Rice Monitoring Using Sentinel-1 Data in the Google Earth Engine Platform

Karwariya

J Indian Soc Remote Sens

2022

Flood is the major cause of fatalities associated with natural disasters in the world. In India especially in the state of Bihar, where about half of the area (North Bihar) gets flooded every year due to the overflow of major rivers during the rainy season. Which severely affects human lives, properties, agricultural production, farmers and their livelihood. Usually, the basins of the Kosi and Gandak rivers are known for their worst affects in Bihar. Synthetic aperture radar (SAR) is widely used for robust monitoring of flood events due to its ability to image the surface of the earth in all weather conditions. However, limited studies are available on flood patterns of Bihar and their impact on agriculture. Here, we investigated the flood extents and affected paddy rice fields for Bihar during the months of June–October (2020) using all accessible Sentinel-1 SAR and Sentinel-2 MSI images with additional supporting datasets available on the Google Earth Engine. The study showed that a large portion of Bihar (7019 km 2 ) was submerged during monsoon season. The floodwater remains in the agricultural fields for 50 to 65 days causing severe damage to the Kharif crops, mainly rice. The extreme effect of flood was seen in agricultural lands (11.23% of the total area) and populations (15.56% of the total population) in Bihar. Satellite-based identification of flood progression and affected rice fields can be helpful for decision-makers at the time of disaster to prioritize relief and rescue operations.

Section: Methodsmentioning

confidence: 99%

Google Earth Engine-Based Identification of Flood Extent and Flood-Affected Paddy Rice Fields Using Sentinel-2 MSI and Sentinel-1 SAR Data in Bihar State, India

Karwariya

J Indian Soc Remote Sens

2022

“…Dữ liệu Sentinel-1A được sử dụng trong nghiên cứu này có thể cung cấp hệ thống giám sát sự sinh trưởng và phát triển của cây lúa theo thời gian, có khả năng giám sát trên diện rộng của khu vực và trên toàn cầu. Do đó, việc sử dụng dữ liệu SAR để lập bản đồ ruộng lúa cần phải sử dụng dữ liệu đa thời gian [5], [18], [22]. Với sự phát triển không ngừng của các thuật toán học máy, các quy tắc học nội bộ và hệ thống phân cấp các dữ liệu mẫu, đã hoạt động tốt hơn trong hầu hết các thuật toán học máy so với thuật toán học máy truyền thống trong phân loại lớp phủ/sử dụng đất và phân loại cây trồng [5].…”

Section: đáNh Giá độ Chính Xác Mô Hình Dcnn Và Mô Hình ướC Tính Sinh Khối Lúaunclassified

“…Vụ Hè-Thu bắt đầu từ tháng sáu đến tháng mười, bao gồm các ngày (3, 12, 24 -tháng sáu; 6, 18, 30 -tháng bảy; 11, 23tháng tám; 4, 16, 28 -tháng chín; và 10 -tháng mười). Quá trình tiền xử lý dữ liệu ảnh được thực hiện trên phần mềm mã nguồn mở SNAP Desktop 8.0.5 được minh họa theo sơ đồ Hình 3.Hình 3: Sơ đồ các bước tiền xử lý dữ liệu Sentinel-1ATrong thập kỷ trở lại đây, các kỹ thuật và khả năng của dữ liệu Sentinel-1A đã được nghiên cứu để giám sát và ước tính định lượng sinh khối của cây trồng, cùng với đó đã có nhiều thuật toán xử lý ảnh được sử dụng để xác định các chỉ số vật lý nhạy cảm với thông tin của cây lúa được tính toán từ các phân cực (VH và VV) như đã được đề xuất trong nhiều nghiên cứu[3],[4],[18],[19].Cấu trúc của lúa (mở hoặc đóng) và điều kiện mực nước vào ngày thu nhận tín hiệu, có ảnh hưởng đến khối lượng tán xạ ngược của hai phân cực VH và VV. Trong nghiên cứu này, nhóm tác giả đã tính toán và lựa chọn các chỉ số vật lý được chiết tách từ dữ liệu Sentinel-1A sau khi đã tham khảo các nghiên cứu trước đây, bao gồm: VH, VV, VH-VV, VH+VV, VV-VH, VH×VV, (VH+VV)/2, sqrt(VV-VH), sqrt(VH×VV), sqrt(VV/VH) và sqrt((VH-VV)/(VH+VV)) tham gia vào mô hình ước tính định lượng sinh khối lúa (Hình 4).…”

unclassified

Giám sát lúa và ước tính sinh khối dựa trên thuật toán học máy với dữ liệu Sentinel-1a đa thời gian

