Мапирање образаца узгоја пиринча и културног типа коришћењем даљинске детекције

Пиринач храни више од 3,5 милијарди људи широм света, али мање од 60% подручја за узгој пиринча има тачне, ажуриране мапе узгоја, према ажурирању глобалног атласа пиринча Међународног института за истраживање пиринча (IRRI) за 2024. годину. Мапирање образаца узгоја пиринча и културног типа коришћењем даљинске детекције брзо смањује ову празнину пружањем просторно прецизних, временски конзистентних података у размерама које ниједно теренско истраживање не може да парира.

Од разликовања наводњаваних низија са двоструком обрадом у вијетнамској делти Меконга до идентификације поља напајаних кишом у једној сезони у подсахарској Африци, сателитски и радарски системи сада пружају обавештајне податке који су пољопривредницима, владама и агенцијама за безбедност хране потребни за планирање са поверењем. Како вештачка интелигенција и рачунарство у облаку убрзавају обраду података, очекује се да ће праћење пиринча у готово реалном времену постати глобални стандард до 2027. године.

Зашто је пиринач важан и зашто је његово праћење тешко

1. Производња пиринча и једначина глобалне безбедности хране

Пиринач је главна калоријска намирница за више од половине светске популације, а његов значај се протеже далеко изван индивидуалне исхране. Глобална производња пиринча достигла је приближно 520 милиона метричких тона млевеног пиринча у 2024. години, према подацима ФАО, при чему Азија чини скоро 90% те производње.

Сваки значајан поремећај у снабдевању пиринчем, било да је у питању суша, поплава, појава штеточина или неуспех политике, изазива брзе шокове цена хране који несразмерно погађају најсиромашнија домаћинства у свету.

Одржавање безбедности хране у овим размерама захтева више од пуког узгоја довољног броја пиринча. Потребно је тачно знати где се пиринач гаји, колико пута годишње се свако поље обрађује и које се пољопривредне праксе користе. Владама су потребни ови подаци како би распоредиле инфраструктуру за наводњавање, субвенционисале ресурсе и изградиле резерве за хитне случајеве.

Изазов је у томе што се пиринач узгаја у изузетно фрагментираним пејзажима, од терасастих падина на Филипинима до пространих наводњаваних равница у Кини, што конвенционална истраживања по пољу логистички и финансијски чини непрактичним на националном или регионалном нивоу.

2. Потреба за систематским праћењем образаца узгоја пиринча

Обрасци узгоја пиринча, односно број сезона узгоја пиринча годишње и начин на који су распоређени по пределу, стално се мењају. Климатска варијабилност скраћује периоде узгоја у неким регионима, док их у другима проширује. Економски сигнали подстичу пољопривреднике са једне на двоструку производњу када се доступност воде и тржишне цене ускладе.

Без систематског праћења, планери раде на основу података пописа који могу бити застарели пет или више година, што доводи до хроничне погрешне расподеле воде, субвенција за ђубриво и руралних кредита. Даљинска детекција нуди решење за овај јаз у праћењу тако што пружа доследна, поновљива посматрања у целим земљама за само неколико дана.

Уместо да се ослањају на самопријављивање пољопривредника или анкете пописивача, сателитски системи директно посматрају пејзаж, бележећи како се пиринчана поља мењају кроз поплаве, пресађивање, вегетативни раст и жетву током сваке сезоне у години.

3. Шта даљинска детекција доноси пољопривредном мапирању

Даљинска детекција је наука о прикупљању информација о објектима или подручјима из даљине, обично коришћењем сензора постављених на сателитима, авионима или беспилотним летелицама (БПЛ). У пољопривредним контекстима, сензори мере енергију коју рефлектују или емитују усеви, земљиште и вода на различитим таласним дужинама електромагнетног спектра.

Пошто различити типови земљишног покривача различито рефлектују енергију у различитим фазама раста, сателитски снимци могу разликовати поље пиринча од поља кукуруза, и поплављену пресађену парцелу пиринча од суве парцеле директно сејане, са прецизношћу која се повећава како се технологија сензора побољшава. Мапирање обрасца усева пиринча и културног типа коришћењем даљинске детекције служи четирима међусобно повезаним циљевима.

• Прво, производи просторно експлицитне инвентаре места где се пиринач узгаја у сезонским и годишњим временским скалама.
• Друго, класификује колико циклуса усева се дешава годишње у сваком мапираном подручју, разликујући системе са једним, двоструким и троструким усевима.
• Треће, идентификује коришћене агротехничке праксе, као што је да ли се поље пресађује или сеје директно, или да ли се управљање водом контролише или се напаја кишницом.
• Четврто, генерише основне податке који се користе за прогнозирање производње, буџетирање воде, планирање климатских прилагођавања и системе прецизне пољопривреде.

Разумевање система узгоја пиринча и културних типова

1. Шта заправо значи образац узгоја пиринча

Образац узгоја пиринча описује временски распоред узгоја пиринча у оквиру календарске године на датој локацији. Он обухвата не само да ли се пиринач гаји, већ и колико пута, када свака сезона почиње и завршава се, и која култура, ако постоји, следи или претходи пиринчу на истом пољу. Мапирање ових образаца широм региона даје планерима динамичну слику интензитета коришћења земљишта и потражње за ресурсима коју један снимак никада не би могао да пружи.

