Mapovanie vzorcov pestovania ryže a kultúrneho typu pomocou diaľkového prieskumu Zeme

Ryža živí viac ako 3,5 miliardy ľudí na celom svete, no menej ako 60% oblastí pestovania ryže má presné a aktuálne mapy pestovania, uvádza sa v aktualizácii globálneho atlasu ryže Medzinárodného inštitútu pre výskum ryže (IRRI) z roku 2024. Mapovanie spôsobu pestovania ryže a kultúrneho typu pomocou diaľkového prieskumu Zeme túto medzeru rýchlo zmenšuje tým, že poskytuje priestorovo presné a časovo konzistentné údaje v mierkach, ktorým sa žiadny pozemný prieskum nevyrovná.

Od rozlišovania zavlažovaných nížin s dvojitou oplodnenou pôdou v delte Mekongu vo Vietname až po identifikáciu polí zavlažovaných dažďom v jednej sezóne v subsaharskej Afrike, satelitné a radarové systémy teraz poskytujú informácie, ktoré poľnohospodári, vlády a agentúry pre potravinovú bezpečnosť potrebujú na plánovanie s istotou. Keďže umelá inteligencia a cloud computing zrýchľujú spracovanie údajov, očakáva sa, že monitorovanie ryže v takmer reálnom čase sa do roku 2027 stane globálnym štandardom.

Prečo je ryža dôležitá a prečo je jej monitorovanie ťažké

1. Produkcia ryže a rovnica globálnej potravinovej bezpečnosti

Ryža je hlavnou kalorickou základňou pre viac ako polovicu svetovej populácie a jej význam siaha ďaleko za hranice individuálnej výživy. Globálna produkcia ryže dosiahla približne 520 miliónov metrických ton mletej ryže v roku 2024, podľa údajov FAO, pričom Ázia predstavuje takmer 90% z tejto produkcie.

Akékoľvek významné narušenie dodávok ryže, či už v dôsledku sucha, povodní, prepuknutia škodcov alebo zlyhania politiky, spúšťa rýchle cenové šoky potravín, ktoré neúmerne postihujú najchudobnejšie domácnosti na svete.

Udržanie potravinovej bezpečnosti v tomto rozsahu si vyžaduje viac než len vypestovať dostatok ryže. Vyžaduje si to presnú znalosť toho, kde sa ryža pestuje, koľkokrát do roka sa každé pole pestuje a aké poľnohospodárske postupy sa používajú. Vlády potrebujú tieto údaje na prideľovanie zavlažovacej infraštruktúry, dotovanie vstupov a budovanie núdzových rezerv.

Výzvou je, že ryža sa pestuje v mimoriadne fragmentovanej krajine, od terasovitých svahov na Filipínach až po rozsiahle zavlažované nížiny v Číne, čo robí konvenčné prieskumy po jednotlivých poliach logisticky a finančne nepraktickými na národnej alebo regionálnej úrovni.

2. Potreba systematického monitorovania pestovania ryže

Pestovacie modely ryže, teda počet sezón pestovania ryže za rok a jej rozloženie v krajine, sa neustále menia. Klimatická variabilita v niektorých regiónoch skracuje pestovateľské obdobia, zatiaľ čo v iných ich rozširuje. Ekonomické signály nútia poľnohospodárov pestovať len jednu plodinu k dvom plodinám, keď sa dostupnosť vody a trhové ceny zosúladia.

Bez systematického monitorovania plánovači pracujú s údajmi zo sčítania ľudu, ktoré môžu byť päť alebo viac rokov staré, čo vedie k chronickému nesprávnemu prideľovaniu vody, dotácií na hnojivá a vidieckych úverov. Diaľkový prieskum Zeme ponúka riešenie tejto medzery v monitorovaní tým, že poskytuje konzistentné a opakovateľné pozorovania v celých krajinách v priebehu niekoľkých dní.

Namiesto spoliehania sa na vlastné hlásenie farmárov alebo prieskumy sčítavateľov, satelitné systémy priamo pozorujú krajinu a zachytávajú, ako sa ryžové polia menia v dôsledku záplav, presádzania, vegetatívneho rastu a zberu úrody v každom ročnom období.

3. Čo prináša diaľkový prieskum Zeme do poľnohospodárskeho mapovania

Diaľkový prieskum Zeme je veda o získavaní informácií o objektoch alebo oblastiach z diaľky, zvyčajne pomocou senzorov namontovaných na satelitoch, lietadlách alebo bezpilotných lietadlách (UAV). V poľnohospodárstve senzory merajú energiu odrazenú alebo vyžarovanú plodinami, pôdou a vodou pri rôznych vlnových dĺžkach elektromagnetického spektra.

Keďže rôzne typy krajinnej pokrývky odrážajú energiu v rôznych fázach rastu odlišne, satelitné snímky dokážu rozlíšiť ryžové pole od kukuričného poľa a zaplavený pozemok s presadenou ryžou od suchého pozemku s priamym výsevom s presnosťou, ktorá sa zvyšuje so zdokonaľovaním senzorovej technológie. Mapovanie štruktúry pestovania ryže a kultúrneho typu pomocou diaľkového prieskumu Zeme slúži štyrom vzájomne prepojeným cieľom.

• Po prvé, vytvára priestorovo explicitné inventáre miest pestovania ryže v sezónnych a ročných časových rámcoch.
• Po druhé, klasifikuje, koľko cyklov pestovania plodín sa vyskytuje ročne v každej mapovanej oblasti, pričom rozlišuje systémy s jednou, dvoma a tromi plodinami.
• Po tretie, identifikuje použité kultúrne postupy, napríklad či sa pole presádza alebo seje priamo, alebo či sa hospodárenie s vodou kontroluje alebo sa zavlažuje dažďom.
• Po štvrté, generuje základné údaje, ktoré slúžia na prognózovanie produkcie, rozpočtovanie vody, plánovanie adaptácie na zmenu klímy a systémy presného poľnohospodárstva.

Pochopenie systémov pestovania ryže a kultúrnych typov

1. Čo vlastne znamená vzorec pestovania ryže

Pestovateľský model ryže opisuje časové usporiadanie pestovania ryže v rámci kalendárneho roka na danom mieste. Zachytáva nielen to, či sa ryža pestuje, ale aj koľkokrát, kedy každá sezóna začína a končí a aká plodina, ak nejaká, nasleduje alebo predchádza ryži na tom istom poli. Mapovanie týchto modelov v regióne poskytuje plánovačom dynamický obraz intenzity využívania pôdy a dopytu po zdrojoch, ktorý by jediný snímok nikdy nemohol poskytnúť.

