Картування характеру посівів рису та культурного типу за допомогою дистанційного зондування

Рис годує понад 3,5 мільярда людей у світі, проте менше ніж 60% рисообробних районів мають точні, актуальні карти вирощування, згідно з оновленням глобального рисового атласу Міжнародного інституту дослідження рису (IRRI) за 2024 рік. Картографування структури посівів рису та культурного типу за допомогою дистанційного зондування швидко усуває цю прогалину, надаючи просторово точні, часово узгоджені дані в масштабах, з якими не може зрівнятися жодне наземне дослідження.

Від визначення зрошуваних низовин з подвійним обробленням у дельті Меконгу у В'єтнамі до визначення богарних полів з односезонним обробленням у країнах Африки на південь від Сахари, супутникові та радіолокаційні системи тепер надають інформацію, необхідну фермерам, урядам та агентствам продовольчої безпеки для впевненого планування. Оскільки штучний інтелект та хмарні обчислення прискорюють обробку даних, очікується, що моніторинг рису майже в режимі реального часу стане світовим стандартом до 2027 року.

Чому рис важливий і чому його моніторинг складний

1. Виробництво рису та рівняння глобальної продовольчої безпеки

Рис є основним продуктом харчування для більш ніж половини населення світу, і його значення виходить далеко за рамки індивідуального харчування. Світове виробництво рису досягло приблизно 520 мільйонів метричних тонн шліфованого рису у 2024 році, згідно з даними ФАО, причому на Азію припадає майже 901 TP3T цього виробництва.

Будь-яке значне переривання поставок рису, чи то через посуху, повінь, спалах шкідників чи провал політики, викликає швидкі цінові шоки на продукти харчування, які непропорційно впливають на найбідніші домогосподарства світу.

Підтримка продовольчої безпеки в такому масштабі вимагає більше, ніж просто вирощування достатньої кількості рису. Потрібно точно знати, де вирощується рис, скільки разів на рік обробляється кожне поле та які сільськогосподарські методи використовуються. Урядам потрібні ці дані для розподілу іригаційної інфраструктури, субсидування ресурсів та створення резервів на випадок надзвичайних ситуацій.

Проблема полягає в тому, що рис вирощується в надзвичайно фрагментованих ландшафтах, починаючи від терасованих схилів пагорбів на Філіппінах і закінчуючи величезними зрошуваними рівнинами в Китаї, що робить традиційні польові обстеження логістично та фінансово недоцільними на національному чи регіональному рівнях.

2. Необхідність систематичного моніторингу структури посівів рису

Структура вирощування рису, тобто кількість сезонів вирощування рису на рік та те, як він розподіляється по ландшафту, постійно змінюється. Мінливість клімату скорочує періоди вирощування в одних регіонах, а в інших — розширює. Економічні сигнали спонукають фермерів від одно- до дворазового вирощування, коли доступність води та ринкові ціни збігаються.

Без систематичного моніторингу планувальники працюють з даними перепису, які можуть бути застарілими на п'ять або більше років, що призводить до хронічного неправильного розподілу води, субсидій на добрива та сільських кредитів. Дистанційне зондування пропонує рішення цієї прогалини в моніторингу, забезпечуючи послідовні, повторювані спостереження по всій країні протягом кількох днів.

Замість того, щоб покладатися на самозвіти фермерів чи опитування лічильників, супутникові системи безпосередньо спостерігають за ландшафтом, фіксуючи, як змінюються рисові поля внаслідок затоплення, пересадки, росту рослин та збору врожаю протягом кожного сезону року.

3. Що дистанційне зондування дає сільськогосподарському картографуванню

Дистанційне зондування — це наука про отримання інформації про об'єкти або ділянки на відстані, зазвичай за допомогою датчиків, встановлених на супутниках, літаках або безпілотних літальних апаратах (БПЛА). У сільськогосподарському контексті датчики вимірюють енергію, відбиту або випромінювану сільськогосподарськими культурами, ґрунтом і водою на різних довжинах хвиль електромагнітного спектру.

Оскільки різні типи земного покриву по-різному відображають енергію на різних стадіях росту, супутникові знімки можуть відрізнити рисове поле від кукурудзяного, а також затоплену пересаджену рисову ділянку від сухої з прямим посівом, з точністю, яка зростає в міру вдосконалення сенсорних технологій. Картування схеми посіву рису та культурного типу за допомогою дистанційного зондування служить чотирьом взаємопов'язаним цілям.

• По-перше, він створює просторово чіткі інвентаризації місць вирощування рису в сезонних та річних часових масштабах.
• По-друге, він класифікує, скільки циклів вирощування культур відбувається на рік у кожній картографованій області, розрізняючи системи з одним, двома та трьома культурами.
• По-третє, воно визначає використані агротехнічні методи, такі як пересадка чи прямий посів на полі, контрольоване чи дощове зрошення.
• По-четверте, він генерує базові дані, які враховуються в прогнозуванні виробництва, бюджетуванні водних ресурсів, плануванні адаптації до зміни клімату та системах точного землеробства.

Розуміння систем вирощування рису та культурних типів

1. Що насправді означає схема вирощування рису

Схема вирощування рису описує часову домовленість про вирощування рису протягом календарного року в певному місці. Вона фіксує не лише те, чи вирощується рис, але й скільки разів, коли починається та закінчується кожен сезон, а також яка культура, якщо така є, йде після рису або передує йому на тому самому полі. Картування цих схем по регіону дає планувальникам динамічну картину інтенсивності землекористування та попиту на ресурси, яку ніколи не зможе надати один знімок.

