Εφαρμογή της τηλεπισκόπησης στην χαρτογράφηση καλλιέργειας ρυζιού και πρόβλεψης της παραγωγής της: Μια ανασκόπηση

Από RemoteSensing Wiki

(Διαφορές μεταξύ αναθεωρήσεων)
Μετάβαση σε: πλοήγηση, αναζήτηση
Γραμμή 28: Γραμμή 28:
* Στην πρόβλεψη/εκτίμηση απόδοσης των καλλιεργειών ρυζιού  μέσω της τηλεπισκόπησης και
* Στην πρόβλεψη/εκτίμηση απόδοσης των καλλιεργειών ρυζιού  μέσω της τηλεπισκόπησης και
* Στη συνέργεια μεθόδων που βασίζονται στην τηλεπισκόπηση και πώς αυτές επιδρούν μεταξύ τους.
* Στη συνέργεια μεθόδων που βασίζονται στην τηλεπισκόπηση και πώς αυτές επιδρούν μεταξύ τους.
 +
1. Χαρτογράφηση των καλλιεργειών ρυζιού μέσω της τηλεπισκόπησης
1. Χαρτογράφηση των καλλιεργειών ρυζιού μέσω της τηλεπισκόπησης

Αναθεώρηση της 15:42, 9 Μαρτίου 2020

Μια επισκόπηση των τρεχουσών και δυνητικών εφαρμογών της θερμικής τηλεπισκόπησης στην γεωργία ακριβείας

Πρωτότυπος τίτλος: Application of Remote Sensors in Mapping Rice Area and Forecasting Its Production: A Review

Συγγραφείς: Mostafa K. Mosleh, Quazi K. Hassan and Ehsan H. Chowdhury

Δημοσιεύθηκε: Literature Review

Σύνδεσμος πρωτότυπου κειμένου: [1]


Εισαγωγή


Το ρύζι είναι ένα από τα βασικά τρόφιμα για περισσότερα από τρία δισεκατομμύρια ανθρώπους παγκοσμίως. Το ρύζι κατείχε περίπου το 11,5% της καλλιεργήσιμης γης του κόσμου κατά το 2012. Το ρύζι κατείχε περίπου το 19% της παγκόσμιας διατροφικής ενέργειας τα τελευταία χρόνια και η ετήσια μέση κατά κεφαλή κατανάλωση ήταν 65 kg κατά την περίοδο 2010-2011. Επομένως, η χαρτογράφηση των καλλιεργειών του ρυζιού και η πρόβλεψη της παραγωγής του είναι σημαντική για την επισιτιστική ασφάλεια, όπου οι απαιτήσεις συχνά υπερβαίνουν την παραγωγή λόγω του συνεχώς αυξανόμενου πληθυσμού. Η ανάλυση αυτής της ανασκόπησης έχει ως στόχο την εφαρμογή της απεικόνισης με βάση την τηλεπισκόπηση για την χαρτογράφηση της περιοχής του ρυζιού και την πρόβλεψη της παραγωγής της. Οι πρόσφατες εξελίξεις (δηλαδή φασματική, χωρική, ραδιομετρική και χρονική) και η διαθεσιμότητα εικόνων τηλεπισκόπησης έδωσαν το πλεονέκτημα να συλλεχθούν έγκαιρα πληροφορίες σχετικά με τα στάδια ανάπτυξης και ανάπτυξης της καλλιέργειας ρυζιού, καθώς και με την πρόβλεψη της παραγωγής αυτού. Στην εικόνα 1, αποτυπώνονται τα στάδια ανάπτυξης μιας τυπικής καλλιέργειας ρυζιού.

Εικόνα 1: Στάδια ανάπτυξης μιας τυπικής καλλιέργειας ρυζιού και των σχετικών συνθηκών πρασίνου. Η κόκκινη καμπύλη παρουσιάζει μία τυπική χρονική δυναμική του ευρέως χρησιμοποιούμενου δείκτη πράσινης βλάστησης με βάση την τηλεπισκόπηση [δηλ. Κανονικοποιημένος δείκτης βλάστησης (NDVI)].