2. Systémy pestovania ryže s jednou plodinou

V monoplodinových systémoch pestujú poľnohospodári jednu sezónu ryže ročne, zvyčajne v súlade s monzúnovým obdobím dažďov alebo jedným kontrolovaným zavlažovacím cyklom. Tieto systémy dominujú v regiónoch, kde dostupnosť vody, pracovná sila alebo podnebie obmedzujú možnosť druhej sezóny.

Systémy s jednou plodinou majú tendenciu mať dlhšie vegetačné obdobia za sezónu, často s tradičnými alebo vylepšenými odrodami s dlhým vekom, a sú neúmerne zavlažované dažďom, čo ich robí veľmi citlivými na načasovanie a rozloženie zrážok.

3. Systémy dvojitej plodiny ryže

Systémy dvojitého pestovania produkujú dve úrody ryže ročne z toho istého poľa. Najbežnejšie sú v juhovýchodnej a južnej Ázii vrátane delty Červenej rieky vo Vietname, záplavových oblastí Bangladéša a zavlažovaných oblastí indického Pandžábu.

Časový rozdiel medzi týmito dvoma sezónami je úzky, často menej ako 30 dní, takže identifikácia oblastí s dvojitou plodinou zo satelitných údajov si vyžaduje husté časové radové pozorovania na detekciu dvoch celých fenologických cyklov v rámci jedného roka.

4. Systémy trojitého pestovania ryže

Trojité pestovanie plodín, teda tri úrody ryže ročne, sa praktizuje v obmedzených oblastiach, kde je celoročne priaznivá dostupnosť vody aj teplota. Delta Mekongu v južnom Vietname a časti provincie Guangdong v južnej Číne podporujú systémy trojitého pestovania plodín.

Hoci maximalizujú intenzitu využívania pôdy, trojplodinové systémy so sebou prinášajú značné výzvy v oblasti úrodnosti pôdy a ochrany proti škodcom. Diaľková identifikácia týchto polí je technicky náročná, pretože krátke obdobia úhorov medzi plodinami stláčajú fenologické signály do úzkych okien.

5. Pestovanie ryže zavlažovanej dažďovou vodou

Podľa Medzinárodného inštitútu pre výskum ryže (IRRI) tvorí ryža pestovaná výlučne na zrážkach bez umelého zavlažovania približne 451 TP3T z celkovej plochy ryže na svete. Je to dominantný systém v subsaharskej Afrike, horských oblastiach južnej a juhovýchodnej Ázie a záplavových oblastiach závislých od dažďa.

Dažďom napájané systémy sú veľmi citlivé na variabilitu zrážok, čo sa v niektorých regiónoch prejavuje kolísaním výnosov o 30-501 TP3T medzi vlhkými a suchými rokmi. Z hľadiska diaľkového prieskumu Zeme je ryžu na dažďom ťažšie mapovať, pretože signál záplav je slabší a nepravidelnejší ako na obhospodarovaných zavlažovaných poliach.

6. Pestovanie ryže zavlažovaním

Zavlažované ryžové systémy prijímajú vodu cez kanály, čerpadlá alebo spravované nádrže, čo umožňuje poľnohospodárom kontrolovať načasovanie výsadby a zberu s vysokou presnosťou. Zavlažovaná ryža v súčasnosti zaberá iba približne 551 TP3 tun celosvetovej plochy ryže, ale prispieva 751 TP3 tun k celkovej produkcii ryže, čo odráža výhodu výnosov vďaka bezpečnosti vody.

Zámerné zaplavovanie zavlažovaných ryžových polí vytvára silný a konzistentný radarový spätný rozptyl, ktorý satelitné senzory spoľahlivo detekujú, vďaka čomu sa zavlažovaná ryža radí medzi najpresnejšie mapované druhy plodín na svete.

7. Ryžové systémy v horských a nížinných oblastiach

Ryža z nížin sa pestuje na nezaplavených, dobre priepustných pôdach, často na svahoch alebo terasách v Ázii a Afrike. Keďže tieto polia nie sú nikdy úmyselne zaplavované, chýba im vodný signál, ktorý by umožnil identifikovať nížinnú ryžu radarom, čo núti výskumníkov spoliehať sa iba na spektrálne vegetačné vzory.

Ryža v nížinách sa naopak pestuje na plochých alebo plytko zaplavených poliach, kde sa voda hromadí prirodzene alebo zavlažovaním. Nížinové systémy dominujú v ázijských oblastiach ryžových kotlín a sú hlavným cieľom väčšiny rozsiahlych mapovacích snáh.

Morfologický kontrast medzi horskými a nížinnými poľami, vrátane tvaru poľa, topografickej polohy a štruktúry koruny, poskytuje doplnkové priestorové podnety, ktoré môže objektovo založená analýza obrazu efektívne využiť.

8. Priamy výsev verzus presádzaná ryža

Presádzaná ryža zahŕňa pestovanie sadeníc v škôlke počas 25 až 30 dní a ich následné manuálne alebo mechanické presunutie na hlavné pole. Priamy výsev ryže naopak zahŕňa rozmetanie alebo siatie semien priamo do pripraveného poľa bez štádia škôlky.

Tieto dve metódy vytvárajú merateľne odlišné časové charakteristiky v satelitných údajoch: presadené polia vykazujú ostrý, synchronizovaný rast zelene približne tri týždne po zaplavení, zatiaľ čo polia s priamym výsevom vykazujú postupnejší vývoj porastu od dňa výsevu. Tento fenologický rozdiel, jemný, ale reálny, je zistiteľný prostredníctvom dôkladnej analýzy časových radov vegetačných indexov.

Nástroje a technológie diaľkového prieskumu Zeme pre mapovanie ryže

1. Fyzikálny princíp diaľkového prieskumu Zeme

Každá rastlina odráža, absorbuje a prepúšťa slnečné žiarenie v závislosti od biochémie jej listov, štruktúry koruny a obsahu vody. Zelené listy silne absorbujú červené svetlo pre fotosyntézu a zároveň odrážajú veľkú časť energie blízkeho infračerveného (NIR) žiarenia. Zatopené pôdy naopak absorbujú takmer všetko prichádzajúce žiarenie.

