📄 agriculture

Rice evapotranspiration estimation and irrigation optimization based on coupling UAV multispectral and thermal infrared imagery with the FAO-56 model

Deze studie stelt een nieuw kader voor dat UAV-multispectrale en thermische infraroodbeelden integreert met het FAO-56-model en NSGA-II-optimalisatie om de evapotranspiratie van rijst nauwkeurig te schatten en optimale water-stikstofbeheersingsstrategieën te identificeren die een balans vinden tussen hoge opbrengst, efficiëntie van hulpbronnen en lage broeikasgasemissies in de koude zwarte bodemregio van Noordwest-China.

Oorspronkelijke auteurs: Yan Sha, Tianyang Gao, Aizheng Yang, Xiaofang Wang, Shengbo Li, Lei Ma, Nan Chai, Mo Li

Gepubliceerd 2026-08-13

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Yan Sha, Tianyang Gao, Aizheng Yang, Xiaofang Wang, Shengbo Li, Lei Ma, Nan Chai, Mo Li

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een chef-kok bent die probeert de perfecte kom rijst te koken. Je weet dat water en meststof de geheime ingrediënten zijn, maar het krijgen van de juiste balans is lastig. Te veel water, en de rijst wordt zompig; te weinig, en hij is hard en verdrietig. Te veel meststof, en je verspilt geld en vervuilt de lucht; te weinig, en de rijst blijft klein. Decennialang hebben boeren de juiste hoeveelheden geraden op basis van oude gewoonten en het weer. Dit is alsof je met een blinddoek op een bewegend doel probeert te raken. Dit is vooral moeilijk in koude gebieden waar het groeiseizoen kort is en het weer onvoorspelbaar is.

Wetenschappers hebben geprobeerd dit puzzelstukje op te lossen met een concept genaamd "evapotranspiratie". Denk aan dit als de persoonlijke zweetvoet van de rijstplant. Net zoals jij zweet wanneer je rent of wanneer het warm is, "zweten" planten water via hun bladeren om af te koelen en te groeien. Als je precies weet hoeveel een plant elke dag zweet, kun je precies genoeg water geven om hem gelukkig te houden zonder een druppel te verspillen. De grote vraag is: hoe meet je deze onzichtbare zweetproductie over een heel veld zonder door elke individuele plant te lopen? Hier begint het verhaal van hoogtechnologische landbouw, waarbij drones de ogen van de boer worden in data-rijke speeltuinen.

De Drone-detective en het Rijstzweet

In dit onderzoek besloot een team van onderzoekers in de koude zwartgrondregio's van Noordoost-China de rijstbouw te upgraden van een "gokspel" naar "precisiewetenschap". Ze wilden uitzoeken hoeveel water en meststof rijst precies nodig heeft om groot te groeien, water te besparen en de planeet koel te houden, allemaal tegelijkertijd. Hiervoor bouwden ze een hoogtechnologisch systeem dat vliegende robots (drones), ingewikkelde wiskunde en een klassiek landbouwhandboek combineert.

De Vliegende Ogen
De onderzoekers stuurden twee soorten drones over hun rijstvelden. De ene drone droeg een "multispectrale" camera, die kleuren ziet die mensen niet kunnen zien, zoals de specifiek groene tinten die ons vertellen hoe gezond de bladeren zijn. De andere drone droeg een "thermische" camera, die hitte ziet. Dit is cruciaal omdat een dorstige plant heter wordt, net zoals je huid heet wordt wanneer je koorts hebt. Door naar de hitte en de groenheid van de rijst te kijken, konden de drones precies zien hoeveel de planten "zwettten" (evapotranspiratie) op een gegeven dag.

Het Oude Regelboek versus Nieuwe Data
Normaal gesproken gebruiken boeren een beroemde gids genaamd het FAO-56 model om waterbehoeften te raden. Denk aan dit model als een standaard receptenboek. Maar standaard recepten houden geen rekening met het feit dat het vandaag warmer kan zijn dan gisteren, of dat één stukje rijst dorstiger kan zijn dan het volgende. De onderzoekers realiseerden zich dat ze, in plaats van blindelings het recept te volgen, de dronegegevens konden gebruiken om het recept in realtime te updaten. Ze gebruikten de "groenheid"-metingen van de drone om te bepalen hoeveel van de grond bedekt was met bladeren, en de "hitte"-metingen om te zien of de planten gestrest waren. Dit stelde hen in staat om de dagelijkse waterbehoeften met veel hogere nauwkeurigheid te berekenen dan voorheen.

De Balansact
Zodra ze precies wisten hoeveel water de rijst verbruikte, stonden ze voor een lastig wiskundig probleem. Ze wilden het "Gouden Midden" vinden dat zou:

De grootste oogst opleveren.
De minste hoeveelheid water gebruiken.
De minste hoeveelheid meststof gebruiken.
De minste hoeveelheid broeikasgassen produceren (die de planeet opwarmen).

Het probleem is dat deze doelen vaak met elkaar in strijd zijn. Om de grootste oogst te krijgen, heb je meestal meer water en meststof nodig, wat meer vervuiling creëert. Om water te besparen, krijg je misschien een kleinere oogst. Om dit op te lossen, gebruikten de onderzoekers een superintelligent computeralgoritme (genaamd NSGA-II) dat fungeerde als een scheidsrechter, door duizenden verschillende combinaties te testen om de beste mogelijke compromis te vinden.