Đỗ¹,

Nguyễn²,

Nguyễn³

et al. 2022

JGAC

Viễn thám radar khẩu độ tổng hợp (SAR) cung cấp một phương pháp tiếp cận linh hoạt và mang đến cơ hội thu thập thông tin cây trồng mà không bị hạn chế bởi các yếu tố điều kiện thời tiết. Khả năng ứng dụng của dữ liệu Sentinel-1 SAR với phân cực kép cho phép nhận diện các ruộng lúa riêng lẻ, và với chu kỳ chụp lặp đủ để giám sát tình trạng sinh trưởng của các loại cây trồng khác nhau. Trong những năm gần đây, với sự phát triển không ngừng của các thuật toán học máy, học sâu trên thế giới, đặc biệt là mạng nơ-ron tích chập (CNN) đã thu được nhiều kết quả tốt trong phát hiện và chiết tách thông tin trên ảnh viễn thám. Nghiên cứu này, đề xuất mô hình phân loại dựa trên mạng nơ-ron tích chập sâu (DCNN) để chiết tách ruộng lúa từ dữ liệu Sentinel-1 SAR. Các chỉ số vật lý đã được tính toán từ phân cực (VH và VV) và một đội di động kiểm tra hình thái sinh trưởng của cây lúa. Đối với kết quả trích xuất ruộng lúa được xác minh bằng độ chính xác tổng thể (OA) và xác nhận chéo (CV) đều đạt kết quả tốt trên 0,85. Trong khi đó, độ chính xác ước tính định lượng sinh khối lúa đạt kết quả cao ở cả hai vụ Đông-Xuân (R2=0,79; RMSE=0,12 kg) và Hè-Thu (R2=0,77; RMSE=0,15 kg). Kết quả chỉ ra rằng, việc sử dụng dữ liệu Sentinel-1 SAR có thể được áp dụng để lập bản đồ phân bố không gian và ước tính định lượng sinh khối của cây lúa trong các điều kiện thời tiết khác nhau. Khung phương pháp luận tổng hợp được phát triển trong nghiên cứu này, có thể được áp dụng trên các ruộng lúa trên khắp Việt Nam và các khu vực trồng lúa lớn tương tự trên thế giới.

“…Paddy rice fields appear as a black area in the VH image on the transplanting date (Fig. S2) because the water (flood) in the transplanting period decreases the VH backscatter coefficient values (Dineshkumar et al, 2019;Torbick et al, 2017). The VH and VV backscatter coefficients have a local minimum value during the transplanting period in all reference paddy rice fields (Fig.…”

Section: Analyzing the Characteristics Of Backscatter Coefficients From Paddy Ricementioning

confidence: 99%

NESEA-Rice10: high-resolution annual paddy rice maps for Northeast and Southeast Asia from 2017 to 2019

Han

Zhang

Luo

et al. 2021

Earth Syst. Sci. Data

Abstract. An accurate paddy rice map is crucial for ensuring food security, particularly for Southeast and Northeast Asia. MODIS satellite data are useful for mapping paddy rice at continental scales but have a mixed-pixel problem caused by the coarse spatial resolution. To reduce the mixed pixels, we designed a rule-based method for mapping paddy rice by integrating time series Sentinel-1 and MODIS data. We demonstrated the method by generating annual paddy rice maps for Southeast and Northeast Asia in 2017–2019 (NESEA-Rice10). We compared the resultant paddy rice maps with available agricultural statistics at subnational levels and existing rice maps for some countries. The results demonstrated that the linear coefficient of determination (R2) between our paddy rice maps and agricultural statistics ranged from 0.80 to 0.97. The paddy rice planting areas in 2017 were spatially consistent with the existing maps in Vietnam (R2=0.93) and Northeast China (R2=0.99). The spatial distribution of the 2017–2019 composite paddy rice map was consistent with that of the rice map from the International Rice Research Institute. The paddy rice planting area may have been underestimated in the region in which the flooding signal was not strong. The dataset is useful for water resource management, rice growth, and yield monitoring. The full product is publicly available at https://doi.org/10.5281/zenodo.5645344 (Han et al., 2021a). Small examples can be found from the following DOI: https://doi.org/10.17632/cnc3tkbwcm.1 (Han et al., 2021b).