2. Системи узгоја пиринча са једним усевом

У системима са једним усевом (монокултура), пољопривредници узгајају једну сезону пиринча годишње, обично усклађену са монсунским кишним сезонама или једним контролисаним циклусом наводњавања. Ови системи доминирају у регионима где доступност воде, радна снага или клима ограничавају могућност друге сезоне.

Системи са једним усевом имају тенденцију да имају дуже периоде раста по сезони, често са традиционалним или побољшаним сортама дугог трајања, и несразмерно су напајани кишом, што их чини веома осетљивим на време и расподелу падавина.

3. Системи двоструког усева пиринча

Системи двоструког усева производе две жетве пиринча годишње са истог поља. Најчешћи су широм југоисточне и јужне Азије, укључујући делту Црвене реке у Вијетнаму, поплавне равнице Бангладеша и наводњаване округе индијског Пенџаба.

Временски размак између две сезоне је узак, често мањи од 30 дана, тако да идентификација подручја са двоструким усевом из сателитских података захтева густа временска посматрања како би се открила два пуна фенолошка циклуса у току једне године.

4. Системи троструког узгоја пиринча

Трострука жетва, са три жетве пиринча годишње, практикује се у ограниченим подручјима где су и доступност воде и температура повољни током целе године. Делта Меконга у јужном Вијетнаму и делови провинције Гуангдонг на југу Кине подржавају системе троструке жетве.

Иако максимизирају интензитет коришћења земљишта, системи са три усева носе значајне изазове у вези са плодношћу земљишта и сузбијањем штеточина. Даљинска идентификација ових поља је технички захтевна јер кратки периоди угара између усева сабијају фенолошке сигнале у уске временске оквире.

5. Гајење пиринча на кишници

Пиринач узгајан кишом, који се гаји искључиво захваљујући падавинама без вештачког снабдевања водом, чини приближно 45% укупне површине пиринча у свету, према подацима Међународног института за истраживање пиринча (IRRI). То је доминантан систем у подсахарској Африци, планинским подручјима јужне и југоисточне Азије и поплавним равницама зависним од кише.

Системи напајани кишом су веома осетљиви на варијабилност падавина, што се претвара у флуктуације приноса од 30-50% између влажних и сушних година у неким регионима. Са становишта даљинске детекције, пиринач напајан кишом је теже мапирати јер је сигнал поплаве слабији и неправилнији него на управљаним наводњаваним пољима.

6. Гајење пиринча под наводњавањем

Наводњавани системи за пиринач примају воду кроз канале, пумпе или управљане резервоаре, што омогућава пољопривредницима да контролишу време садње и жетве са значајном прецизношћу. Наводњавани пиринач тренутно заузима само око 55% глобалне површине пиринча, али доприноси 75% укупној производњи пиринча, што одражава предност приноса због безбедности воде.

Намерно поплављивање наводњаваних поља ствара јак и конзистентан радарски повратни сигнал који сателитски сензори поуздано детектују, чинећи наводњавани пиринач једном од најтачније мапираних врста усева на свету.

7. Системи пиринча у брдима и низијама

Пиринач у планинским подручјима се гаји на непоплављеним, добро дренираним земљиштима, често на падинама или терасама у Азији и Африци. Пошто ова поља никада нису намерно поплављена, недостаје им водени сигнал који омогућава препознавање пиринча у низијским подручјима помоћу радара, што приморава истраживаче да се ослањају само на спектралне обрасце вегетације.

Низијски пиринач, насупрот томе, гаји се на равним или плитко поплављеним пољима где се вода акумулира природним путем или путем наводњавања. Низијски системи доминирају регионима азијских пиринчаних котлина и примарни су циљ већине мапирања великих размера.

Морфолошки контраст између планинских и низијских поља, укључујући облик поља, топографски положај и структуру крошњи, пружа додатне просторне знакове које анализа слика заснована на објектима може ефикасно искористити.

8. Директна сетва у односу на пресађени пиринач

Пресађени пиринач подразумева узгој садница у расаднику током 25 до 30 дана, а затим њихово ручно или механички премештање на главно поље. Директна сетва пиринча, насупрот томе, подразумева распршивање или сетву семена директно у припремљено поље без фазе расадника.

Ове две методе производе мерљиво различите временске потписе у сателитским подацима: пресађена поља показују оштро, синхронизовано озелењавање отприлике три недеље након поплаве, док поља директно сејана показују постепенији развој крошње од дана сетве. Ова фенолошка разлика, суптилна али стварна, може се открити пажљивом анализом временских серија вегетационих индекса.

Алати и технологије даљинског очитавања за мапирање пиринча

1. Физички принцип даљинског истраживања

Свака биљка рефлектује, апсорбује и преноси сунчево зрачење у обрасцима који су одређени биохемијом њеног листа, структуром крошње и садржајем воде. Зелено лишће снажно апсорбује црвену светлост за фотосинтезу, док рефлектује велики део енергије блиског инфрацрвеног (NIR) зрачења. Поплављена земљишта, насупрот томе, апсорбују скоро сво долазно зрачење.

