Flächendeckende Reiskartierung mit Satellitentechnologie

Auch wenn die Satellitentechnologie weit entfernt und auf den Weltraum beschränkt scheint, sind ihre Vorteile überall zu erkennen.

Wissenschaftler der Sun Yat-sen-Universität und ihre Kollegen haben ein innovatives Framework entwickelt, das moderne Satellitendaten mit den Wachstumsstadien von Reis in Einklang bringt, um die Genauigkeit der Kartierung von Rohreis zu verbessern. Diese Ergebnisse werden voraussichtlich die Grenzen der Kartierungsgenauigkeit erweitern und zu den Bemühungen um globale Nahrungsmittelsicherheit beitragen.

Ihre Ergebnisse waren veröffentlicht im Zeitschrift für Fernerkundung am 8. Juli.

Reis ist in vielen Ländern ein Grundnahrungsmittel und stellt einen wesentlichen Teil der weltweiten Nahrungsmittelversorgung dar. Eine genaue Kartierung des Reisanbaus ist für die Koordinierung der landwirtschaftlichen Produktion, die Gewährleistung der Nahrungsmittelsicherheit und die Steuerung des Anbaus von entscheidender Bedeutung. Regionen in den Tropen und Subtropen, wie Guangdong in China, sind große Reisproduzenten. Die Kartierung der Reisfelder in diesen Gebieten bleibt jedoch eine Herausforderung.

„Bei der Kartierung von tropischem und subtropischem Reisanbau gibt es zwei Hauptschwierigkeiten: den Mangel an optischen Bildern hoher Qualität und Unterschiede bei den Pflanzzeiten für Reis“, sagte Qian Shi, Professor an der Fakultät für Geographie und Planung der Sun Yat-sen-Universität und Hauptautor dieser Studie.

In tropischen und subtropischen Regionen ist die Landoberfläche häufig von Wolken bedeckt, die die Satellitenbilder verdecken. Darüber hinaus führen unterschiedliche Klimabedingungen und Pflanzgewohnheiten dazu, dass die Pflanzzeiten für Reis unterschiedlich sind, was eine genaue Kartierung erschwert.

Um diese Hindernisse zu überwinden, entwickelte das Team ein neues Kartierungskonzept mit Phänologie-Matching. Bei dieser Technik werden die Wachstumsstadien von Reispflanzen mit Daten der Satelliten Sentinel-1 und Sentinel-2 abgeglichen, um die Kartierungsgenauigkeit in Guangdong zu verbessern.

Mithilfe der Fähigkeit von Sentinel-1, Wolken zu durchdringen, konnten die Forscher Reiswachstumsperioden oder phänologische Perioden identifizieren und von beiden Satelliten Radar- und optische Datenmerkmale sammeln, die für diese Perioden spezifisch sind. Diese Merkmale wurden dann in Klassifikatoren für maschinelles Lernen eingespeist, also Algorithmen, die Daten kategorisieren.

„Indem wir aus Sentinel-1 und Sentinel-2 abgeleitete Merkmale bestimmten Wachstumsstadien zuordneten, konnten unsere Klassifikatoren die Kartierungsgenauigkeit im Vergleich zu herkömmlichen Methoden deutlich verbessern“, sagte Shi.

Dieser Ansatz mit Daten aus mehreren Quellen zeigte eine deutliche Verbesserung der Genauigkeit, die zwischen 6,44 % und 16,10 % lag. Diese Fortschritte wurden durch eine Regressionsanalyse weiter bestätigt, bei der die kartierten Gebiete mit statistischen Daten abgeglichen wurden.

Diese Studie beleuchtete auch kritische Faktoren, die die Phänologie und räumliche Verteilung des Reisanbaus in Guangdong beeinflussen. Thermische Bedingungen, insbesondere Kälteintensität während der Wachstumsphasen, erwiesen sich als Hauptfaktoren, die die Entwicklung des Reises beeinflussen. Das Zusammenspiel menschlicher und natürlicher Faktoren, einschließlich Hangneigung und Mindesttemperatur, beeinflusste die räumlichen Reismuster ebenfalls erheblich.

Diese Erkenntnisse ermöglichen ein tieferes Verständnis der Dynamik des Reis-Ökosystems und bieten wertvolle Einblicke in die Formulierung von Agrarpolitiken. Sie unterstreichen die Bedeutung der Integration modernster Wissenschaft in die Landwirtschaft vor Ort zur Optimierung von Produktion und Nachhaltigkeit.

„Unser Ziel ist es, diese Methode auch auf andere tropische und subtropische Regionen anzuwenden, um die Genauigkeit weiter zu verbessern und unsere Erkenntnisse über die Dynamik der globalen Reisproduktion zu erweitern“, sagte Shi.