Μεθοδολογία


Η συγκεκριμένη ανάλυση, βασίζεται σε τρεις άξονες:

  • Στην χαρτογράφηση των καλλιεργειών ρυζιού μέσω της τηλεπισκόπησης
  • Στην πρόβλεψη/εκτίμηση απόδοσης των καλλιεργειών ρυζιού μέσω της τηλεπισκόπησης και
  • Στη συνέργεια μεθόδων που βασίζονται στην τηλεπισκόπηση και πώς αυτές επιδρούν μεταξύ τους.


1. Χαρτογράφηση των καλλιεργειών ρυζιού μέσω της τηλεπισκόπησης 1.1 Οπτικές μέθοδοι χαρτογράφησης με τηλεπισκόπηση. Οι οπτικοί αισθητήρες τηλεπισκόπησης χρησιμοποιήθηκαν ευρέως για τη χαρτογράφηση των περιοχών του ρυζιού παγκοσμίως. Χρησιμοποιήθηκαν επίσης για τη διάκριση της χρήσης γης / κάλυψης γης και τη μέτρηση των καλλιεργούμενων εκτάσεων λόγω της ικανότητάς τους να βλέπουν την επιφάνεια της Γης στην φασματική περιοχή από 0,4 έως 2,5 μm. Οι πιο συνηθισμένοι οπτικοί αισθητήρες περιλαμβάνουν τους εξής: Landsat (κυρίως MSS, TM και ETM +), SPOT-VGT, NOAA / AVHRR, MODIS κλπ. 1.2 Ένα από τα βασικά πλεονεκτήματα της τηλεπισκόπησης με τη χρήση μικροκυμάτων σχετίζεται με την ικανότητά της να αποκτάει θεωρητικά εικόνες κάτω από οποιεσδήποτε καιρικές συνθήκες, όπως κάλυψη από νέφη, βροχή, χιόνι και ηλιακή ακτινοβολία. Επομένως, οι εικόνες από ραντάρ που συλλέγονται από αισθητήρες που χρησιμοποιούν μικροκύματα και παρέχουν μια εξαιρετική πηγή εικόνων για τη χαρτογράφηση των περιοχών του ρυζιού, όπου η καλλιέργεια ρυζιού λαμβάνει χώρα κατά τη διάρκεια της βροχερής περιόδου. Από τη δεκαετία του 1990, οι ερευνητές έχουν διερευνήσει τη χρησιμότητα των δεδομένων μικροκυμάτων που ανακτώνται από διαφορετικούς δορυφόρους (π.χ. ERS-1 και 2, RADARSAT-1 και 2, ENVISAT ASAR κ.λπ.) 1.3 Υπάρχουν βέβαια και περιορισμοί στην χαρτογράφηση των καλλιεργειών του ρυζιού με τηλεπισκόπηση διότι μερικές φορές θα ήταν πολύ δύσκολο να αποκτηθούν εικόνες χωρίς σύννεφο σε ορισμένες από τις περιοχές καλλιέργειας ρυζιού του κόσμου. Επίσης, η χρονική ανάλυση (δηλ. 16 ημέρες) των εικόνων Landsat και η κάλυψή της (δηλ. Περίπου 180 χλμ.) ενδέχεται να περιορίσουν την εφαρμογή τους στη χαρτογράφηση ρυζιού. Αυτά θέτουν ένα πρόβλημα για τη χαρτογράφηση του ρυζιού, ειδικά όταν η περίοδος ενδιαφέροντος πέφτει σε περίοδο βροχών και κατά τη διάρκεια της οποίας τα σύννεφα επηρεάζουν σημαντικά την ποιότητα της εικόνας. Ένας άλλος παράγοντας, όπως η μεταβλητή τοπογραφία, θα επηρεάσει σημαντικά την οριοθέτηση των περιοχών του ρυζιού, καθώς η ανάκλαση της επιφάνειας από το έδαφος των λόφων μπορεί να επηρεαστεί από τις γειτονικές περιοχές. Στην εικόνα 2 φαίνεται η χαρτογράφηση ποικιλιών ρυζιού με τη μέθοδο MODIS.

Εικόνα 2: Καταγραφή με πράσινο χρώμα της καλλιέργειας ρυζιού με τη μέθοδο MODIS.