Ови контрастни одговори стварају предвидљиве спектралне потписе које сензори на сателитима могу да снимају са доследним временом, омогућавајући аналитичарима да прате стање усева, фазу раста и одлуке о управљању на нивоу поља без икакве посете пољу.

2. Оптичко даљинско очитавање

Оптички сензори детектују рефлектовано сунчево зрачење, производећи слике које веома подсећају на оно што би људско око видело када би се проширило на инфрацрвене таласне дужине. Три оптичке платформе доминирају у истраживању мапирања пиринча.

Ландсат (серија сателита којима управљају НАСА и Амерички геолошки сервис од 1972. године) пружа слике просторне резолуције од 30 метара са циклусом поновних посета од 16 дана. Његова дуга временска архива чини га неопходним за проучавање промена површина пиринча током деценија. Међутим, понављање од 16 дана значи да се неки фенолошки догађаји у краткој вегетационој сезони могу пропустити између посматрања.

Сентинел-2 (којим управља Европска свемирска агенција, лансиран 2015. и 2017. године као констелација са два сателита) побољшава Ландсат са резолуцијом од 10-20 метара и циклусом поновних посета екватору од 5 дана. Ова два побољшања заједно омогућавају финије разграничење поља и боље фенолошко узорковање, а најновије студије мапирања пиринча високе прецизности, укључујући оне објављене у ISPRS Journal of Photogrammetry and Remote Sensing 2024. године, користе Sentinel-2 као примарни оптички извор података.

МОДИС (Спектрорадиометар за снимање средње резолуције), који се налази на НАСА-иним сателитима Terra и Aqua, пружа резолуцију од 250-500 метара са дневним капацитетом за поновно извршавање. Иако је превише груб за мапирање појединачних поља, MODIS остаје вредан за процене интензитета усева на националном и континенталном нивоу где је висока просторна резолуција мање критична од временске густине.

3. Радарско даљинско очитавање

Радар са синтетичком апертуром (SAR) је технологија заснована на радару која преноси микроталасне импулсе ка површини Земље и мери енергију расејану назад до сензора. За разлику од оптичких сензора, SAR ради независно од облачности и сунчевог осветљења, што значи да подједнако добро прикупља податке у облачној монсунској ноћи као и у ведром дану сушне сезоне.

Ова особина је од кључне важности за мапирање пиринча у тропској Азији, где оптички сензори рутински губе недеље вегетацијске сезоне због опструкције облака.

Сентинел-1 (ESA) преноси микроталасну енергију C-опсега (таласне дужине приближно 5,6 цм) и пружа бесплатне, глобалне SAR податке са резолуцијом од 10 метара са циклусом понављања од 6-12 дана. Пиринчана поља интерагују са SAR сигналима на препознатљив начин:

• Поплављена поља делују као скоро савршено огледало, рефлектујући већину радарске енергије даље од сензора (што ствара ниске вредности повратног расејања), док
• Растућа крошња пиринча све више расејава енергију назад ка сензору како се густина биљака и површина листа повећавају.

Ова путања повратног расејања током времена, ниска током поплава и пресађивања, порастом кроз вегетативне фазе и поновним опадањем након класјања, формира радарски фенолошки потпис јединствен за пиринач.

Нгујен и др. (Даљинска детекција животне средине, 2023) су открили да је класификација временских серија Сентинел-1 SAR-а постигнута Укупна тачност 92.3% у мапирању сезона узгоја пиринча у три провинције у вијетнамској делти Меконга, укључујући подручја са три усева где оптички подаци нису били доступни током више од 60% периода раста због облачности.

У тропским регионима узгоја пиринча, методе засноване на SAR-у нису само алтернатива оптичком очитавању, већ су често једина поуздана опција за мапирање сезоне по сезону током монсунских месеци.

4. Интеграција података са више сензора

Ниједан сензор не нуди идеалну комбинацију просторних детаља, временске густине и продора облака. Најтачнији системи за мапирање пиринча стога интегришу више типова сензора у оквиру једног аналитичког оквира.

Заједничка архитектура упарује Sentinel-1 SAR за временско праћење без облака са оптичким подацима Sentinel-2 за спектрално богатство током ведрих периода и користи MODIS као сидро грубе резолуције за детекцију фенолошких образаца на регионалном нивоу.

Када се ови токови података алгоритамски споје, комбиновани скуп података може да разреши границе усева, детектује датуме пресађивања и додели класификације културних типова са нивоом сигурности који ниједан појединачни сензор не постиже сам.

Идентификација образаца узгоја пиринча из сателитских података

1. Временски сигнали фаза раста пиринча

Пиринач пролази кроз добро дефинисан низ фаза раста: припрема земљишта и поплављивање, пресађивање или сетва, бокоћење (развој више стабљика из једне биљке), почетак раста метлице, клијање (појава цвета који носи зрно) и жетва.

Свака фаза производи мерљиву промену у оптичким и радарским карактеристикама поља. Аналитичари користе ове специфичне сигнатуре фазе, снимљене као временске серије спектралних индекса или SAR повратно расејање, да би реконструисали шта се догодило на сваком пољу и када, без икаквог претходног знања пољопривредника.