Tieto kontrastné reakcie vytvárajú predvídateľné spektrálne podpisy, ktoré senzory na satelitoch dokážu zaznamenávať s konzistentným načasovaním, čo umožňuje analytikom sledovať stav plodín, štádium rastu a rozhodnutia o manažmente na úrovni poľa bez toho, aby museli pole navštíviť.

2. Optické diaľkové snímanie

Optické senzory detekujú odrazené slnečné žiarenie a vytvárajú snímky, ktoré sa veľmi podobajú tomu, čo by videlo ľudské oko, ak by sa rozšírili na infračervené vlnové dĺžky. Výskumu mapovania ryže dominujú tri optické platformy.

Landsat (séria satelitov prevádzkovaných NASA a USGS od roku 1972) poskytuje snímky s priestorovým rozlíšením 30 metrov so 16-dňovým cyklom opakovaní. Jeho dlhý časový archív ho robí nevyhnutným pre štúdium zmien v ploche pestovania ryže v priebehu desaťročí. 16-dňové opakovanie však znamená, že niektoré fenologické udalosti v rámci krátkeho vegetačného obdobia môžu byť medzi pozorovaniami prehliadnuté.

Sentinel-2 (prevádzkovaný Európskou vesmírnou agentúrou, vypustený v rokoch 2015 a 2017 ako konštelácia dvoch satelitov) vylepšuje Landsat s rozlíšením 10 – 20 metrov a 5-dňovým cyklom opätovných návštev na rovníku. Tieto dve vylepšenia spolu umožňujú jemnejšie vymedzenie polí a lepší fenologický odber vzoriek a najnovšie štúdie mapovania ryže s vysokou presnosťou, vrátane tých publikovaných v časopise ISPRS Journal of Photogrammetry and Remote Sensing v roku 2024, používajú Sentinel-2 ako primárny optický zdroj údajov.

MODIS (Moderate Resolution Imaging Spectroradiometer) na palube satelitov NASA Terra a Aqua poskytuje rozlíšenie 250 – 500 metrov s dennou kapacitou opakovaných návštev. Hoci je MODIS príliš hrubý na mapovanie jednotlivých polí, zostáva cenným nástrojom pre hodnotenie intenzity pestovania plodín na národnej a kontinentálnej úrovni, kde je vysoké priestorové rozlíšenie menej kritické ako časová hustota.

3. Diaľkový prieskum Zeme radarmi

Radar so syntetickou apertúrou (SAR) je radarovou technológiou, ktorá vysiela mikrovlnné impulzy smerom k zemskému povrchu a meria energiu rozptýlenú späť do senzora. Na rozdiel od optických senzorov funguje SAR nezávisle od oblačnosti a slnečného osvetlenia, čo znamená, že získava údaje rovnako dobre počas zamračenej monzúnovej noci ako aj počas jasného dňa v období sucha.

Táto vlastnosť je kriticky dôležitá pre mapovanie ryže v tropickej Ázii, kde optické senzory bežne strácajú týždne vegetačného obdobia kvôli prekážkam v oblakoch.

Sentinel-1 (ESA) vysiela mikrovlnnú energiu v pásme C (vlnová dĺžka približne 5,6 cm) a poskytuje bezplatné globálne dáta SAR s rozlíšením 10 metrov s opakovaním každých 6 až 12 dní. Ryžové polia interagujú so signálmi SAR charakteristickým spôsobom:

• Zaplavené polia fungujú ako takmer dokonalé zrkadlo, ktoré odráža väčšinu radarovej energie smerom od senzora (čo vytvára nízke hodnoty spätného rozptylu), zatiaľ čo
• Rastúca ryžová pokrývka čoraz viac rozptyľuje energiu späť smerom k senzoru so zvyšujúcou sa hustotou rastlín a listovou plochou.

Táto trajektória spätného rozptylu v priebehu času, nízka počas záplav a presádzania, stúpajúca počas vegetačných štádií a opäť klesajúca po vzklíčení, vytvára radarový fenologický podpis jedinečný pre ryžu.

Nguyen a kol. (Remote Sensing of Environment, 2023) zistili, že klasifikácia časových radov Sentinel-1 SAR dosiahla Celková presnosť 92,3% pri mapovaní sezón pestovania ryže v troch provinciách vietnamskej delty Mekongu vrátane oblastí s trojitou plodinou, kde optické údaje neboli k dispozícii počas viac ako 60% vegetačného obdobia kvôli oblačnosti.

V tropických oblastiach pestovania ryže nie sú metódy založené na SAR len alternatívou k optickému snímaniu, ale často sú jedinou spoľahlivou možnosťou mapovania sezón po sezóne počas monzúnových mesiacov.

4. Integrácia údajov z viacerých senzorov

Žiaden samostatný senzor neponúka ideálnu kombináciu priestorových detailov, časovej hustoty a prenikania oblakov. Najpresnejšie systémy mapovania ryže preto integrujú viacero typov senzorov v rámci jedného analytického rámca.

Spoločná architektúra spája senzory SAR zo Sentinel-1 pre časové sledovanie bez oblakov s optickými údajmi zo Sentinel-2 pre spektrálnu bohatosť počas jasných období a využíva MODIS ako kotvu s hrubým rozlíšením pre detekciu fenologických vzorcov na regionálnej úrovni.

Keď sa tieto dátové toky algoritmicky zlúčia, kombinovaný súbor údajov dokáže rozlíšiť hranice plodín, zistiť dátumy presádzania a priradiť klasifikácie kultúrnych typov s úrovňou istoty, ktorú žiadny samostatný senzor nedosiahne samostatne.

Identifikácia vzorcov pestovania ryže zo satelitných údajov

1. Časové charakteristiky rastových štádií ryže

Ryža prechádza presne definovanou postupnosťou rastových fáz: príprava pôdy a zaplavenie, presádzanie alebo siatie, odnožovanie (vývoj viacerých stoniek z jednej rastliny), iniciácia metličky, klíčenie (vznik kvetnej hlávky nesúcej zrno) a zber úrody.

Každá fáza vytvára merateľnú zmenu v optických a radarových charakteristikách poľa. Analytici používajú tieto charakteristiky špecifické pre danú fázu, zachytené ako časové rady spektrálnych indexov alebo spätný rozptyl SAR, na rekonštrukciu toho, čo sa stalo na každom poli a kedy, bez akýchkoľvek predchádzajúcich vedomostí od farmára.