2. Системи монокультурного вирощування рису

У системах з однією культурою (монокультурою) фермери вирощують один сезон рису на рік, зазвичай узгоджений із сезоном мусонних дощів або одним контрольованим циклом зрошення. Ці системи домінують у регіонах, де доступність води, робоча сила або клімат обмежують можливість другого сезону.

Системи з однією культурою, як правило, мають довші періоди вегетації за сезон, часто з традиційними або вдосконаленими сортами тривалого зберігання, і вони непропорційно сильно зрошуються богаром, що робить їх дуже чутливими до часу та розподілу опадів.

3. Системи подвійного посіву рису

Системи подвійного вирощування дають два врожаї рису на рік з одного поля. Вони найпоширеніші в Південно-Східній та Південній Азії, включаючи дельту Червоної річки у В'єтнамі, заплави Бангладеш та зрошувані райони Пенджабу в Індії.

Часовий проміжок між двома сезонами невеликий, часто менше 30 днів, тому для виявлення зон подвійного посіву за супутниковими даними потрібні щільні спостереження часових рядів, щоб виявити два повні фенологічні цикли протягом одного року.

4. Системи вирощування рису з трьома врожаями

Потрійне вирощування культур, з трьома врожаями рису на рік, практикується в обмежених районах, де як доступність води, так і температура залишаються сприятливими цілий рік. Дельта Меконгу на півдні В'єтнаму та частини провінції Гуандун на півдні Китаю підтримують системи потрійного вирощування культур.

Хоча трикультурні системи максимізують інтенсивність землекористування, вони створюють значні проблеми з родючістю ґрунту та боротьбою зі шкідниками. Дистанційна ідентифікація цих полів є технічно складною, оскільки короткі періоди парування між культурами стискають фенологічні сигнали у вузькі вікна.

5. Вирощування рису на богарних землях

За даними Міжнародного науково-дослідного інституту рису (IRRI), рис, вирощений виключно на опадах без штучного водопостачання, займає приблизно 451 TP3T від загальної площі рисових культур у світі. Це домінуюча система в Африці на південь від Сахари, високогірних районах Південної та Південно-Східної Азії та заплавах, що залежать від дощу.

Богарні системи дуже вразливі до мінливості кількості опадів, що призводить до коливань врожайності на 30-501 TP3T між вологими та сухими роками в деяких регіонах. З точки зору дистанційного зондування, богарний рис важче картографувати, оскільки сигнал затоплення слабший і більш нерівномірний, ніж на зрошуваних полях з керованими методами.

6. Зрошуване вирощування рису

Зрошувані рисові системи отримують воду через канали, насоси або керовані резервуари, що дозволяє фермерам контролювати терміни посадки та збору врожаю зі значною точністю. Зрошуваний рис наразі займає лише близько 551 TP3T світової площі рисових плантацій, але вносить 751 TP3T у загальний обсяг виробництва рису, що відображає перевагу врожайності завдяки водній безпеці.

Навмисне затоплення зрошуваних полів створює сильну та стабільну радіолокаційну сигнатуру зворотного розсіювання, яку супутникові датчики надійно виявляють, що робить зрошуваний рис одним із найточніше картографованих видів сільськогосподарських культур у світі.

7. Рисові системи на високогір'ях та низовинах

Рис, вирощений на високогір'ях, вирощується на незатоплюваних, добре дренованих ґрунтах, часто на схилах пагорбів або терасах в Азії та Африці. Оскільки ці поля ніколи навмисно не затоплюються, їм бракує водного сигналу, який дозволяє ідентифікувати рис на низовинах за допомогою радара, що змушує дослідників покладатися лише на спектральні структури рослинності.

Натомість, низинний рис вирощують на рівнинних або неглибоко затоплених полях, де вода накопичується природним шляхом або завдяки зрошенню. Низовинні системи домінують у рисових котловинах Азії та є основною метою більшості масштабних картографічних зусиль.

Морфологічний контраст між високогірними та низинними полями, включаючи форму поля, топографічне положення та структуру пологу, надає додаткові просторові підказки, які може ефективно використовувати об'єктно-орієнтований аналіз зображень.

8. Рис прямим посівом проти рису з пересадкою

Пересаджений рис передбачає вирощування розсади в розсаднику протягом 25-30 днів, а потім ручне або механічне переміщення її на основне поле. Рис прямого посіву, навпаки, передбачає розкидання або висів насіння безпосередньо в підготовлене поле без стадії розсадника.

Ці два методи дають помітно різні часові сигнатури в супутникових даних: поля з пересадкою демонструють різке, синхронізоване озеленення приблизно через три тижні після затоплення, тоді як поля з прямим посівом демонструють більш поступовий розвиток пологу з дня посіву. Цю фенологічну різницю, ледь помітну, але реальну, можна виявити за допомогою ретельного аналізу часових рядів вегетаційних індексів.

Інструменти та технології дистанційного зондування для картографування рису

1. Фізичний принцип дистанційного зондування

Кожна рослина відбиває, поглинає та пропускає сонячне випромінювання за моделями, що визначаються біохімією її листя, структурою крони та вмістом води. Зелене листя сильно поглинає червоне світло для фотосинтезу, відбиваючи водночас значну частину енергії ближнього інфрачервоного (БІЧ) діапазону. Затоплені ґрунти, навпаки, поглинають майже все вхідне випромінювання.