2. Πρόβλεψη και εκτίμηση

2.1 Μέθοδοι πρόβλεψης με βάση την τηλεπισκόπηση και την χρήση μικροκυμάτων. Αρκετές μελέτες έχουν διεξαχθεί από το 1990 για την πρόβλεψη καλλιέργειας ρυζιού χρησιμοποιώντας εικόνες μικροκυμάτων και έχουν δείξει ενθαρρυντικά αποτελέσματα.

2.2 Οι ερευνητές έχουν αφιερώσει σημαντικές προσπάθειες για την πρόβλεψη της απόδοσης ρυζιού χρησιμοποιώντας οπτικές εικόνες τηλεπισκόπησης. Η εκτίμηση της απόδοσης πριν από τη συγκομιδή θα μπορούσε να είναι δυνατή καθώς ορισμένες από τις φασματικές ζώνες των οπτικών δορυφόρων τηλεπισκόπησης θα ανταποκρίνονταν στις συνθήκες της βλάστησης. Έχουν χρησιμοποιηθεί διάφοροι δείκτες βλάστησης, όπως οι δείκτες NDVI, RVI, DVI, IPVI, SAVI, δείκτης κατάστασης βλάστησης (VCI), δείκτης υγείας βλάστησης (VHI), δείκτης κατάστασης θερμοκρασίας (TCI) (GNDVI).

2.3 Περιορισμοί μεθόδων πρόγνωσης βάσει τηλεπισκόπησης. Είναι πολύ σημαντικό να σημειωθεί ότι οι περιορισμοί που αναφέρθηκαν σχετικά με τις μεθόδους τηλεπισκόπησης για τη χαρτογράφηση ρυζιού θα μπορούσαν επίσης να ισχύουν και για την πρόβλεψη της απόδοσης του ρυζιού, επομένως θα πρέπει να βρεθεί μία λύση ώστε η ακρίβεια της απόδοσης να βελτιωθεί σημαντικώς.


3. Συνέργεια μεταξύ μεθόδων που βασίζονται στην τηλεπισκόπηση και άλλων μεθόδων 3.1 Συνέργεια μεταξύ μεθόδων που βασίζονται στην τηλεπισκόπηση και μετεωρολογικών παραμέτρων. Η προσέγγιση αυτή βασίζεται στην ενσωμάτωση των μετεωρολογικών παραμέτρων με μεθόδους τηλεπισκόπησης για την πρόβλεψη της απόδοσης / παραγωγής ρυζιού. Ένα παράδειγμα συνοψίζεται ως εξής: • Prasad et αϊ. χρησιμοποίησε εικόνα σύνθετου φάσματος 10 ημερών από εικόνες από NDVI που προέρχονται από το AVHRR και ενσωματώνει μετεωρολογικές παραμέτρους (δηλαδή θερμοκρασία επιφανείας και βροχοπτώσεις) και υγρασία εδάφους στην Ινδία. Μια μη γραμμική επαναληπτική προσέγγιση πολλαπλών μεταβλητών βελτιστοποίησης χρησιμοποιήθηκε για την εξαγωγή μιας εμπειρικής γραμμικής εξίσωσης πρόβλεψης απόδοσης καλλιεργειών. Το μοντέλο πρόβλεψης απόδοσης καλλιεργειών έδειξε υψηλό συντελεστή συσχέτισης που έφθασε την ακρίβεια μεγαλύτερη από 90%.

3.2 Συνέργεια μεταξύ μεθόδων που βασίζονται στην τηλεπισκόπηση και μοντέλου ανάπτυξης καλλιεργειών. Η ενσωμάτωση των δεδομένων τηλεπισκόπησης και των μοντέλων ανάπτυξης των καλλιεργειών ρυζιού αναγνωρίζεται ολοένα και περισσότερο ως πιθανό εργαλείο για την πρόβλεψη της απόδοσης ρυζιού. Αυτή η προσέγγιση βασίζεται στην ανάκτηση βιοφυσικών παραμέτρων καλλιέργειας από δεδομένα που έχουν ανιχνευθεί, τα οποία έχουν χρησιμοποιηθεί σε μοντέλα καλλιέργειας ρυζιού.