2. Mapovanie ryže na základe fenológie

Mapovanie založené na fenológii (použitie načasovania biologických udalostí na klasifikáciu plodín) je dominantným prístupom k detekcii ryže na veľkých plochách. Metóda funguje tak, že matematické krivky sa prispôsobia časovým radom údajov a potom sa identifikujú polia, kde časový vzorec zodpovedá charakteristickej krivke rastu ryže. Medzi kľúčové dátumy udalostí získané z tohto procesu prispôsobovania patria

• začiatok vegetačného obdobia (zvyčajne sa prejavuje prudkým nárastom hodnôt vegetačného indexu po záplavách),
• vrchol vegetačného obdobia (maximálny index listovej plochy) a
• koniec sezóny (rýchly pokles pri zbere úrody).

Počet takýchto cyklov zistených v priebehu kalendárneho roka priamo určuje, či je pole klasifikované ako osiate jednoducho, dvakrát alebo trikrát.

3. Posúdenie intenzity pestovania plodín

Intenzita pestovania plodín, teda počet sezón pestovania plodín za rok na jednotke pôdy, je jedným z najrelevantnejších politických výstupov mapovania vzorcov pestovania ryže. Jednoduchý, ale účinný prístup vypočítava, koľkokrát sa v ročnom časovom rade pixelu vyskytne spektrálny alebo spätný rozptylový vrchol podobný ryži.

V kombinácii s priestorovými filtrami na odstránenie falošných detekcií spôsobených mokraďami, vodnými plochami alebo sezónnymi záplavami tieto cyklické počty vytvárajú mapy ryže s jednou, dvoma a tromi plodinami, ktoré je možné overiť na základe terénnych prieskumov a regionálnych štatistík.

4. Mapovanie sezónneho a ročného rozloženia ryže

Sezónne mapy (jedna mapa na vegetačné obdobie za rok) zachytávajú nielen to, kde sa ryža pestuje, ale aj kedy na jednotlivých miestach rastie. Ročné zoskupenia sezónnych máp potom odhaľujú kompletný kalendár pestovania plodín v regióne vrátane priestorového rozloženia skorej a neskorej ryže, čo má priame dôsledky pre plánovanie vody, manažment tlaku škodcov a logistiku zberu úrody.

5. Detekcia striedania plodín zahŕňajúcich ryžu

V mnohých ázijských ryžových systémoch farmári striedajú ryžu s pšenicou, zeleninou, strukovinami alebo úhormi na tom istom poli počas po sebe nasledujúcich sezón. Diaľkový prieskum Zeme detekuje tieto rotácie analýzou celého ročného časového radu, a nie len jednej sezóny izolovane.

Pole klasifikované ako ryža v období dažďov, ale ako pšenica v období sucha, vykazuje v údajoch vegetačného indexu zreteľný časový vzorec s dvoma vrcholmi, pričom spektrálne charakteristiky každého vrcholu identifikujú príslušný typ plodiny. Mapovanie týchto striedaní je dôležité pre hodnotenie zdravia pôdy, modelovanie dopytu po zavlažovaní a programy diverzifikácie príjmov.

Ako GeoPard umožňuje mapovanie vzorcov pestovania ryže

Mapovanie pestovateľských vzorcov ryže si vyžaduje nepretržité pozorovanie z viacerých zdrojov počas celej vegetačnej sezóny a presne to GeoPard poskytuje. Kombináciou snímok Landsat-8, Sentinel-2 a Planet do jednej platformy GeoPard monitoruje polia každý druhý deň s rozlíšením až 3 metre, čím zabezpečuje, že kritické udalosti súvisiace s ryžou, ako sú záplavy pred presádzaním, zazelenanie sadeníc a zber, sa nikdy nezmeškajú kvôli medzerám v oblačnosti.

Multisenzorová fúzia platformy preukázala zlepšenie presnosti 4% oproti prístupom s jedným senzorom, čo priamo zvýrazňuje oddelenie medzi systémami pestovania ryže s jednou plodinou, dvoma plodinami a tromi plodinami.

Na identifikáciu kultúrneho typu zachytáva súbor vegetačných indexov GeoPard, vrátane NDWI na detekciu povrchových záplav, EVI2 na načasovanie biomasy porastu a LAI na hustotu porastu, spektrálnu biografiu, ktorá oddeľuje zavlažovanú presádzanú ryžu od systémov s dažďovou závlahou alebo priamym výsevom.

Počas zamračených monzúnových dní, keď optické snímkovanie úplne zlyháva, integrovaná radarová dátová vrstva GeoPardu neprerušuje sledovanie vegetácie a číta spätný rozptyl SAR, ktorý je definitívnym znakom zaplaveného ryžového poľa v čase presádzania.

Nástroj Porovnanie vrstiev umožňuje agronómom umiestniť až štyri synchronizované dátové vrstvy vedľa seba, čo uľahčuje oddelenie typov ryžových kultúr porovnaním signálov záplav NDWI s viacročnými vegetačnými trendmi a mapami produktivity pôdy.

Platforma, podložená viac ako 30 rokmi satelitných snímok, odhaľuje dlhodobé vzorce intenzity pestovania plodín na úrovni poľa. Tieto poznatky sa potom priamo premietajú do máp variabilnej aplikácie hnojív, osiva a ochrany plodín, čím sa mapy kultúrnych typov ryže premieňajú na konkrétne predpisy pre manažment na úrovni poľa.

Mapovanie typov ryžových kultúr pomocou diaľkového prieskumu Zeme

1. Spektrálne charakteristiky rôznych kultúrnych praktík

Kultúrny typ, špecifická kombinácia postupov hospodárenia uplatňovaných na ryžovom poli, formuje časový vývoj spektrálneho podpisu tohto poľa. Napríklad zaplavená presadená ryža začína sezónu s optickou odozvou, v ktorej dominuje voda (nízka odrazivosť vo všetkých viditeľných pásmach), po ktorej nasleduje náhla zmena, keď sa vytvára porast sadeníc.

Priamo vysiata ryža do nezaplaveného sejbového lôžka vykazuje postupnejší nárast vegetačného signálu od začiatku klíčenia, bez počiatočného obdobia zaplavovania, ktoré optické aj SAR senzory ľahko detekujú.