Ці контрастні реакції створюють передбачувані спектральні сигнатури, які датчики на супутниках можуть реєструвати з однаковим синхронізацією, що дозволяє аналітикам відстежувати стан культури, стадію росту та рішення щодо управління на рівні поля, навіть не відвідуючи поле.

2. Оптичне дистанційне зондування

Оптичні датчики виявляють відбите сонячне випромінювання, створюючи зображення, які дуже нагадують те, що побачить людське око, якщо розширити їх на інфрачервоні довжини хвиль. Три оптичні платформи домінують у дослідженнях картографування рису.

Лендсат (серія супутників, що експлуатуються NASA та USGS з 1972 року) забезпечує зображення з просторовою роздільною здатністю 30 метрів та 16-денним циклом повторного перегляду. Його тривалий часовий архів робить його незамінним для дослідження змін рисових площ протягом десятиліть. Однак 16-денне повторення означає, що деякі фенологічні події протягом короткого вегетаційного періоду можуть бути пропущені між спостереженнями.

Страж-2 (керується Європейським космічним агентством, запущений у 2015 та 2017 роках як подвійне супутникове узорання) покращує Landsat, маючи роздільну здатність 10-20 метрів та 5-денний цикл повторного відвідування екватора. Ці два вдосконалення разом дозволяють точніше розмежувати поля та краще проводити фенологічний відбір проб, а найновіші дослідження високоточних картографічних досліджень рису, включаючи ті, що опубліковані в ISPRS Journal of Photogrammetry and Remote Sensing у 2024 році, використовують Sentinel-2 як основне джерело оптичних даних.

МОДІС (Спектрорадіометр середньої роздільної здатності), встановлений на борту супутників NASA Terra та Aqua, забезпечує роздільну здатність 250-500 метрів з можливістю щоденного повторного огляду. Хоча MODIS занадто грубий для картографування окремих полів, він залишається цінним для оцінки інтенсивності сільськогосподарських культур у національному та континентальному масштабах, де висока просторова роздільна здатність менш критична, ніж часова щільність.

3. Радіолокаційне дистанційне зондування

Радар із синтезованою апертурою (SAR) — це технологія на основі радара, яка передає мікрохвильові імпульси до поверхні Землі та вимірює енергію, розсіяну назад до датчика. На відміну від оптичних датчиків, SAR працює незалежно від хмарності та сонячного освітлення, тобто він отримує дані однаково добре як у хмарну мусонну ніч, так і в ясний день сухого сезону.

Ця властивість є критично важливою для картографування рису в тропічній Азії, де оптичні сенсори регулярно втрачають тижні вегетаційного періоду через хмарні перешкоди.

Страж-1 (ЄКА) передає мікрохвильову енергію C-діапазону (довжина хвилі приблизно 5,6 см) та надає безкоштовні глобальні дані SAR з роздільною здатністю 10 метрів з циклом повторення 6-12 днів. Рисові поля взаємодіють із сигналами SAR особливим чином:

• Затоплені поля діють як майже ідеальне дзеркало, відбиваючи більшу частину радіолокаційної енергії від датчика (що призводить до низьких значень зворотного розсіювання), тоді як
• Зростаючий рисовий полог все більше розсіює енергію назад до датчика, оскільки щільність рослин і площа листя збільшуються.

Ця траєкторія зворотного розсіювання з часом, низька під час затоплення та пересадки, зростаюча протягом вегетаційних стадій та знову знижуюча після колосіння, формує радіолокаційну фенологічну сигнатуру, унікальну для рису.

Нгуєн та ін. (Дистанційне зондування навколишнього середовища, 2023) виявили, що класифікація часових рядів Sentinel-1 SAR досягла Загальна точність 92.3% у картографуванні сезонів вирощування рису в трьох провінціях дельти річки Меконг у В'єтнамі, включаючи райони з потрійним посівом, де оптичні дані були недоступні протягом понад 60% вегетаційного періоду через хмарність.

У тропічних регіонах вирощування рису методи на основі SAR є не просто альтернативою оптичному зондуванню, вони часто є єдиним надійним варіантом для сезонного картографування протягом мусонних місяців.

4. Інтеграція даних з кількох датчиків

Жоден окремий датчик не пропонує ідеального поєднання просторової деталізації, часової щільності та проникнення хмар. Тому найточніші системи картографування рису інтегрують кілька типів датчиків в єдину аналітичну структуру.

Спільна архітектура поєднує SAR Sentinel-1 для безхмарного часового відстеження з оптичними даними Sentinel-2 для спектрального насичення в ясні періоди та використовує MODIS як орієнтир грубої роздільної здатності для виявлення фенологічних закономірностей у регіональному масштабі.

Коли ці потоки даних алгоритмічно об'єднуються, об'єднаний набір даних може розпізнавати межі культур, визначати дати пересадки та призначати класифікації типів культур з рівнем впевненості, якого жоден окремий датчик не може досягти самостійно.

Визначення моделей вирощування рису за супутниковими даними

1. Тимчасові ознаки стадій росту рису

Рис проходить чітко визначену послідовність стадій росту: підготовка ґрунту та заливання, пересадка або посів, кущіння (розвиток кількох стебел з однієї рослини), утворення волоті, колосіння (поява квіткової головки, що дає зерно) та збір урожай.