2. Мапирање пиринча засновано на фенологији

Мапирање засновано на фенологији (коришћење времена биолошких догађаја за класификацију усева) је доминантан приступ за детекцију пиринча на великим површинама. Метод функционише тако што се математичке криве уклапају у временске серије података, а затим се идентификују поља где се временски образац поклапа са карактеристичном кривом раста пиринча. Кључни датуми догађаја извучени из овог процеса уклапања укључују

• почетак вегетационе сезоне (обично се обележава наглим повећањем вредности вегетационог индекса након поплава),
• врхунац вегетационе сезоне (индекс максималне површине листа), и
• крај сезоне (брз пад при жетви).

Број таквих циклуса откривених у календарској години директно одређује да ли је поље класификовано као једноструко, двоструко или троструко обрађено.

3. Процена интензитета усева

Интензитет усева, број сезона усева завршених годишње на јединици земљишта, један је од најрелевантнијих резултата мапирања образаца усева пиринча за политику. Једноставан, али моћан приступ израчунава колико пута се спектрални или повратни врх расејања сличан пиринчу јавља у годишњем временском низу пиксела.

Када се комбинују са просторним филтерима за уклањање лажних детекција изазваних мочварама, воденим површинама или сезонским поплавама, ови циклуси бројања производе мапе пиринча са једним, двоструким и троструким усевима које се могу валидирати у односу на теренска истраживања и регионалне статистике.

4. Сезонско и годишње мапирање дистрибуције пиринча

Сезонске мапе (једна мапа по вегетационој сезони годишње) приказују не само где се пиринач гаји, већ и када расте на свакој локацији. Годишње групе сезонских мапа затим откривају комплетан календар усева у региону, укључујући просторну расподелу пиринча ране сезоне у односу на пиринач касне сезоне, што има директне импликације на распоред воде, управљање притиском штеточина и логистику жетве.

5. Откривање плодореда који укључују пиринач

У многим азијским системима узгоја пиринча, пољопривредници наизменично гаје пиринач са пшеницом, поврћем, махунаркама или периодима угара унутар истог поља током узастопних сезона. Даљинска детекција детектује ове ротације анализирајући целокупне годишње временске серије, а не било коју појединачну сезону одвојено.

Поље класификовано као пиринач у влажној сезони, али као пшеница у сушној сезони, показује јасан временски образац са два врха у подацима вегетационог индекса, при чему спектралне карактеристике сваког врха идентификују одговарајућу врсту усева. Мапирање ових ротација је важно за процену здравља земљишта, моделирање потражње за наводњавањем и програме диверзификације прихода.

Како GeoPard покреће мапирање образаца узгоја пиринча

Мапирање образаца усева пиринча захтева континуирано посматрање из више извора током целе вегетационе сезоне, а то је управо оно што ГеоПард пружа. Комбиновањем снимака са Ландсат-8, Сентинел-2 и Планет у једну платформу, ГеоПард прати поља сваког другог дана са резолуцијом до 3 метра, осигуравајући да се критични догађаји у вези са пиринчем, попут поплава пре пресађивања, озелењавања садница и жетве, никада не пропусте због празнина у облацима.

Фузија више сензора платформе показала је побољшање тачности 4% у односу на приступе са једним сензором, што директно пооштрава раздвајање између система пиринча са једним усевом, двоструким усевом и троструким усевом.

За идентификацију културног типа, GeoPard-ов пакет вегетационих индекса, укључујући NDWI за детекцију површинских поплава, EVI2 за време биомасе крошњи и LAI за густину крошњи, обухвата спектралну биографију која раздваја наводњавани пресађени пиринач од система напајаних кишом или директно сетвених система.

Током облачних монсунских дана када оптичко снимање потпуно откаже, ГеоПардов интегрисани слој радарских података одржава праћење вегетације непрекидно, очитавајући SAR повратно расејање које је дефинитиван потпис поплављеног пиринча у време пресађивања.

Алат „Упореди слојеве“ омогућава агрономима да поставе до четири синхронизована слоја података један поред другог, што олакшава раздвајање типова култура пиринча упоређивањем сигнала поплава NDWI са вишегодишњим трендовима вегетације и мапама продуктивности земљишта.

Подржана преко 30 година сателитских снимака, платформа открива дугорочне обрасце интензитета усева на нивоу поља. Ти увиди се затим директно преносе на мапе варијабилне примене стопа за ђубриво, семе и заштиту усева, претварајући мапе типова културе пиринча у конкретне прописе за управљање на нивоу поља.

Мапирање типова култура пиринча помоћу даљинске детекције

1. Спектралне карактеристике различитих културних пракси

Културни тип, специфична комбинација управљачких пракси примењених на пиринчано поље, обликује временску еволуцију спектралног потписа тог поља. Поплављени пресађени пиринач, на пример, почиње сезону са оптичким одговором којим доминира вода (ниска рефлексија у свим видљивим опсезима), након чега следи нагла промена како се успоставља крошња садница.