2. Rozlišovanie medzi zavlažovanou a dažďovou ryžou

Zavlažované a dažďom privádzané ryžové polia sa líšia v dvoch pozorovateľných ohľadoch: načasovaním a pravidelnosťou záplav a konzistentnosťou ich sezónnej fenológie. Zavlažované polia majú tendenciu zaplavovať sa podľa plánu, vykazujú menšiu medziročnú variabilitu v termínoch presádzania a udržiavajú si konzistentnú hustotu porastu vďaka kontrolovanému hospodáreniu s vodou.

Polia zavlažované dažďom vykazujú väčšiu časovú variabilitu medzi rokmi, môžu zažívať vodný stres v polovici sezóny, ktorý je zistiteľný ako anomálne poklesy hodnôt vegetačného indexu, a niekedy počas rokov sucha nedokončia celé vegetačné obdobie.

Viacročná analýza časových radov zachytáva túto štruktúru variability, čo umožňuje klasifikačným algoritmom oddeliť zavlažované od dažďom zásobovaných oblastí s presnosťou, ktorá v dobre kalibrovaných systémoch typicky presahuje 85%.

3. Mapovanie presádzanej a priamo siatej ryže

Najspoľahlivejším ukazovateľom na rozlíšenie presadenej ryže od priamo vysiatej ryže v údajoch SAR je načasovanie a trvanie počiatočného obdobia záplav s nízkym spätným rozptylom.

Presádzané ryžové polia sú zaplavené 2 až 4 týždne pred presádzaním sadeníc, čím sa na začiatku sezóny vytvorí predĺžené okno radarovej tmy.

Polia s priamym výsevom buď nevykazujú žiadne okno záplav (suchý výsev), alebo ho majú veľmi krátke (mokrý výsev) a nárast spätného rozptylu je skorší v porovnaní s dátumom výsevu a má štrukturálne odlišný sklon. Tieto časové charakteristiky je možné extrahovať automaticky pomocou algoritmov aplikovaných na husté časové rady SAR.

4. Detekcia manažérskych postupov pomocou diaľkového prieskumu Zeme

Okrem metódy presádzania a vodného režimu dokáže diaľkový prieskum Zeme odhaliť určité postupy hospodárenia s vodou, ako napríklad striedavé zvlhčovanie a sušenie (AWD), čo je technika používaná na zníženie emisií metánu a spotreby vody prerušovaným odvodňovaním ryžových polí.

Polia AWD vykazujú počas vegetačného obdobia oscilujúce vzory spätného rozptylu SAR, ktoré odrážajú opakované cykly záplav a odvodňovania, zatiaľ čo kontinuálne zaplavené polia vykazujú stabilnejšiu trajektóriu spätného rozptylu. Táto schopnosť je obzvlášť cenná na monitorovanie zavádzania klimaticky inteligentných postupov pri pestovaní ryže v národných inventároch skleníkových plynov.

5. Ukazovatele hospodárenia s vodou na ryžových poliach

Detekcia vodnej hladiny pomocou SAR je vysoko citlivá a dokáže identifikovať zaplavenú vodu v hĺbke len niekoľkých centimetrov pod porastom ryže. Táto citlivosť umožňuje analytikom mapovať stav zaplavenia jednotlivých polí v kľúčových bodoch vegetačného obdobia, čo podporuje rozhodnutia o plánovaní zavlažovania a včasné posúdenie škôd spôsobených povodňami.

Keď sa mapy vodných povrchov z viacerých dátumov časovo stohujú, poskytujú dynamický vodohospodársky podpis pre každé pole, ktorý slúži ako hodnotný vstup pre modely klasifikácie kultúrnych typov.

Techniky a metódy: Od indexov k hlbokému učeniu

1. Vegetačné indexy pre monitorovanie ryže

Vegetačné indexy sú matematické kombinácie hodnôt odrazivosti pri rôznych vlnových dĺžkach, určené na zosilnenie signálu rastlinnej biomasy a zdravia a zároveň na zníženie šumu z pôdneho pozadia, atmosférických vplyvov a geometrie osvetlenia. Tri indexy sú kľúčové pre prácu s mapovaním ryže.

i. NDVI (Normalizovaný index rozdielnej vegetácie) sa vypočíta ako (NIR – červená) / (NIR + červená) a je najpoužívanejším indexom pri monitorovaní ryže. Sleduje zeleň porastu od založenia sadeníc až po starnutie, pričom hodnoty zvyčajne stúpajú od takmer nuly pri presádzaní do 0,6 – 0,8 pri vrchole vegetatívneho rastu.

ii. EVI (Index vylepšenej vegetácie) Účinnejšie koriguje účinky atmosférických aerosólov a šum v pôde ako NDVI, vďaka čomu je vhodnejší v prostrediach s vysokým zaťažením aerosólmi, ako napríklad počas sezón spaľovania biomasy bežných v tropickej Ázii.

iii. LSWI (Index povrchovej vody pevniny) zahŕňa krátkovlnnú infračervenú odrazivosť na detekciu obsahu vody v rastlinnom poraste aj na povrchu pôdy, vďaka čomu je vysoko citlivý na záplavy, ktoré charakterizujú pestovanie ryže v nížinách, a poskytuje robustný signál na detekciu začiatku vegetačného obdobia.

2. Analýza časových radov

Jeden satelitný snímok zachytáva stav ryžového poľa v danom okamihu, ale príbeh ryžového poľa je napísaný v postupnosti týchto okamihov. Analýza časových radov spája mnoho pozorovaní, zvyčajne jeden snímok každých 5 – 16 dní počas celého roka, a extrahuje časové metriky, ako je dátum začiatku sezóny, vrchol NDVI, miera ozelenenia a dátum zberu úrody.

Tieto metriky spoločne opisujú úplné fenologické správanie poľa a sú oveľa diagnostickejšie pre identifikáciu typu plodiny ako akékoľvek jednorazové pozorovanie. Štatistické metódy vrátane harmonickej regresie a dynamického časového skreslenia (DTW) sa bežne používajú na zosúladenie a porovnanie časových radov údajov v rôznych rokoch a regiónoch.