Кожен етап призводить до вимірюваної зміни оптичних та радіолокаційних характеристик поля. Аналітики використовують ці специфічні для кожного етапу сигнатури, отримані у вигляді часових рядів спектральних індексів або зворотного розсіювання SAR, для реконструкції того, що сталося на кожному полі та коли, без будь-яких попередніх знань від фермера.

2. Картування рису на основі фенології

Картування на основі фенології (використання часу біологічних подій для класифікації сільськогосподарських культур) є домінуючим підходом до виявлення рису на великих площах. Метод працює шляхом підбору математичних кривих до даних часових рядів, а потім визначення полів, де часова закономірність відповідає характерній кривій росту рису. Ключові дати подій, отримані в результаті цього процесу підбору, включають

• початок вегетаційного періоду (зазвичай визначається різким збільшенням значень вегетаційного індексу після повені),
• пік вегетаційного періоду (максимальний індекс листової поверхні), та
• кінець сезону (стрімке зниження врожаю).

Кількість таких циклів, виявлених протягом календарного року, безпосередньо визначає, чи класифікується поле як таке, що обробляється одинарно, подвійно чи потрійно.

3. Оцінка інтенсивності посівів

Інтенсивність посівів, тобто кількість сільськогосподарських сезонів, що завершуються на рік на одиниці землі, є одним із найважливіших для політики результатів картографування структури посівів рису. Простий, але потужний підхід обчислює кількість разів, коли рисоподібний спектральний пік або пік зворотного розсіювання виникає в річному часовому ряді пікселя.

У поєднанні з просторовими фільтрами для видалення хибних виявлень, спричинених водно-болотними угіддями, водоймами або сезонними повенями, ці циклічні підрахунки створюють карти рису з одним, двома та трьома врожаями, які можна перевірити за даними польових досліджень та регіональної статистики.

4. Картографування сезонного та річного розподілу рису

Сезонні карти (одна карта на вегетаційний період на рік) фіксують не лише де вирощується рис, але й коли він росте в кожному місці. Щорічні стеки сезонних карт потім розкривають повний календар вирощування врожаю регіону, включаючи просторовий розподіл раннього та пізнього рису, що має прямі наслідки для графіків водопостачання, управління тиском шкідників та логістики збору врожаю.

5. Виявлення сівозмін, пов'язаних з рисом

У багатьох азійських рисових системах фермери чергують рис з пшеницею, овочами, бобовими або періодами парування в межах одного поля протягом послідовних сезонів. Дистанційне зондування виявляє ці сівозміни, аналізуючи повний річний часовий ряд, а не будь-який окремий сезон окремо.

Поле, класифіковане як рисове у вологий сезон, але як пшеничне у сухий сезон, демонструє чітку двопікову часову закономірність у даних індексу вегетації, причому спектральні характеристики кожного піку визначають відповідний тип культури. Картування цих сівозмін має значення для оцінки стану ґрунту, моделювання попиту на зрошення та програм диверсифікації доходів.

Як GeoPard забезпечує картографування моделей вирощування рису

Картування характеру посівів рису вимагає безперервного спостереження з багатьох джерел протягом усього вегетаційного періоду, і саме це забезпечує GeoPard. Об'єднуючи зображення Landsat-8, Sentinel-2 та Planet в єдину платформу, GeoPard моніторить поля через день з роздільною здатністю до 3 метрів, гарантуючи, що критичні події з рисом, такі як затоплення перед пересадкою, позеленіння розсади та збір врожаю, ніколи не будуть пропущені через прогалини в хмарності.

Багатосенсорне поєднання платформи продемонструвало покращення точності 4% порівняно з односенсорними підходами, що безпосередньо загострює розмежування між системами вирощування рису з однією, двома та трьома культурами.

Для ідентифікації культурного типу набір індексів рослинності GeoPard, включаючи NDWI для виявлення поверхневих повеней, EVI2 для визначення часу біомаси пологу та LAI для визначення щільності пологу, фіксує спектральну біографію, яка відрізняє зрошуваний пересаджений рис від систем богарного або прямого посіву.

У хмарні мусонні дні, коли оптичне зображення повністю не працює, інтегрований рівень радіолокаційних даних GeoPard забезпечує безперебійне відстеження рослинності, зчитуючи зворотне розсіювання SAR, яке є остаточною ознакою затопленого рисового поля під час пересадки.

Інструмент «Порівняння шарів» дозволяє агрономам розміщувати поруч до чотирьох синхронізованих шарів даних, що спрощує розділення типів рисових культур шляхом порівняння сигналів повені NDWI з багаторічними тенденціями вегетації та картами продуктивності ґрунту.

Спираючись на понад 30 років супутникових знімків, платформа показує довгострокові моделі інтенсивності посівів на рівні поля. Ці дані потім безпосередньо враховуються на картах внесення змінних норм добрив, насіння та захисту рослин, перетворюючи карти типів культур рису на конкретні рекомендації щодо управління на рівні поля.

Картування типів рисових культур за допомогою дистанційного зондування

1. Спектральні характеристики різних культурних практик

Культурний тип, специфічне поєднання методів управління, що застосовуються до рисового поля, формує часову еволюцію спектральної сигнатури цього поля. Наприклад, пересаджений рис, затоплений водою, починає сезон з оптичної реакції, в якій домінує вода (низький коефіцієнт відбиття у всіх видимих діапазонах), після чого відбувається різка зміна, коли формується розсадний полог.

