиями по уходу за посевами в чувствительные периоды вегетационного периода.

Национальная сельскохозяйственная статистика, хотя и часто агрегируется на уровне провинций или районов, обеспечивает дополнительный уровень проверки оценок площади, позволяя сопоставлять данные на картах с официальными отчетами.

Применение в сельскохозяйственной системе

1. Планирование и разработка сельскохозяйственной политики

Карты распределения рисовых культур, полученные с помощью дистанционного зондирования, предоставляют министерствам сельского хозяйства необходимое пространственное разрешение для разработки целенаправленных мер. Регионы, отнесенные к категории монокультурного богарного земледелия, могут быть приоритетными для развития мелкомасштабного орошения; районы с тройным урожаем и снижением урожайности могут быть исследованы на предмет деградации почвы или истощения запасов грунтовых вод.

2. Оценка производства риса

Сочетание карт площадей рисовых полей, полученных с помощью дистанционного зондирования, с моделями оценки урожайности, такими как моделирование роста культур на основе метеорологических данных, позволяет получать прогнозы производства на субнациональном и национальном уровнях за недели или месяцы до сбора урожая.

Информационная панель по продовольственной безопасности Азиатского банка развития и Глобальная информационная система раннего предупреждения ФАО (GIEWS) используют данные о площади рисовых полей, полученные со спутников, для составления прогнозов производства до сбора урожая, демонстрируя при этом значительное повышение точности по сравнению с подходами, основанными на обследованиях.

3. Управление водными ресурсами

Орошаемое рисоводство является крупнейшим потребителем пресной воды в Азии, на его долю приходится примерно 401 тыс. тонн общего объема водозабора для сельского хозяйства в таких странах, как Индия и Бангладеш.

Наиболее ценным результатом спутникового картирования рисовых полей является не сама карта, а решение, которое она позволяет принять: построить ли канал, закрыть колодец или перенаправить субсидию.

Точное знание того, где выращивается орошаемый рис, сколько сезонов он орошается и на каких полях применяются эффективные методы управления водными ресурсами, такие как чередование периодов орошения и полива, напрямую способствует планированию речных бассейнов, составлению графиков эксплуатации водохранилищ и оценке устойчивости использования подземных вод.

4. Мониторинг продовольственной безопасности

Системы раннего предупреждения о продовольственной нестабильности зависят от быстрого обнаружения неурожаев. Когда рисоводческие районы не могут завершить полный вегетационный цикл, спутниковый мониторинг выявляет аномалию как отсутствие или укороченный фенологический пик в ожидаемом сезонном периоде. Сеть систем раннего предупреждения о голоде (FEWS NET), поддерживаемая USAID, использует спутниковые данные о растительности, включая мониторинг рисоводческих районов, для генерации предупреждений о продовольственной безопасности в Азии и Африке.

5. Оценка воздействия изменения климата

Долгосрочные архивы карт распределения посевов риса, охватывающие 20 и более лет данных Landsat, показывают, как площади, сезоны и урожайность рисоводства менялись в ответ на изменение температурного и осадочного режимов. Эти исторические карты тенденций предоставляют эмпирические доказательства воздействия изменения климата на рисоводческие системы и служат исходными данными для прогнозирования будущих сельскохозяйственных рисков при различных сценариях потепления.

7. Применение методов точного земледелия

На уровне фермерского хозяйства картирование типов выращивания риса с помощью БПЛА в сочетании с данными о почве и воде на уровне поля поддерживает принятие решений в области точного управления, таких как внесение удобрений с переменной нормой, мониторинг вредителей на конкретном участке и оптимизация сроков посадки. В настоящее время эти приложения быстро развиваются в Японии, Южной Корее и некоторых частях Китая, где рисоводство в значительной степени механизировано и имеется инфраструктура данных, позволяющая связывать результаты дистанционного зондирования с системами управления фермерским хозяйством.

Проблемы и ограничения, препятствующие картированию рисовых полей.

1. Облачность и доступность данных

Постоянная облачность в сезон муссонов, когда выращивается большая часть риса в Азии, серьезно ограничивает количество пригодных для использования оптических наблюдений. В некоторых местах загрязнение облачностью сокращает количество доступных наблюдений Sentinel-2 в критически важный период пересадки рассады и ранней вегетации до менее чем двух в месяц. Данные SAR смягчают, но не устраняют эту проблему, поскольку сильные дожди могут временно насытить радиолокационный сигнал.

2. Смешанные пиксели и малые размеры поля.

В регионах, где рисовые поля меньше пространственного разрешения датчика, один пиксель фиксирует смесь рисовых и нерисовых участков, что делает классификацию неоднозначной. В горных рисоводческих системах и на небольших рисовых полях в некоторых районах Индонезии и Филиппин часто встречаются смешанные пиксели даже при разрешении Sentinel-2 в 10 метров, что ограничивает использование пиксельных методов в этих условиях.

3. Спектральное и временное сходство между различными типами сельскохозяйственных культур.

Некоторые культуры, особенно сахарный тростник, джут и некоторые виды луговых культур, демонстрируют фенологические кривые, схожие с рисом, в рядах NDVI или EVI, что приводит к путанице в классификации. Обнаружение затопления с помощью SAR уменьшает эту путаницу для рисовых полей на низменностях, но рисовые системы на возвышенностях без затопленных полей по-прежнему трудно отличить от спектрально схожих культур без дополнительных полевых данных или вспомогательных географических данных.