3. Strojové učenie pre klasifikáciu ryže

Strojové učenie zmenilo rozsah a presnosť mapovania vzorcov pestovania ryže automatizáciou identifikácie zložitých, nelineárnych vzťahov medzi spektrálno-časovými údajmi a poľnými podmienkami.

i. Náhodný les (RF) je súborová metóda, ktorá vytvára stovky nezávislých rozhodovacích stromov, z ktorých každý je trénovaný na náhodnej podmnožine prvkov, a agreguje ich hlasy pre konečnú klasifikáciu. Je odolná voči zašumeným trénovacím dátam, efektívne spracováva vysokorozmerné priestory prvkov a poskytuje variabilné skóre dôležitosti, ktoré pomáhajú analytikom pochopiť, ktoré časové alebo spektrálne prvky ovplyvňujú klasifikačné rozhodnutia.

ii. Stroj s podpornými vektormi (SVM) nájde optimálnu oddeľovaciu hranicu medzi triedami vo vysokorozmernom priestore prvkov. SVM funguje dobre, keď sú trénovacie dáta obmedzené, vďaka čomu je užitočný v oblastiach s nedostatkom dát a drahým zberom základných údajov.

iii. Hlboké učenie, najmä konvolučné neurónové siete (CNN) a rekurentné neurónové siete (RNN), ako sú architektúry dlhej krátkodobej pamäte (LSTM), sa dokážu súčasne učiť priestorové vzory v rámci jednotlivých obrázkov aj časové vzory naprieč obrazovými sekvenciami. Klasifikátory založené na LSTM aplikované na satelitné časové rady dosiahli najmodernejšiu presnosť v úlohách mapovania ryže, pričom niekoľko štúdií uvádza celkovú presnosť nad 90% v regionálnych mierkach.

Xiao a kol. (International Journal of Applied Earth Observation and Geoinformation, 2025) preukázali, že model hlbokého učenia LSTM trénovaný na zlúčených časových radoch Sentinel-1 a Sentinel-2 mapoval kultúrne typy ryže v troch juhoázijských krajinách s... celková presnosť 91,7% a koeficient kappa 0,89, čo prekonáva Random Forest o 6,4 percentuálneho bodu za rovnakých podmienok trénovacích údajov.

Pre mapovanie typov kultúr ryže na veľkých plochách, kde je možný zber tréningových údajov, sú teraz klasifikátory hlbokého učenia založené na LSTM referenčnou metódou a mali by byť predvolenou voľbou pre nové národné mapovacie programy.

4. Objektovo-bazovaná analýza obrazu (OBIA)

Objektovo-bazovaná analýza obrazu (OBIA) funguje tak, že susedné pixely s podobnými spektrálnymi a priestorovými charakteristikami zoskupuje do objektov (segmentov) pred ich klasifikáciou, namiesto toho, aby klasifikoval každý pixel samostatne.

Pri mapovaní ryže je OBIA cenná, pretože dokáže do klasifikácie zahrnúť tvar, textúru a kontext, čím odlišuje ryžové pole od podobne sfarbenej vodnej plochy na základe pravidelnej obdĺžnikovej geometrie ryžového poľa.

OBIA je obzvlášť účinná pri veľmi vysokom priestorovom rozlíšení, ako sú napríklad údaje z komerčných satelitov s rozlíšením 1 – 5 metrov alebo snímky z UAV.

5. Techniky detekcie zmien

Detekcia zmien identifikuje oblasti, v ktorých sa využívanie pôdy zmenilo medzi dvoma alebo viacerými dátumami. Pri monitorovaní ryžových systémov slúži detekcia zmien dvom účelom: sledovaniu medziročného rozširovania alebo zmenšovania plochy ryže v reakcii na klímu alebo ekonomické faktory a identifikácii zmien v polovici sezóny, ako sú neúrody, opustenie alebo neočakávané záplavy.

Detekcia bitemporálnych zmien (priame porovnanie dvoch dátumov) je jednoduchá, ale je náchylná na fenologické rozdiely medzi rokmi. Detekcia viacnásobných zmien v rámci celých ročných dátových súhrnov je robustnejšia a dokáže oddeliť skutočnú zmenu využívania pôdy od sezónnych fenologických variácií.

Posúdenie a validácia presnosti

1. Zber údajov o pozemných skutočnostiach

Každý produkt mapovania ryže vyžaduje validáciu na základe nezávisle zozbieraných terénnych pozorovaní. Údaje o terénnych údajoch zvyčajne zahŕňajú návštevy terénu s referenciou GPS, kde vyškolení sčítavatelia zaznamenávajú typ plodiny, štádium rastu, stav hospodárenia s vodou a spôsob založenia na štatisticky reprezentatívnej vzorke lokalít. Tieto pozorovania sa zhromažďujú tak, aby sa časovo zhodovali so satelitnými snímkami, a sú vylúčené z trénovania modelu a používajú sa výlučne na posúdenie presnosti.

2. Metriky presnosti klasifikácie

Pre aplikácie špecifické pre ryžu sa skóre F1, ktoré vyvažuje presnosť producenta a používateľa pre každú triedu, čoraz častejšie uvádza spolu s Kappa ako informatívnejší súhrn výkonnosti s jedným číslom. Medzi štandardné metriky na hodnotenie presnosti mapy patria

• celková presnosť (percentuálny podiel všetkých správne klasifikovaných validačných bodov),
• presnosť výrobcu (pravdepodobnosť, že pole danej skutočnej triedy je správne namapované, analogicky s úplnosťou),
• presnosť používateľa (pravdepodobnosť, že pole namapované na danú triedu je skutočne touto triedou, analogicky s presnosťou) a
• Kappa koeficient (miera zhody korigovaná na náhodnú zhodu, kde hodnoty nad 0,80 naznačujú silnú zhodu).

3. Overenie vzorov pestovania a máp kultúrnych typov

Validácia máp pestovateľských vzorcov si vyžaduje viacčasové pozemné údaje s návštevami terénu vo viacerých bodoch v rámci pestovateľského kalendára, aby sa potvrdilo, koľko sezón sa skutočne zožalo za rok na každom validačnom mieste.

Validácia kultúrneho typu, rozlišovanie medzi presadenými a priamo vysiatymi alebo zavlažovanými a dažďovou závlahou, je náročnejšia, pretože tieto rozdiely nie sú vždy vizuálne zrejmé v teréne a vyžadujú si rozhovory s farmármi alebo priame pozorovanie hospodárskych udalostí počas citlivých období vegetačného obdobia.