Рис, посіяний прямим посівом у незатоплене насіннєве ложе, демонструє більш поступове збільшення сигналу вегетації з початку проростання, без початкового періоду затоплення, який легко виявляють оптичні та SAR-сенсори.

2. Розрізнення зрошуваного та богарного рису

Зрошувані та богарні рисові поля відрізняються двома помітними ознаками: часом та регулярністю повеней, а також послідовністю їхньої сезонної фенології. Зрошувані поля, як правило, затоплюються за графіком, демонструють меншу щорічну мінливість у датах пересадки та підтримують постійну густоту пологу завдяки контрольованому управлінню водними ресурсами.

Богарні поля демонструють більшу часову мінливість між роками, можуть відчувати водний стрес у середині сезону, що виявляється як аномальні зниження значень вегетаційного індексу, а іноді не завершують повний вегетаційний період у посушливі роки.

Багаторічний аналіз часових рядів фіксує цю структуру мінливості, дозволяючи алгоритмам класифікації відокремлювати зрошувані та богарні райони з точністю, яка зазвичай перевищує 85% у добре каліброваних системах.

3. Картування пересадженого та прямого посіву рису

Найнадійнішим показником для розрізнення пересадженого рису від рису прямого посіву в даних SAR є час і тривалість початкового періоду затоплення з низьким зворотним розсіюванням.

Пересаджені рисові поля затоплюються на 2-4 тижні перед пересадкою розсади, створюючи розширене вікно затемнення на початку сезону.

Поля з прямим посівом або не мають вікна затоплення (сухий посів), або мають дуже короткий період затоплення (мокрий посів), а наростання зворотного розсіювання відбувається раніше відносно дати сівби та структурно відрізняється за своїм нахилом. Ці часові характеристики можна витягти автоматично за допомогою алгоритмів, що застосовуються до щільних часових рядів SAR.

4. Виявлення управлінських практик за допомогою дистанційного зондування

Окрім методу пересадки та водного режиму, дистанційне зондування може виявляти певні методи управління водними ресурсами, такі як чергування зволоження та сушіння (AWD) – метод, який використовується для зменшення викидів метану та споживання води шляхом періодичного осушення рисових полів.

Поля AWD демонструють коливальні картини зворотного розсіювання SAR протягом вегетаційного періоду, що відображає повторювані цикли повені-стоку, тоді як безперервно затоплені поля демонструють більш стабільну траєкторію зворотного розсіювання. Ця можливість особливо цінна для моніторингу впровадження кліматично розумних практик вирощування рису в національних інвентаризаціях парникових газів.

5. Показники управління водними ресурсами на рисових полях

Виявлення поверхні води за допомогою SAR є високочутливим і здатним ідентифікувати водозбір на глибині кількох сантиметрів під пологом рису. Ця чутливість дозволяє аналітикам картографувати стан затоплення полів у ключові моменти вегетаційного періоду, що допомагає приймати рішення щодо планування зрошення та ранньої оцінки збитків від повені.

Коли карти водної поверхні з кількох дат об'єднуються в часовому діапазоні, вони дають динамічну сигнатуру управління водними ресурсами для кожного поля, яка служить цінним вхідним даним для моделей класифікації культурних типів.

Методи та методики: від індексів до глибокого навчання

1. Індекси рослинності для моніторингу рису

Індекси рослинності – це математичні комбінації значень відбиття на різних довжинах хвиль, призначені для посилення сигналу біомаси та здоров'я рослин, одночасно зменшуючи шум від фону ґрунту, атмосферних впливів та геометрії освітлення. Три індекси є центральними для роботи з картографування рису.

i. NDVI (Нормалізований індекс різниці рослинності) розраховується як (ближній інфрачервоний випромінювання – червоний) / (ближній інфрачервоний випромінювання + червоний) і є найширше використовуваним показником у моніторингу рису. Він відстежує зеленість крони від моменту утворення розсади до старіння, причому значення зазвичай зростають від майже нуля під час розсадження до 0,6-0,8 на піку вегетативного росту.

ii. ІРВ (Покращений індекс рослинності) ефективніше, ніж NDVI, коригує вплив атмосферних аерозолів та фоновий шум ґрунту, що робить його кращим у середовищах з високим аерозольним навантаженням, наприклад, під час сезонів спалювання біомаси, поширених у тропічній Азії.

iii. Індекс поверхневих вод суші (LSWI) включає короткохвильове інфрачервоне відбиття для виявлення вмісту води як у полозі рослин, так і на поверхні ґрунту, що робить його дуже чутливим до повеней, що характеризують вирощування рису в низовинах, і забезпечує надійний сигнал для виявлення початку вегетаційного періоду.

2. Аналіз часових рядів

Один супутниковий знімок фіксує стан рисового поля в певний момент часу, але історія рисового поля пишеться в послідовності цих моментів. Аналіз часових рядів об'єднує багато спостережень, зазвичай одне зображення кожні 5-16 днів протягом цілого року, та витягує часові показники, такі як дата початку сезону, піковий NDVI, швидкість позеленіння та дата збору врожаю.

Ці показники разом описують повну фенологічну поведінку поля та є набагато більш діагностичними для ідентифікації типу культури, ніж будь-яке спостереження за одну дату. Статистичні методи, включаючи гармонічну регресію та динамічне викривлення часу (DTW), зазвичай використовуються для узгодження та порівняння даних часових рядів за різні роки та регіони.