Пиринач директно сетвен у непоплављене леје показује постепеније повећање вегетационог сигнала од почетка клијања, без почетног периода поплаве који оптички и SAR сензори лако детектују.

2. Разликовање наводњаваног и кишног пиринча

Наводњавана и пиринчана поља која се напајају кишом разликују се на два уочљива начина: време и редовност поплава и доследност њихове сезонске фенологије. Наводњавана поља имају тенденцију да се поплаве по распореду, показују мању годишњу варијабилност у датумима пресађивања и одржавају константну густину крошње контролисаним управљањем водом.

Поља напајана кишом показују већу временску варијабилност између година, могу искусити стрес од воде средином сезоне који се може уочити као аномални падови вредности вегетационог индекса, а понекад не успевају да заврше пуну вегетациону сезону током сушних година.

Вишегодишња анализа временских серија обухвата ову структуру варијабилности, омогућавајући алгоритмима класификације да одвоје наводњавана подручја од подручја напајаних кишом са тачношћу која обично прелази 85% у добро калибрисаним системима.

3. Мапирање пресађеног и директно сејаног пиринча

Најпоузданији показатељ за разликовање пресађеног од директно сејаног пиринча у SAR подацима је време и трајање почетног периода поплаве са ниским повратним расејањем.

Пресађена пиринчана поља се поплављују 2-4 недеље пре него што се саднице пресаде, стварајући продужени прозор таме на радарском нивоу на почетку сезоне.

Поља са директном сетвом или не показују прозор плављења (сува сетва) или показују веома кратак период (влажна сетва), а пораст повратног расејања је и ранији у односу на датум сетве и структурно се разликује по свом нагибу. Ове временске карактеристике могу се аутоматски издвојити коришћењем алгоритама примењених на густе временске серије SAR-а.

4. Детекција управљачких пракси коришћењем даљинског истраживања

Поред методе пресађивања и водног режима, даљинска детекција може да открије одређене праксе управљања водама, као што је наизменично влажење и сушење (AWD), техника која се користи за смањење емисије метана и потрошње воде повременим исушивањем пиринчаних поља.

Поља са AWD технологијом показују осцилујуће обрасце повратног расејања SAR сигнала током вегетативног периода, што одражава поновљене циклусе поплава и одводњавања, док континуирано поплављена поља показују стабилнију путању повратног расејања. Ова могућност је посебно вредна за праћење усвајања климатски паметних пракси употребе пиринча у националним инвентарима гасова стаклене баште.

5. Индикатори управљања водама на пиринчаним пољима

Детекција површине воде путем SAR-а је веома осетљива, способна да идентификује загушену воду на дубини од само неколико центиметара испод крошње пиринча. Ова осетљивост омогућава аналитичарима да мапирају статус поплава по пољу у кључним тачкама вегетационе сезоне, подржавајући одлуке о распореду наводњавања и ране процене штете од поплава.

Када се мапе површине воде из више датума временски сложе, оне дају динамички потпис управљања водама за свако поље који служи као вредан улаз за моделе класификације културних типова.

Технике и методе: Од индекса до дубоког учења

1. Вегетацијски индекси за праћење пиринча

Вегетацијски индекси су математичке комбинације вредности рефлексије на различитим таласним дужинама, дизајниране да појачају сигнал биљне биомасе и здравља, а истовремено смањују шум од позадине земљишта, атмосферских ефеката и геометрије осветљења. Три индекса су кључна за рад на мапирању пиринча.

i. NDVI (Нормализовани индекс разлике вегетације) израчунава се као (NIR – црвена) / (NIR + црвена) и најшире је коришћени индекс у праћењу пиринча. Прати зеленило крошње од успостављања садница до старења, са вредностима које обично расту од скоро нуле при пресађивању до 0,6-0,8 на врхунцу вегетативног раста.

ii. EVI (Индекс побољшане вегетације) ефикасније коригује ефекте атмосферских аеросола и позадинску буку земљишта од NDVI, што га чини пожељнијим у окружењима са високим оптерећењем аеросолима, као што је током сезона сагоревања биомасе уобичајених у тропској Азији.

iii. LSWI (Индекс површинских вода копна) укључује краткоталасну инфрацрвену рефлексију за детекцију садржаја воде и у крошњи биљака и на површини земљишта, што га чини веома осетљивим на поплаве које карактеришу узгој пиринча у низијама и пружа робустан сигнал за детекцију почетка вегетације.

2. Анализа временских серија

Једна сателитска слика приказује стање пиринчаног поља у једном тренутку, али прича о пиринчаном пољу је написана у низу тих тренутака. Анализа временских серија повезује многа запажања, обично једну слику сваких 5-16 дана током целе године, и издваја временске метрике као што су датум почетка сезоне, врхунац NDVI-а, стопа озелењавања и датум жетве.

Ове метрике заједно описују потпуно фенолошко понашање поља и далеко су дијагностичкије за идентификацију типа усева него било које посматрање на основу једног датума. Статистичке методе, укључујући хармонијску регресију и динамичко временско искривљавање (DTW), се често користе за усклађивање и упоређивање временских серија података у различитим годинама и регионима.