Národné poľnohospodárske štatistiky, hoci sa často agregujú na úrovni provincie alebo okresu, poskytujú ďalšiu vrstvu overovania odhadov plochy, čo umožňuje porovnať celkové údaje na mape s oficiálnymi hlásenými údajmi.

Aplikácie v celom poľnohospodárskom systéme

1. Plánovanie a rozvoj poľnohospodárskej politiky

Mapy pestovania ryže získané z diaľkového prieskumu Zeme poskytujú ministerstvám poľnohospodárstva priestorové rozlíšenie, ktoré potrebujú na navrhnutie cielených intervencií. Regióny identifikované ako oblasti s jednou plodinou a dažďovou závlahou môžu byť uprednostňované pre rozvoj zavlažovania v malom rozsahu; oblasti s tromi plodinami a klesajúcimi výnosmi možno skúmať z hľadiska degradácie pôdy alebo vyčerpávania podzemnej vody.

2. Odhad produkcie ryže

Kombináciou máp oblastí pestovania ryže z diaľkového prieskumu Zeme s modelmi odhadu výnosov, ako sú simulácie rastu plodín na základe údajov o počasí, sa vytvárajú prognózy produkcie na subnárodnej a národnej úrovni týždne alebo mesiace pred zberom úrody.

Prehľad potravinovej bezpečnosti Ázijskej rozvojovej banky a Globálny informačný a včasný varovný systém FAO (GIEWS) zahŕňajú údaje o ploche ryže získané zo satelitov na generovanie odhadov produkcie pred zberom s preukázateľným zvýšením presnosti oproti prístupom založeným na prieskumoch.

3. Manažment vodných zdrojov

Zavlažovaná ryža je najväčším spotrebiteľom sladkej vody v Ázii a v krajinách ako India a Bangladéš predstavuje približne 401 TP3 ton z celkového odberu poľnohospodárskej vody.

Najcennejším výstupom satelitného mapovania ryže nie je samotná mapa, ale rozhodnutie, ktoré umožňuje, či postaviť kanál, uzavrieť studňu alebo presmerovať dotáciu.

Presná znalosť toho, kde sa pestuje zavlažovaná ryža, koľko sezón sa zavlažuje a ktoré polia využívajú efektívne postupy hospodárenia s vodou, ako napríklad AWD, priamo podporuje plánovanie povodí riek, plánovanie prevádzky nádrží a hodnotenie udržateľnosti podzemných vôd.

4. Monitorovanie potravinovej bezpečnosti

Systémy včasného varovania pred potravinovou neistotou závisia od rýchleho odhalenia neúrody. Keď oblasti s ryžou nedokončia celý vegetačný cyklus, satelitné monitorovanie detekuje anomáliu ako chýbajúci alebo skrátený fenologický vrchol v rámci očakávaného sezónneho okna. Sieť systémov včasného varovania pred hladomorom (FEWS NET), ktorú podporuje USAID, využíva satelitné údaje o vegetácii vrátane monitorovania špecifického pre ryžu na generovanie varovaní o potravinovej bezpečnosti v celej Ázii a Afrike.

5. Posúdenie vplyvu zmeny klímy

Dlhodobé archívy máp pestovania ryže, ktoré zahŕňajú 20 alebo viac rokov údajov z Landsat, odhaľujú, ako sa oblasti pestovania ryže, ročné obdobia a výnosy menili v reakcii na meniace sa teplotné a zrážkové režimy. Tieto mapy historických trendov poskytujú empirické dôkazy o vplyvoch zmeny klímy na ryžové systémy a slúžia ako vstupy pre prognózovanie budúcich poľnohospodárskych rizík za rôznych scenárov otepľovania.

7. Aplikácie presného poľnohospodárstva

V mierke farmy mapovanie typu pestovanej ryže z bezpilotných lietadiel v kombinácii s údajmi o pôde a vode na úrovni poľa podporuje presné rozhodnutia v oblasti hospodárenia, ako je aplikácia variabilných dávok hnojív, sledovanie škodcov na špecifických miestach a optimalizované plánovanie dátumu výsadby. Tieto aplikácie sa v súčasnosti rýchlo rozvíjajú v Japonsku, Južnej Kórei a častiach Číny, kde je pestovanie ryže vysoko mechanizované a je k dispozícii dátová infraštruktúra na prepojenie výstupov diaľkového prieskumu Zeme so systémami riadenia fariem.

Výzvy a obmedzenia, ktoré bránia mapovaniu ryže

1. Oblačnosť a dostupnosť údajov

Pretrvávajúca oblačnosť počas monzúnového obdobia, keď sa v Ázii pestuje veľká časť ryže, výrazne obmedzuje počet použiteľných optických pozorovaní. Na niektorých miestach kontaminácia oblačnosťou znižuje dostupné pozorovania Sentinel-2 počas kritického obdobia presádzania a skorého vegetačného obdobia na menej ako dve za mesiac. Údaje SAR tento problém zmierňujú, ale neodstraňujú, pretože silné zrážky môžu dočasne saturovať radarový signál.

2. Zmiešané pixely a malé veľkosti polí

V oblastiach, kde sú ryžové polia menšie ako priestorové rozlíšenie senzora, jeden pixel zachytáva zmes ryžovej a neryžovej pôdy, čo robí klasifikáciu nejednoznačnou. Horské ryžové systémy v kopcovitom teréne a ryžové polia v záhradnom rozsahu v častiach Indonézie a Filipín bežne produkujú zmiešané pixely aj pri 10-metrovom rozlíšení Sentinel-2, čo obmedzuje použitie metód založených na pixeloch v týchto prostrediach.

3. Spektrálna a časová podobnosť medzi druhmi plodín

Niektoré plodiny, najmä cukrová trstina, juta a určité trávnaté porasty, vytvárajú v časových radoch NDVI alebo EVI fenologické krivky podobné ryži, čo vedie k nejasnostiam pri klasifikácii. Detekcia záplav založená na SAR znižuje tento zmätok v prípade ryže v nížinách, ale ryžové systémy v horských oblastiach bez zaplavených polí je stále ťažké oddeliť od spektrálne podobných plodín bez dodatočných údajov z terénu alebo pomocných geografických vstupov.