3. Машинне навчання для класифікації рису

Машинне навчання змінило масштаб і точність картографування посівів рису, автоматизувавши ідентифікацію складних, нелінійних зв'язків між спектрально-часовими даними та польовими умовами.

i. Випадковий ліс (RF) – це ансамблевий метод, який будує сотні незалежних дерев рішень, кожне з яких навчається на випадковій підмножині ознак, та агрегує їхні голоси для остаточної класифікації. Він стійкий до шумних навчальних даних, ефективно обробляє багатовимірні простори ознак та надає змінні оцінки важливості, які допомагають аналітикам зрозуміти, які часові або спектральні ознаки впливають на рішення щодо класифікації.

ii. Метод опорних векторів (SVM) знаходить оптимальну розділову межу між класами у багатовимірному просторі ознак. SVM добре працює, коли навчальні дані обмежені, що робить його корисним у регіонах з дефіцитом даних, де збір базових даних є дорогим.

iii. Глибоке навчання, зокрема згорткові нейронні мережі (ЗНМ) та рекурентні нейронні мережі (РНМ), такі як архітектури довгої короткочасної пам'яті (LSTM), можуть одночасно вивчати як просторові шаблони в окремих зображеннях, так і часові шаблони в послідовностях зображень. Класифікатори на основі LSTM, що застосовуються до часових рядів супутників, досягли найсучаснішої точності в завданнях картографування рису, причому кілька досліджень повідомляють про загальну точність вище 90% у регіональних масштабах.

Сяо та ін. (Міжнародний журнал прикладного спостереження за Землею та геоінформації, 2025) продемонстрували, що модель глибокого навчання LSTM, навчена на об'єднаних даних часових рядів Sentinel-1 та Sentinel-2, відобразила типи культур рису в трьох країнах Південної Азії з загальна точність 91,7% та коефіцієнт каппа 0,89, що перевершує Випадковий ліс на 6,4 відсоткових пункти за тих самих умов навчальних даних.

Для картографування типів культур рису на великих площах, де можливий збір навчальних даних, класифікатори глибокого навчання на основі LSTM зараз є еталонним методом і повинні бути вибором за замовчуванням для нових національних програм картографування.

4. Об'єктно-орієнтований аналіз зображень (OBIA)

Об'єктно-орієнтований аналіз зображень (OBIA) працює шляхом групування сусідніх пікселів з подібними спектральними та просторовими характеристиками в об'єкти (сегменти) перед їх класифікацією, а не класифікує кожен піксель окремо.

У картографуванні рису OBIA цінний, оскільки може враховувати форму, текстуру та контекст у класифікації, відрізняючи рисове поле від водойми подібного кольору на основі правильної прямокутної геометрії поля.

OBIA особливо ефективний при дуже високій просторовій роздільній здатності, такій як дані з комерційних супутників з роздільною здатністю 1-5 метрів або зображення з БПЛА.

5. Методи виявлення змін

Виявлення змін визначає ділянки, де землекористування змінилося між двома або більше датами. У моніторингу рисових систем виявлення змін служить двом цілям: відстежує щорічне розширення або скорочення рисових посівних площ у відповідь на кліматичні або економічні чинники та виявляє зміни в середині сезону, такі як неврожаї, занепад або неочікувані повені.

Виявлення двочасових змін (порівняння двох дат безпосередньо) є простим, але вразливим до фенологічних відмінностей між роками. Виявлення багаточасових змін у повних річних сумах є більш надійним і може відокремити справжні зміни землекористування від сезонних фенологічних варіацій.

Оцінка та перевірка точності

1. Збір достовірних даних

Кожен продукт картографування рису потребує перевірки на відповідність незалежно зібраним польовим спостереженням. Дані наземного аналізу зазвичай включають польові виїзди з прив'язкою до GPS, де навчені лічильники фіксують тип культури, стадію росту, стан управління водними ресурсами та метод встановлення на статистично репрезентативній вибірці місць. Ці спостереження збираються так, щоб вони збігалися за часом із супутниковими даними, і вони виключаються з навчання моделі та використовуються виключно для оцінки точності.

2. Показники точності класифікації

Для застосувань, специфічних для рису, F1-оцінка, яка врівноважує точність виробника та користувача для кожного класу, все частіше використовується разом з Каппою як більш інформативний одночисловий показник продуктивності. Стандартні показники для оцінки точності карти включають

• загальна точність (відсоток усіх точок перевірки, правильно класифікованих),
• точність виробника (ймовірність того, що поле заданого класу істинності правильно відображається, аналогічно відтворенню),
• точність користувача (ймовірність того, що поле, що відображається в заданому класі, насправді є цим класом, аналогічно точності), та
• коефіцієнт Каппа (міра узгодженості, скоригована на випадкову узгодженість, де значення вище 0,80 вказують на сильну узгодженість).

3. Перевірка карт культурних типів та схем вирощування рослин

Для перевірки карт схем сільськогосподарських культур потрібні багаточасові наземні дані, а також польові виїзди в кілька точок протягом календаря сільськогосподарських культур для підтвердження того, скільки сезонів фактично збиралося врожаю на рік на кожній ділянці перевірки.

Валідація культурного типу, яка розрізняє пересаджені від прямих посівів або зрошувані від богарних, є більш вимогливою, оскільки ці відмінності не завжди візуально очевидні в польових умовах і вимагають інтерв'ю з фермерами або безпосереднього спостереження за господарськими подіями протягом чутливих періодів вегетації.