3. Машинско учење за класификацију пиринча

Машинско учење је трансформисало обим и тачност мапирања образаца узгоја пиринча аутоматизацијом идентификације сложених, нелинеарних односа између спектрално-временских података и услова на терену.

i. Случајна шума (RF) је ансамбл метода која гради стотине независних стабала одлучивања, свако обучено на случајном подскупу карактеристика, и агрегира њихове гласове за коначну класификацију. Отпорна је на бучне податке за обуку, ефикасно обрађује високодимензионалне просторе карактеристика и пружа променљиве оцене важности које помажу аналитичарима да разумеју које временске или спектралне карактеристике утичу на одлуке о класификацији.

ii. Машина вектора подршке (SVM) проналази оптималну границу раздвајања између класа у простору високодимензионалних карактеристика. SVM добро функционише када су подаци за обуку ограничени, што га чини корисним у регионима са оскудним подацима где је прикупљање основних истина скупо.

iii. Дубоко учење, посебно конволуционе неуронске мреже (CNN) и рекурентне неуронске мреже (RNN), као што су архитектуре дугорочне краткорочне меморије (LSTM), могу истовремено да уче и просторне обрасце унутар појединачних слика и временске обрасце у низовима слика. Класификатори засновани на LSTM-у примењени на временске серије сателита постигли су најсавременију тачност у задацима мапирања пиринча, а неколико студија је пријавило укупну тачност изнад 90% на регионалним размерама.

Сјао и др. (Међународни часопис за примењено посматрање Земље и геоинформацију, 2025) показали су да је LSTM модел дубоког учења обучен на Sentinel-1 и Sentinel-2 спојеним временским серијама података мапирао типове култура пиринча у три земље Јужне Азије са... укупна тачност од 91,7% и капа коефицијент од 0,89, што је надмашило Случајну шуму за 6,4 процентна поена под истим условима података за обуку.

За мапирање типова културе пиринча великих површина где је могуће прикупљање података за обуку, класификатори дубоког учења засновани на LSTM-у сада су референтна метода и требало би да буду подразумевани избор за нове националне програме мапирања.

4. Анализа слике заснована на објектима (OBIA)

Анализа слике заснована на објектима (OBIA) функционише тако што групише суседне пикселе са сличним спектралним и просторним карактеристикама у објекте (сегменте) пре него што их класификује, уместо да класификује сваки пиксел засебно.

У мапирању пиринча, OBIA је вредна јер може да укључи облик, текстуру и контекст у класификацију, разликујући пиринчано поље од слично обојеног воденог тела на основу правилне правоугаоне геометрије поља.

OBIA је посебно ефикасан при веома високој просторној резолуцији, као што су подаци са комерцијалних сателита резолуције 1-5 метара или снимци беспилотних летелица.

5. Технике за откривање промена

Детекција промена идентификује подручја где се коришћење земљишта променило између два или више датума. У праћењу система пиринча, детекција промена служи двема сврхама: праћењу годишњег ширења или смањења површина под пиринчем као одговор на климатске или економске покретаче и идентификовању промена средином сезоне као што су неуспех усева, напуштање или неочекиване поплаве.

Детекција двовременских промена (директно поређење два датума) је једноставна, али подложна фенолошким разликама између година. Детекција вишевременских промена у оквиру комплетних годишњих низова је робуснија и може да раздвоји стварну промену коришћења земљишта од сезонских фенолошких варијација.

Процена тачности и валидација

1. Прикупљање основних података

Сваки производ за мапирање пиринча захтева валидацију у односу на независно прикупљена теренска посматрања. Подаци о истини на терену обично укључују ГПС-референциране теренске посете где обучени пописивачи бележе врсту усева, фазу раста, статус управљања водама и метод успостављања на статистички репрезентативном узорку локација. Ова посматрања се прикупљају тако да се временски поклапају са сателитским снимцима и искључују се из обуке модела и користе се искључиво за процену тачности.

2. Метрике тачности класификације

За примене специфичне за пиринач, F1-резултат, који уравнотежује тачност произвођача и корисника за сваку класу, све се више приказује заједно са Капа као информативнији резиме учинка са једним бројем. Стандардне метрике за процену тачности мапе укључују

• укупна тачност (проценат свих тачака валидације које су исправно класификоване),
• произвођачева тачност (вероватноћа да је поље дате истинске класе исправно мапирано, аналогно присећању),
• тачност корисника (вероватноћа да је поље мапирано на дату класу заправо та класа, аналогно прецизности), и
• Капа коефицијент (мера слагања коригована за случајно слагање, где вредности изнад 0,80 указују на јако слагање).

3. Валидација мапа образаца усева и културних типова

Валидација мапа образаца усева захтева вишевременске податке о стварности на терену, са теренским посетама на више тачака током календара усева како би се потврдило колико је сезона заправо убрано годишње на свакој локацији за валидацију.

Валидација културног типа, разликовање пресађених од директно сејаних или наводњаваних од оних које се напајају кишницом, захтевнија је јер ове разлике нису увек визуелно очигледне на терену и захтевају интервјуе са пољопривредницима или директно посматрање управљачких догађаја током осетљивих периода у вегетационом периоду.