4. Ограничения временного разрешения

Для составления карты распределения рисовых культур и типов выращивания с использованием дистанционного зондирования требуется плотная временная выборка, в идеале — не менее одного наблюдения каждые 8-10 дней в течение всего вегетационного периода. Когда облачность или разрывы в орбитах спутников снижают эту временную плотность, скороспелые сорта риса или быстро меняющиеся сезоны с тремя культурами могут быть полностью пропущены автоматическими алгоритмами обнаружения.

5. Ограничения наземных данных

Высококачественные размеченные обучающие данные, полевые наблюдения, сопоставленные с известными типами культур и методами ведения сельского хозяйства, по-прежнему дороги и логистически сложны для сбора в масштабах, необходимых для обучения и проверки национальных картографических систем. Во многих странах с низким уровнем дохода, занимающихся выращиванием риса, человеческие и финансовые ресурсы для систематического сбора наземных данных являются самым большим препятствием для повышения точности картографирования.

Новые тенденции и будущее мониторинга рисоводства

1. Мониторинг рисовых полей с помощью беспилотных летательных аппаратов и дронов.

Беспилотные летательные аппараты (БПЛА), оснащенные мультиспектральными и тепловыми датчиками, теперь позволяют получать изображения с сантиметровым разрешением над отдельными фермами, определяя границы полей, ряды посевов и даже состояние здоровья отдельных растений. БПЛА выступают в качестве связующего звена между спутниковым картографированием и наблюдением за отдельными растениями, предоставляя сверхвысокоточные данные наземной проверки, необходимые для обучения и проверки спутниковых моделей в условиях фрагментированного ландшафта.

2. Искусственный интеллект и глубокое обучение для классификации риса

Применение сверточных нейронных сетей к временным рядам спутниковых изображений в сочетании с архитектурами трансформеров, адаптированными из обработки естественного языка, в настоящее время позволяет достичь самых высоких показателей точности классификации риса из когда-либо зарегистрированных.

Разработанная исследователями из Вагенингенского университета в 2024 году система PRISM (Phenology-based Rice crop Identification System using Multisource data) продемонстрировала, что самообучение на немаркированных спутниковых архивах может предварительно обучать модели классификации риса, требующие лишь минимального количества маркированных наземных данных для точной настройки, что значительно снижает нагрузку на полевые исследования.

3. Системы мониторинга риса в режиме, близком к реальному времени.

Оперативные системы мониторинга рисоводства в режиме, близком к реальному времени, автоматически обрабатывают поступающие спутниковые данные, обновляют карты рисовых полей с интервалом в 10-16 дней и отправляют оповещения о датах посадки, случаях нехватки воды и сроках сбора урожая непосредственно на правительственные информационные панели или в мобильные приложения, используемые фермерами и специалистами по распространению сельскохозяйственных знаний.

Департамент рисоводства Таиланда и Министерство сельского хозяйства Вьетнама эксплуатируют прототипы подобных систем, а Международный научно-исследовательский институт риса поддерживает разработку аналогичных возможностей в Бангладеш и Камбодже.

4. Интеграция спутниковых данных и данных Интернета вещей.

Датчики Интернета вещей (IoT), развернутые на рисовых полях и измеряющие влажность почвы, уровень воды, температуру и микроклимат растительного покрова, генерируют непрерывные наземные наблюдения, которые дополняют и калибруют данные дистанционного зондирования со спутников.

Когда сети датчиков IoT и спутниковые наблюдения объединяются в рамках систем слияния данных, полученная система мониторинга может с большей уверенностью и на более ранних этапах выявлять дефицит воды, начало наводнений и распространение болезней, чем любой из этих источников по отдельности.

5. Цифровое сельское хозяйство и интеллектуальное земледелие

Сочетание спутникового картирования рисовых полей, датчиков Интернета вещей и систем поддержки принятия решений на основе искусственного интеллекта закладывает основы интеллектуального рисоводства, где управленческие решения, от сроков полива до внесения удобрений, принимаются на основе пространственно детализированных потоков данных в режиме, близком к реальному времени, а не на основе эмпирических правил, привязанных к календарю.

Пилотные программы в японской префектуре Ниигата и китайской провинции Хэйлунцзян продемонстрировали, что точное управление рисоводством с использованием данных дистанционного зондирования может снизить затраты на ресурсы на 15-25% при сохранении или повышении урожайности, согласно предварительным отчетам о полевых испытаниях 2024 года.

Заключение

Картирование рисоводческих зон и типов выращивания риса с использованием дистанционного зондирования превратилось из академической исследовательской дисциплины в оперативный инструмент, используемый правительствами, международными агентствами и агротехнологическими платформами в Азии и за ее пределами. Многосенсорные подходы к анализу временных рядов, сочетающие оптические и радиолокационные данные, обработанные с помощью машинного обучения и классификаторов глубокого обучения, теперь позволяют регулярно получать карты рисоводческих площадей в национальном масштабе с общей точностью, превышающей 85-901 Тп3Т. Эти карты показывают не только, где растет рис, но и сколько раз в год, при каком водном режиме и каким методом выращивания.

Переход от простого картирования рисовых полей к классификации типов землепользования превращает данные о земельном покрове в ценный ресурс сельскохозяйственной информации. Знание того, что регион перешел от пересадки рассады к прямому посеву риса за последнее десятилетие, одновременно сигнализирует об изменениях на рынке труда и истощении запасов грунтовых вод. Определение наиболее уязвимых к засухам в начале сезона районов, зависящих от дождей, на основе анализа их временных спектральных характеристик позволяет заблаговременно реагировать на засуху, а не реагировать на стихийные бедствия. Дистанционное зондирование делает такой уровень пространственной информации возможным при значительно меньших затратах по сравнению с аналогичными программами наземных исследований.