Національна сільськогосподарська статистика, хоча часто агрегується на рівні провінції чи району, забезпечує додатковий рівень перевірки оцінок площі, дозволяючи звіряти загальні дані на карті з офіційними даними.

Застосування в усій сільськогосподарській системі

1. Планування та розробка сільськогосподарської політики

Карти схем посівів рису, отримані за допомогою дистанційного зондування, надають міністерствам сільського господарства просторову роздільну здатність, необхідну для розробки цілеспрямованих заходів. Регіони, визначені як однокультурні богарні, можуть бути пріоритетними для розвитку дрібномасштабного зрошення; райони з трьома культурами та зниженням врожайності можуть бути досліджені на предмет деградації ґрунту або виснаження ґрунтових вод.

2. Оцінка виробництва рису

Поєднання карт рисових площ, отриманих за допомогою дистанційного зондування, з моделями оцінки врожайності, такими як моделювання росту сільськогосподарських культур на основі метеорологічних даних, дозволяє створювати прогнози виробництва на субнаціональному та національному рівнях за тижні або місяці до збору врожаю.

Інформаційна панель продовольчої безпеки Азійського банку розвитку та Глобальна система інформації та раннього попередження (GIEWS) ФАО використовують дані про площі рисових посівів, отримані зі супутників, для створення оцінок виробництва до збору врожаю з продемонстрованим підвищенням точності порівняно з підходами на основі опитувань.

3. Управління водними ресурсами

Зрошуваний рис є найбільшим споживачем прісної води в Азії, на його частку припадає приблизно 401 TP3T від загального обсягу забору сільськогосподарської води в таких країнах, як Індія та Бангладеш.

Найціннішим результатом супутникового картографування рису є не сама карта, а рішення, яке вона дозволяє прийняти: будувати канал, закривати свердловину чи перенаправляти субсидію.

Точне знання того, де вирощується зрошуваний рис, скільки сезонів його зрошують та які поля використовують ефективні методи управління водними ресурсами, такі як AWD, безпосередньо допомагає планувати річкові басейни, складати графіки роботи водосховищ та оцінювати стійкість підземних вод.

4. Моніторинг продовольчої безпеки

Системи раннього попередження про відсутність продовольчої безпеки залежать від швидкого виявлення неврожаїв. Коли рисові площі не завершують повний цикл вирощування, супутниковий моніторинг виявляє аномалію як відсутній або усічений фенологічний пік у межах очікуваного сезонного вікна. Мережа систем раннього попередження про голод (FEWS NET), що підтримується USAID, використовує супутникові дані про рослинність, включаючи моніторинг, пов'язаний з рисом, для генерування сповіщень про продовольчу безпеку в Азії та Африці.

5. Оцінка впливу зміни клімату

Довгострокові архіви карт посівів рису, що охоплюють 20 або більше років даних Landsat, показують, як змінювалися площі вирощування рису, сезони та врожайність у відповідь на зміну температури та режимів опадів. Ці карти історичних трендів надають емпіричні докази впливу зміни клімату на рисові системи та слугують вхідними даними для прогнозування майбутніх сільськогосподарських ризиків за різних сценаріїв потепління.

7. Застосування точного землеробства

У масштабі фермерського господарства картографування типів культури рису, отримане за допомогою БПЛА, у поєднанні з даними про ґрунт та воду на рівні поля підтримує прийняття точних управлінських рішень, таких як внесення добрив зі змінною нормою, виявлення шкідників на конкретних ділянках та оптимізоване планування дат посіву. Ці програми зараз швидко розвиваються в Японії, Південній Кореї та деяких частинах Китаю, де вирощування рису є високомеханізованим, а інфраструктура даних доступна для зв'язку результатів дистанційного зондування із системами управління фермерським господарством.

Проблеми та обмеження, що обмежують картографування рису

1. Хмарність та доступність даних

Стійка хмарність під час сезону мусонів, коли вирощується значна частина рису в Азії, суттєво обмежує кількість доступних оптичних спостережень. У деяких місцях забруднення хмарами зменшує доступні спостереження Sentinel-2 протягом критичного періоду пересадки та ранньої вегетації до менш ніж двох на місяць. Дані SAR пом'якшують, але не усувають цю проблему, оскільки сильні опади можуть тимчасово перенасичувати радіолокаційний сигнал.

2. Змішані пікселі та малі розміри поля

У регіонах, де рисові поля менші за просторову роздільну здатність сенсора, один піксель фіксує суміш рисового та нерисового земного покриву, що робить класифікацію неоднозначною. Високогірні рисові системи в горбистій місцевості та рисові поля садового масштабу в деяких частинах Індонезії та Філіппін регулярно створюють змішані пікселі навіть за 10-метрової роздільної здатності Sentinel-2, що обмежує використання піксельних методів у цих середовищах.

3. Спектральна та часова схожість між видами сільськогосподарських культур

Деякі культури, зокрема цукрова тростина, джут та певні луки, мають фенологічні криві, подібні до рису, у часових рядах NDVI або EVI, що призводить до плутанини в класифікації. Виявлення повеней на основі SAR зменшує цю плутанину для низинного рису, але високогірні рисові системи без затоплених полів залишаються важкими для розрізнення від спектрально подібних культур без додаткових польових даних або допоміжних географічних даних.