4. Obmedzenia časového rozlíšenia

Mapovanie pestovateľských vzorcov ryže a kultúrneho typu pomocou diaľkového prieskumu Zeme si vyžaduje hustý časový odber vzoriek, ideálne aspoň jedno pozorovanie každých 8 – 10 dní počas celého vegetačného obdobia. Keď oblačnosť alebo medzery na obežnej dráhe satelitov znížia túto časovú hustotu, automatizované detekčné algoritmy môžu úplne prehliadnuť krátkodobé odrody ryže alebo rýchlo sa striedajúce trojnásobné plodiny.

5. Obmedzenia pozemných údajov

Vysokokvalitné označené tréningové údaje, terénne pozorovania zodpovedajúce známym typom plodín a postupom hospodárenia, zostávajú drahé a logisticky náročné na zhromažďovanie v rozsahu potrebnom na trénovanie a validáciu národných mapovacích systémov. V mnohých krajinách s nižšími príjmami produkujúcich ryžu je ľudská a finančná kapacita na systematický zber pozemných údajov najväčším obmedzením zlepšenia presnosti mapovania.

Nové trendy a budúcnosť monitorovania ryže

1. Monitorovanie ryže pomocou UAV a dronov

Bezpilotné lietadlá (UAV) vybavené multispektrálnymi a tepelnými senzormi teraz poskytujú snímky jednotlivých fariem s centimetrovou presnosťou, pričom rozlišujú hranice polí, riadky plodín a dokonca aj zdravotný stav jednotlivých rastlín. UAV fungujú ako most medzi mapovaním v satelitnom meradle a pozorovaním jednotlivých rastlín a poskytujú pozemné údaje s ultravysokým rozlíšením potrebné na trénovanie a validáciu satelitných modelov v prostredí fragmentovanej krajiny.

2. AI a hlboké učenie pre klasifikáciu ryže

Konvolučné neurónové siete aplikované na časové rady satelitných snímok v kombinácii s transformátorovými architektúrami adaptovanými zo spracovania prirodzeného jazyka v súčasnosti dosahujú najvyššiu presnosť klasifikácie ryže, aká bola kedy zaznamenaná.

Rámec PRISM (Fenology-based Rice crop Identification System using Multisource Data - Systém identifikácie ryžových plodín založený na fenológii s využitím viaczdrojových údajov), ktorý publikovali výskumníci na Wageningenskej univerzite v roku 2024, preukázal, že samoučiace sa učenie na neoznačených satelitných archívoch by mohlo predtrénovať modely klasifikácie ryže, ktoré vyžadujú len minimálne označené pozemné údaje na doladenie, čím by sa dramaticky znížila záťaž terénneho prieskumu.

3. Systémy monitorovania ryže takmer v reálnom čase

Prevádzkové systémy monitorovania ryže takmer v reálnom čase automaticky spracovávajú prichádzajúce satelitné údaje, aktualizujú mapy ryže v 10 – 16-dňových intervaloch a poskytujú upozornenia na dátumy výsadby, udalosti nedostatku vody a načasovanie zberu priamo na vládne panely alebo do mobilných aplikácií používaných poľnohospodármi a poradcami.

Thajské ministerstvo ryže aj vietnamské ministerstvo poľnohospodárstva prevádzkujú prototypy systémov tohto druhu a Medzinárodný inštitút pre výskum ryže podporuje podobný rozvoj kapacít v Bangladéši a Kambodži.

4. Integrácia satelitných a IoT dát

Senzory internetu vecí (IoT) umiestnené na ryžových poliach merajú vlhkosť pôdy, hladinu vody, teplotu a mikroklímu porastu a generujú nepretržité pozorovania na úrovni zeme, ktoré dopĺňajú a kalibrujú údaje diaľkového prieskumu Zeme zo satelitov.

Keď sa siete senzorov IoT a satelitné pozorovania spoja v rámcoch fúzie údajov, výsledný monitorovací systém dokáže odhaliť nedostatok vody, nástup záplav a tlak chorôb s väčšou istotou a skorším predstihom, ako poskytuje ktorýkoľvek zo zdrojov samostatne.

5. Digitálne poľnohospodárstvo a inteligentné poľnohospodárstvo

Konvergencia satelitného mapovania ryže, snímania internetu vecí a podpory rozhodovania riadenej umelou inteligenciou vytvára základy inteligentného pestovania ryže, kde sú manažérske rozhodnutia od načasovania zavlažovania až po aplikáciu hnojív informované priestorovo explicitnými dátovými tokmi takmer v reálnom čase, a nie pravidlami založenými na kalendári.

Pilotné programy v japonskej prefektúre Niigata a v čínskej provincii Chej-lung-ťiang preukázali, že presné hospodárenie s ryžou pomocou diaľkového prieskumu Zeme môže znížiť vstupné náklady o... 15-25% pri zachovaní alebo zlepšení výnosov, podľa predbežných správ z poľných pokusov z roku 2024.

Záver

Mapovanie pestovateľských vzorcov a kultúrnych typov ryže pomocou diaľkového prieskumu Zeme sa z akademickej výskumnej disciplíny vyvinulo na operačný nástroj používaný vládami, medzinárodnými agentúrami a agrotechnologickými platformami v celej Ázii a mimo nej. Multisenzorové časové radové prístupy kombinujúce optické a SAR dáta, spracované pomocou strojového učenia a klasifikátorov hlbokého učenia, teraz bežne poskytujú mapy oblastí ryže na národnej úrovni s celkovou presnosťou presahujúcou 85-90%. Tieto mapy nielen určujú, kde ryža rastie, ale aj koľkokrát do roka, za akého vodného režimu a akým spôsobom sa pestuje.

Prechod od jednoduchého mapovania ryžových oblastí ku klasifikácii kultúrnych typov je to, čo transformuje produkt krajinnej pokrývky na aktívum poľnohospodárskych informácií. Vedomie, že región za desaťročie prešiel z presádzanej na priamo siatu ryžu, signalizuje zmeny na trhu práce a súčasne vyčerpávanie podzemnej vody. Vedomie, ktoré oblasti zavlažované dažďom sú najzraniteľnejšie voči obdobiam sucha na začiatku sezóny, identifikované ich časovými spektrálnymi vzormi, umožňuje vopred reagovať na sucho, a nie reaktívne zmierňovať následky katastrof. Diaľkový prieskum Zeme umožňuje túto úroveň priestorovej inteligencie za zlomok nákladov na ekvivalentné programy pozemného prieskumu.