Национална пољопривредна статистика, иако се често агрегира на нивоу покрајине или округа, пружа додатни слој валидације за процене површине, омогућавајући упоређивање укупних података на мапама са званичним пријављеним подацима.

Примене у целом пољопривредном систему

1. Пољопривредно планирање и развој политике

Мапе образаца гајења пиринча добијене даљинским очитавањем дају министарствима пољопривреде просторну резолуцију која им је потребна за дизајнирање циљаних интервенција. Региони идентификовани као региони са једном културом и кишом могу бити приоритетни за развој наводњавања малих размера; подручја са три културе и опадајућим приносима могу се истражити због деградације земљишта или смањења нивоа подземних вода.

2. Процена производње пиринча

Комбиновањем мапа површина пиринча добијених даљинским очитавањем са моделима за процену приноса, као што су симулације раста усева вођене метеоролошким подацима, добијају се прогнозе производње на субнационалном и националном нивоу недељама или месецима пре жетве.

Контролна табла за безбедност хране Азијске развојне банке и Глобални систем за информисање и рано упозоравање (GIEWS) ФАО-а укључују податке о површинама под пиринчем добијене са сателита како би генерисали процене производње пре жетве са доказаним повећањем тачности у односу на приступе засноване на анкетама.

3. Управљање водним ресурсима

Наводњавани пиринач је највећи потрошач слатке воде у Азији, чинећи отприлике 40% укупног повлачења пољопривредне воде у земљама попут Индије и Бангладеша.

Највреднији резултат сателитског мапирања пиринча није сама мапа, већ одлука коју она омогућава, да ли да се изгради канал, затвори бунар или преусмери субвенција.

Прецизно познавање места где се гаји наводњавани пиринач, колико сезона се наводњава и која поља користе ефикасне праксе управљања водама као што је AWD директно подржава планирање речних сливова, заказивање рада акумулација и процене одрживости подземних вода.

4. Праћење безбедности хране

Системи раног упозоравања на несигурност хране зависе од брзог откривања неуспеха усева. Када подручја са пиринчем не успеју да заврше потпуни циклус раста, сателитско праћење детектује аномалију као одсутан или скраћени фенолошки врхунац унутар очекиваног сезонског прозора. FEWS NET (Мрежа система за рано упозоравање на глад), коју подржава USAID, користи сателитске податке о вегетацији, укључујући праћење специфично за пиринач, како би генерисала упозорења о безбедности хране широм Азије и Африке.

5. Процена утицаја климатских промена

Дугорочне архиве мапа образаца узгоја пиринча које обухватају 20 или више година података са Ландсата откривају како су се површине узгоја пиринча, годишња доба и приноси мењали као одговор на промене температуре и режима падавина. Ове мапе историјских трендова пружају емпиријске доказе о утицајима климатских промена на системе узгоја пиринча и служе као улазни подаци за пројектовање будућег пољопривредног ризика у различитим сценаријима загревања.

7. Примене у прецизној пољопривреди

На нивоу фарме, мапирање типа културе пиринча добијено помоћу беспилотних летелица у комбинацији са подацима о земљишту и води на нивоу поља подржава прецизне управљачке одлуке као што су примена ђубрива са променљивим стопама, извиђање штеточина специфичних за локацију и оптимизовано заказивање датума садње. Ове примене тренутно брзо сазревају у Јапану, Јужној Кореји и деловима Кине, где је узгој пиринча високо механизован и доступна је инфраструктура података за повезивање резултата даљинске детекције са системима управљања фармама.

Изазови и ограничења која ограничавају мапирање пиринча

1. Облачност и доступност података

Упорна облачност током сезоне монсуна, када се узгаја велики део пиринча у Азији, озбиљно ограничава број употребљивих оптичких посматрања. На неким локацијама, контаминација облацима смањује доступна посматрања Sentinel-2 током критичног периода пресађивања и раног вегетативног периода на мање од два месечно. SAR подаци ублажавају, али не елиминишу овај проблем, јер обилне падавине могу привремено заситити радарски сигнал.

2. Мешовити пиксели и мале величине поља

У регионима где су пиринчана поља мања од просторне резолуције сензора, један пиксел снима мешавину пиринчаног и непиринчаног земљишног покривача, што класификацију чини двосмисленом. Висорански системи пиринча на брдовитом терену и поља величине баште у деловима Индонезије и Филипина рутински производе мешовите пикселе чак и при резолуцији од 10 метара коју је направио Sentinel-2, што ограничава употребу метода заснованих на пикселима у овим окружењима.

3. Спектрална и временска сличност међу врстама усева

Неки усеви, посебно шећерна трска, јута и одређени травњаци, производе фенолошке криве сличне пиринчу у временским серијама NDVI или EVI, што доводи до забуне у класификацији. Детекција поплава заснована на SAR-у смањује ову забуну за низијски пиринач, али брдски системи пиринча без поплављених поља остају тешки за одвајање од спектрално сличних усева без додатних теренских података или помоћних географских уноса.