3.3 Περιορισμοί της συνέργειας μεταξύ μεθόδων που βασίζονται στην τηλεπισκόπηση και άλλων. Η συνέργεια μεταξύ των μεθόδων που βασίζονται στην τηλεπισκόπηση και άλλων (δηλαδή των μετεωρολογικών παραμέτρων και των μοντέλων ανάπτυξης καλλιεργειών) παρείχε πολλά υποσχόμενα αποτελέσματα όσον αφορά τόσο τη χαρτογράφηση και την πρόβλεψη της καλλιέργειας ρυζιού. Ωστόσο, έχουν αρκετούς περιορισμούς, όπως: (i) Η αξιοποίηση των μετεωρολογικών δεδομένων έχει διάφορες συνέπειες που περιλαμβάνουν: τη χωρική κατανομή των μετεωρολογικών σταθμών, ελλιπείς και μη διαθέσιμες εγκαίρως πληροφορίες οι οποίες δεν αντιπροσωπεύουν επαρκώς την ποικιλομορφία σε μεγάλες εκτάσεις . (ii) Η πρόβλεψη της παραγωγής ρυζιού κοντά στους μετεωρολογικούς σταθμούς μπορεί να είναι ακριβέστερη σε σύγκριση με άλλα μέρη του τοπίου, εάν τα μετεωρολογικά μοντέλα βαθμονομηθούν και επικυρωθούν σωστά. iii) Μακροπρόθεσμα μετεωρολογικά δεδομένα είναι δύσκολο να βρεθούν στις περισσότερες χώρες με καλλιέργειες ρυζιού στον κόσμο, οι οποίες είναι ανεπαρκείς για την αξιόπιστη πρόβλεψη της παραγωγής ρυζιού. (iv) Για τη δημιουργία της χωρικής δυναμικής, μια ενδιαφέρουσα μετεωρολογική μεταβλητή, συνήθως χρησιμοποιούνται τεχνικές παρεμβολής με βάση το GIS, οι οποίες μπορούν να παράγουν διαφορετικούς χάρτες χρησιμοποιώντας τα ίδια σύνολα δεδομένων εισόδου και (v) Τα μοντέλα ανάπτυξης καλλιεργειών είναι πιο περίπλοκα και απαιτούν πολλές παραμέτρους. Αυτές περιλαμβάνουν: αρκετές βιοφυσικές παραμέτρους (π.χ., εδαφικές και μετεωρολογικές μεταβλητές) και παραμέτρους εγκαταστάσεων (π.χ. βιομάζα, LAI και ύψος, ηλικία κ.λπ.) οι οποίες είναι συνήθως δαπανηρές.


Συμπεράσματα


Παρουσιάστηκε μια ανάλυση στο παρόν άρθρο της χρήσης αισθητήρων τηλεπισκόπησης και των περιορισμών τους στη χαρτογράφηση της περιοχής καλλιέργειας ρυζιού και στην πρόβλεψη της παραγωγής της. Όσον αφορά τη χαρτογράφηση των περιοχών του ρυζιού, οι οπτικές εικόνες τηλεπισκόπησης έχουν σχετικά χαμηλή χωρική διακριτική ικανότητα, με αποτέλεσμα την υπερβολική εκτίμηση αλλά και την υποεκτίμηση της καλλιεργούμενης έκτασης. Επιπλέον, η χρήση οπτικών εικόνων στην πρόβλεψη της παραγωγής ρυζιού βρέθηκε να είναι ενθαρρυντική, αλλά κυρίως εμπειρική. Απαιτούνται μελέτες για την αξιολόγηση της δυνατότητας εφαρμογής πολυετών δεδομένων τηλεπισκόπησης και για τον ποσοτικό προσδιορισμό των διαχρονικών διακυμάνσεων της παραγωγής τους λόγω ακραίων κλιματικών συμβάντων (π.χ. πλημμύρες, ξηρασία, κυκλώνας κ.λπ.) ή / και μεταβολές της χρήσης γης. Τέλος, πρέπει να διασφαλίζεται η διαθεσιμότητα των δορυφορικών δεδομένων. Η ανάπτυξη μεθόδων ταξινόμησης εικόνων πρέπει να είναι αποτελεσματική και εύκολη στην εφαρμογή.

Προσωπικά εργαλεία