Valutare i danni alle coltivazioni di riso con immagini satellitari

Il riso è un alimento base per milioni di persone in Bangladesh. Purtroppo, disastri naturali come le ondate di calore possono danneggiare gravemente i raccolti di riso. Questo studio punta a trovare modi per rilevare i danni nei campi di riso usando Immagini Satellitari.

#Perché Questo Studio è Importante

Quando succede un disastro, è fondamentale sapere dove si sono verificati i danni. Questo aiuta ad agire per supportare gli agricoltori colpiti. Tradizionalmente, raccogliere dati su questi danni richiede molto tempo e risorse. Usando immagini satellitari, possiamo identificare automaticamente le aree colpite, risparmiando tempo e fatica.

#Cos'è l'NDVI?

Uno degli strumenti chiave usati in questo studio è un metodo chiamato NDVI (Normalized Difference Vegetation Index). L'NDVI aiuta a valutare quanto verde c'è in un'area specifica. Le piante sane riflettono meno luce visibile e più luce infrarossa, mentre le piante malate o rade riflettono più luce visibile e meno infrarossa. I valori NDVI vanno da -1 a +1, dove valori vicini a +1 indicano una vegetazione sana.

#Contesto

Studi precedenti hanno stimato la produzione di riso usando l'NDVI. Questo studio si concentra specificamente sulla coltura di riso, che spesso viene colpita da ondate di calore. L'ondata di calore del 4 aprile 2021 ha spinto gli autori a investigare il suo impatto sui campi di riso, in particolare in aree dove era stata fatta poca ricerca.

#Come Funziona Questo Studio

Per condurre questa ricerca, sono state utilizzate immagini satellitari di Sentinel-2, che fornisce immagini ad alta risoluzione. Lo studio analizza immagini prima e dopo l'ondata di calore per identificare i cambiamenti nei campi di riso.

#Raccolta Dati

I dati satellitari sono stati raccolti usando Google Earth Engine, che offre accesso a vari dataset geospaziali. Per questo studio, sono stati selezionati tre distretti del Bangladesh basati su rapporti di danni agricoli causati dall'ondata di calore: Sunamganj, Kishoreganj e Netrokona.

#Preparazione dei Dati

I ricercatori hanno preparato i dati calcolando i valori NDVI dalle immagini satellitari. Hanno esaminato in particolare la differenza nei valori NDVI prima e dopo il disastro per identificare aree con potenziale Perdita di raccolto. Le aree con valori NDVI al di sotto di una soglia specifica sono state contrassegnate come colpite.

#Verifica sul Campo

Per garantire che i dati NDVI rispecchiassero accuratamente la realtà sul campo, i ricercatori hanno visitato i campi selezionati e hanno consultato agricoltori locali. Durante queste visite, hanno chiesto agli agricoltori delle loro esperienze con la perdita di raccolto. Questo processo di verifica ha confermato che i valori NDVI indicavano effettivamente aree che avevano subito perdite.

#Risultati Chiave dagli Agricoltori

Gli agricoltori hanno confermato:

• Tutte le aree selezionate erano campi di riso dove coltivano principalmente riso boro.
• Nel 2021, hanno subito perdite significative a causa dell'ondata di calore.
• Nel 2020, non ci sono stati disastri maggiori che hanno colpito i loro raccolti.
• Nel 2019, molti agricoltori hanno segnalato danni da una grandinata, che ha causato danni più estesi rispetto all'ondata di calore.

#Impostazione Sperimentale

I ricercatori si sono ora dedicati a sperimentare con le immagini satellitari raccolte. Hanno esportato immagini che mostrano le differenze in RGB (Rosso, Verde, Blu) e FCI (False Color Infrared) per capire meglio quale metodo fornisse indicazioni più chiare sulle perdite di raccolto.

#Elaborazione Immagini

Le immagini satellitari sono state elaborate per migliorare le differenze tra gli scenari pre-disastro e post-disastro. Queste immagini sono poi state suddivise in segmenti più piccoli per addestrare un modello di deep learning.

#Addestramento del Modello

Due tipi di immagini sono stati utilizzati per addestrare il modello: immagini RGB e immagini FCI. Ogni tipo è stato sottoposto a un processo di addestramento in cui il modello ha imparato a identificare le aree di perdita di raccolto in base alle immagini fornite.

#Metriche di Valutazione

L'efficacia del modello è stata misurata usando metriche come IoU (Intersection over Union). IoU valuta quanto bene le previsioni del modello corrispondano ai dati reali. Un punteggio vicino a 1 indica una maggiore accuratezza del modello.

#Risultati

La ricerca ha rivelato che sia le immagini RGB che quelle FCI possono essere utilizzate per identificare le perdite di raccolto di riso. Tuttavia, le immagini FCI generalmente hanno fornito risultati migliori. In particolare, le immagini FCI hanno ottenuto un punteggio IoU di 0.81 rispetto a 0.77 delle immagini RGB. Questo significa che le FCI erano leggermente più efficaci nell'indicare le aree dove i raccolti di riso erano stati colpiti.

#Trend Annuali

Analizzando i dati annuali:

• Nel 2019, il modello ha funzionato bene grazie agli impatti della grandinata.
• Nel 2020, le prestazioni del modello sono state decentemente, ma ha faticato a identificare con precisione specifiche aree di perdita.
• Nel 2021, il modello ha avuto più difficoltà a causa degli effetti unici dell'ondata di calore, mostrando le sfide nell'uso delle immagini satellitari per diversi tipi di disastri.

#Conclusione

Questo studio fornisce un nuovo approccio per valutare le perdite di raccolto di riso usando immagini satellitari. Confrontando i valori NDVI prima e dopo un disastro, i ricercatori sono stati in grado di addestrare un modello che aiuta a identificare automaticamente le aree colpite. Anche se ci sono state sfide in termini di accuratezza a seconda del tipo di disastro, l'efficacia complessiva delle immagini satellitari per questo scopo è promettente.

#Direzioni Future

I ricercatori mirano a migliorare ulteriormente questo modello, particolarmente per situazioni in cui la copertura nuvolosa potrebbe oscurare la visibilità. Intendono esplorare l'uso di dati radar ad apertura sintetica (SAR) che rimangono efficaci anche in condizioni nuvolose, il che potrebbe migliorare gli sforzi di valutazione dei disastri.

#Importanza della Ricerca

Questa ricerca non solo aiuta nella gestione dei disastri, ma ha anche il potenziale per migliorare le pratiche agricole in Bangladesh. Identificando con precisione le perdite di raccolto, possono essere adottate misure appropriate per supportare gli agricoltori, garantendo la sicurezza alimentare nella regione.