4. Временска ограничења резолуције

Мапирање образаца усева пиринча и културног типа помоћу даљинске детекције захтева густо временско узорковање, идеално најмање једно посматрање сваких 8-10 дана током целе вегетационе сезоне. Када облачност или празнине у сателитској орбити смање ову временску густину, аутоматизовани алгоритми за детекцију могу у потпуности пропустити краткотрајне сорте пиринча или брзе сезоне троструке усеве.

5. Ограничења података са земље

Висококвалитетни обележени подаци за обуку, теренска посматрања упарена са познатим врстама усева и праксама управљања, остају скупи и логистички тешки за прикупљање у обиму потребном за обуку и валидацију националних система картографије. У многим земљама са нижим приходима које производе пиринач, људски и финансијски капацитети за систематско прикупљање података са терена представљају највеће ограничење за побољшање тачности картографије.

Нови трендови и будућност праћења пиринча

1. Праћење пиринча помоћу беспилотних летелица и дрона

Беспилотне летелице (БПЛО) опремљене мултиспектралним и термалним сензорима сада пружају снимке појединачних фарми на центиметарском нивоу, разјашњавајући границе поља, редове усева, па чак и здравствено стање појединачних биљака. БПЛО функционишу као мост између мапирања сателитских размера и посматрања појединачних биљака, пружајући податке ултра високе резолуције са терена потребне за обуку и валидацију сателитских модела у фрагментираним пејзажним окружењима.

2. Вештачка интелигенција и дубоко учење за класификацију пиринча

Конволуционе неуронске мреже примењене на временске серије сателитских снимака, у комбинацији са трансформаторским архитектурама прилагођеним из обраде природног језика, тренутно постижу највећу тачност класификације пиринча икада забележену.

Оквир PRISM (Фенолошки систем за идентификацију усева пиринча користећи податке из више извора) који су објавили истраживачи на Универзитету Вагенинген 2024. године показао је да самонадгледано учење на необележеним сателитским архивама може претходно да обучи моделе класификације пиринча који захтевају само минимално обележене податке са тла за фино подешавање, драматично смањујући оптерећење теренским истраживањем.

3. Системи за праћење пиринча у скоро реалном времену

Оперативни системи за праћење пиринча у готово реалном времену аутоматски обрађују долазне сателитске податке, ажурирају мапе пиринча у интервалима од 10-16 дана и достављају упозорења о датумима садње, догађајима са недостатком воде и времену жетве директно на владине контролне табле или мобилне апликације које користе пољопривредници и саветници.

Тајландско Министарство за пиринач и Вијетнамско Министарство пољопривреде користе прототипове система ове врсте, а Међународни институт за истраживање пиринча подржава сличан развој капацитета у Бангладешу и Камбоџи.

4. Интеграција сателитских и IoT података

Сензори Интернета ствари (IoT) распоређени у пиринчаним пољима, мерећи влажност земљишта, ниво воде, температуру и микроклиму крошњи, генеришу континуирана посматрања на нивоу тла која допуњују и калибришу податке даљинског снимања сателита.

Када се IoT сензорске мреже и сателитска посматрања комбинују у оквирима за фузију података, резултујући систем за праћење може да детектује стрес воде, почетак поплава и притисак болести са већим поуздањем и ранијим временом него што било који извор пружа независно.

5. Дигитална пољопривреда и паметна пољопривреда

Конвергенција сателитског мапирања пиринча, IoT сензора и подршке за одлучивање вођене вештачком интелигенцијом ствара темеље паметног узгоја пиринча, где су управљачке одлуке, од времена наводњавања до примене ђубрива, информисане просторно експлицитним, скоро реалновременским токовима података, а не календарским правилима.

Пилот програми у јапанској префектури Нигата и кинеској провинцији Хејлунгђанг показали су да прецизно управљање пиринчем засновано на даљинском очитавању може смањити трошкове улагања за... 15-25% уз одржавање или побољшање приноса, према прелиминарним извештајима са теренских испитивања из 2024. године.

Закључак

Мапирање образаца усева пиринча и културног типа коришћењем даљинске детекције сазрело је од академске истраживачке дисциплине до оперативног алата који користе владе, међународне агенције и агротехнолошке платформе широм Азије и шире. Вишесензорски приступи временских серија који комбинују оптичке и SAR податке, обрађене помоћу класификатора машинског учења и дубоког учења, сада рутински пружају мапе подручја пиринча на националном нивоу са укупном тачношћу која прелази 85-90%. Ове мапе не само да одређују где пиринач расте, већ и колико пута годишње, под којим водним режимом и којим методом успостављања.

Прелазак са једноставног мапирања површина пиринча на класификацију културних типова је оно што трансформише производ покривености земљишта у средство пољопривредне интелигенције. Сазнање да је регион прешао са пресађеног на директно сетвени пиринач током деценије сигнализира промене на тржишту рада и истовремено смањење нивоа подземних вода. Познавање које су подручја напајана кишом најрањивија на сушне периоде у раној сезони, идентификоване према њиховим временским спектралним обрасцима, омогућава унапред позиционирани одговор на сушу, а не реактивно олакшавање катастрофа. Даљинска детекција омогућава овај ниво просторне интелигенције уз делић трошкова еквивалентних програма истраживања терена.