4. Обмеження часової роздільної здатності

Картування характеру посівів рису та культурного типу за допомогою дистанційного зондування вимагає щільної часової вибірки, в ідеалі принаймні одне спостереження кожні 8-10 днів протягом усього вегетаційного періоду. Коли хмарність або прогалини на орбіті супутників зменшують цю часову щільність, короткочасні сорти рису або швидкозмінні трициклічні сезони посівів можуть бути повністю пропущені автоматизованими алгоритмами виявлення.

5. Обмеження наземних даних

Високоякісні марковані навчальні дані, польові спостереження, зіставлені з відомими типами сільськогосподарських культур та методами управління, залишаються дорогими та логістично складними для збору в масштабах, необхідних для навчання та перевірки національних систем картографування. У багатьох країнах з низьким рівнем доходу, що виробляють рис, людські та фінансові можливості для систематичного збору наземних даних є найбільшим обмеженням для підвищення точності картографування.

Нові тенденції та майбутнє моніторингу рису

1. Моніторинг рису за допомогою БПЛА та дронів

Безпілотні літальні апарати (БПЛА), оснащені мультиспектральними та тепловими датчиками, тепер надають зображення окремих ферм із сантиметровою точністю, визначаючи межі полів, ряди посівів і навіть стан здоров'я окремих рослин. БПЛА функціонують як місток між картографуванням у супутниковому масштабі та спостереженням за окремими рослинами, забезпечуючи наземні дані надвисокої роздільної здатності, необхідні для навчання та перевірки супутникових моделей у фрагментованих ландшафтних умовах.

2. Штучний інтелект та глибоке навчання для класифікації рису

Згорткові нейронні мережі, застосовані до часових рядів супутникових знімків, у поєднанні з трансформаторними архітектурами, адаптованими з обробки природної мови, наразі досягають найвищої точності класифікації рису, коли-небудь зареєстрованої.

Структура PRISM (Система ідентифікації рисових культур на основі фенології з використанням багатоджерельних даних), опублікована дослідниками з Університету Вагенінгена у 2024 році, продемонструвала, що самостійне навчання на немаркованих супутникових архівах може попередньо навчити моделі класифікації рису, що вимагають лише мінімальних маркованих наземних даних для точного налаштування, що значно зменшує навантаження на польові дослідження.

3. Системи моніторингу рису майже в режимі реального часу

Оперативні системи моніторингу рису, що працюють майже в режимі реального часу, автоматично обробляють вхідні супутникові дані, оновлюють карти рису з інтервалом 10-16 днів і надсилають сповіщення про дати посадки, випадки дефіциту води та терміни збору врожаю безпосередньо на урядові інформаційні панелі або мобільні додатки, що використовуються фермерами та консультантами.

Департамент рису Таїланду та Міністерство сільського господарства В'єтнаму використовують прототипи таких систем, а Міжнародний науково-дослідний інститут рису підтримує розвиток аналогічного потенціалу в Бангладеш та Камбоджі.

4. Інтеграція супутникових даних та даних Інтернету речей

Датчики Інтернету речей (IoT), розміщені на рисових полях, вимірюють вологість ґрунту, рівень води, температуру та мікроклімат пологів, генеруючи безперервні спостереження на рівні землі, які доповнюють та калібрують дані дистанційного зондування супутників.

Коли мережі датчиків Інтернету речей та супутникові спостереження поєднуються в рамках об'єднання даних, отримана система моніторингу може виявляти водний стрес, початок повеней та тиск захворювань з більшою впевненістю та раніше, ніж будь-яке з джерел забезпечується окремо.

5. Цифрове сільське господарство та розумне фермерство

Поєднання супутникового картографування рису, зондування Інтернету речей та підтримки рішень на основі штучного інтелекту створює основи розумного рисоводства, де управлінські рішення, від термінів поливу до внесення добрив, приймаються на основі просторово чітких потоків даних майже в режимі реального часу, а не на основі календарних правил.

Пілотні програми в префектурі Ніїґата (Японія) та провінції Хейлунцзян (Китай) продемонстрували, що точне управління вирощуванням рису за допомогою дистанційного зондування може зменшити виробничі витрати на... 15-25% при збереженні або покращенні врожайності, згідно з попередніми звітами польових випробувань за 2024 рік.

Висновок

Картографування характеру посівів рису та культурного типу за допомогою дистанційного зондування перетворилося з академічної дослідницької дисципліни на операційний інструмент, що використовується урядами, міжнародними агентствами та агротехнологічними платформами по всій Азії та за її межами. Багатосенсорні підходи часових рядів, що поєднують оптичні та SAR-дані, оброблені за допомогою машинного та глибокого навчання класифікаторів, тепер регулярно надають карти рисових площ у національному масштабі із загальною точністю, що перевищує 85-90%. Ці карти визначають не лише де росте рис, але й скільки разів на рік, за якого водного режиму та за допомогою якого методу вирощування.

Перехід від простого картографування рисових районів до класифікації культурних типів перетворює продукт земного покриву на актив сільськогосподарської інформації. Знання того, що регіон протягом десятиліття перейшов від пересадженого до прямого посіву рису, сигналізує про зміни на ринку праці та виснаження рівня ґрунтових вод одночасно. Знання того, які богарні райони є найбільш вразливими до посух на початку сезону, ідентифіковані за їхніми часовими спектральними моделями, дозволяє заздалегідь реагувати на посуху, а не реактивно допомагати у разі стихійних лих. Дистанційне зондування робить цей рівень просторової інформації можливим за частку вартості еквівалентних програм наземного обстеження.