Wat Ze Vonden
De studie bevestigde dat water en meststof samenwerken als een dansduo; als er één uit de pas loopt, lijdt het hele optreden eronder. Ze ontdekten dat:

De Beste Combinatie voor Opbrengst: Het geven van 80% van de maximale hoeveelheid water en 155 kg/ha stikstofmeststof produceerde de meeste rijst (ongeveer 11.883 kg per hectare).
De Beste Allrounder: Echter, de "perfecte" oplossing was niet degene met de meeste rijst. De computer vond een "Scenario S5" dat de beste algemene balans vormde. Dit plan riep op tot 66_69,94 mm irrigatie en 117,48 kg/ha stikstof.
Het Resultaat: Dit gebalanceerde plan produceerde een enorme 11.473,43 kg/ha rijst (bijna evenveel als de maximale!), maar het gebruikte minder water en meststof, en hield de milieu-impact lager.

Waarom het Ertoe Doet
De onderzoekers ontdekten dat hun drone-gebaseerde systeem ongelooflijk nauwkeurig was. Wanneer ze hun droneberekeningen vergeleken met het werkelijke water dat in de bodem werd gemeten, kwamen de cijfers overeen met een correlatie van 0,89 (een zeer sterke match). Dit betekent dat de drones het "zweet" van de rijst bijna perfect konden voorspellen.

Ze bewezen ook dat je niet hoeft te kiezen tussen een grote oogst en een schone planeet. Door realtime dronegegevens te gebruiken om de watergift en de meststof te sturen, kunnen boeren stoppen met gokken en beginnen met optimaliseren. In plaats van water en meststof volgens een schema te geven dat misschien niet klopt, kunnen ze de rijst geven wat het precies nodig heeft, precies wanneer het dat nodig heeft.

Uiteindelijk suggereert dit onderzoek dat de toekomst van de landbouw in koude regio's niet gaat over harder werken, maar over slimmer kijken. Door drones de ogen te laten zijn en computers het brein, kunnen boeren meer voedsel verbouwen, kostbaar water besparen en de lucht schoner houden, zonder dat dit ten koste gaat van de omvang van hun oogst. Het is een win-win-win voor de rijst, de boer en de planeet.

Technische Samenvatting: Schatting van de Verdamping van Rijst en Irrigatieoptimalisatie via UAV-FAO-56 Koppeling

Probleemstelling
De rijstproductie in de koude zwarte bodemregio's van Noordoost-China staat voor een kritieke uitdaging: het balanceren van voedselzekerheid met milieustabiliteit. Huidige water- en stikstofbeheerpraktijken leunen zwaar op empirische, op ervaring gebaseerde beslissingen en uniforme inputs. Deze statische benaderingen houden geen rekening met de zeer dynamische ruimtelijke en temporele variaties in bodemcondities, gewasgroei en water-stikstofbehoeften, met name in koude regio's waar de bodemwarmte in de vroege fase onvoldoende is en meteorologische factoren fluctueren. Deze discrepantie leidt tot waterverspilling, een lage stikstofgebruiksefficiëntie en verhoogde broeikasgasemissies (BKG). Bovendien hebben bestaande methoden voor de schatting van de evapotranspiratie (ET) vaak moeite met nauwkeurigheid in rijstpoldersystemen vanwege de complexe interactie tussen bodemverdamping, gewastranspiratie en oppervlaktewater, en veel studies slagen er niet in om de kloof te overbruggen tussen remote sensing-gegevensretrieval en actieve, multi-objectieve irrigatieoptimalisatie.

Methodologie
Deze studie stelt een nieuw kader voor dat Unmanned Aerial Vehicle (UAV) remote sensing integreert met het FAO-56 dual crop coefficient model en het NSGA-II multi-objectieve optimalisatiealgoritme.

Experimenteel Ontwerp: Veldexperimenten werden uitgevoerd bij Farm 856 in Heilongjiang Provincie (2025) met behulp van een split-plot ontwerp. De hoofdplots omvatten vier gecontroleerde irrigatie-ondergrens drempelwaarden (60%, 70%, 80%, 90% van de bodemvochtigheid), en de subplots omvatten vier stikstoftoedieningspercentages (0, 110, 155 en 200 kg/ha).
Data-acquisitie: UAV's (DJI Mavic 3 Multispectraal en DJI Matrice 30T) legden hoogresolutie multispectrale en thermische infraroodbeelden vast op een hoogte van 30 m tijdens cruciale groeistadia. Grondwaarheidgegevens, inclus\n bij de bodemvochtigheid, bladindex (LAI) en broeikasgasfluxen, werden gelijktijdig verzameld.
ETc Schattingskader: De studie maakte gebruik van de FAO-56 dual crop coefficient benadering ( $ET_c = K_s \times K_{cb} \times ET_0$ $E T_{c} = K_{s} \times K_{c b} \times E T_{0}$ ).
- Basale Gewascoëfficiënt ( $K_{cb}$ ): Teruggevonden met behulp van multispectrale vegetatie-indices (NDVI, SAVI, EVI) om de fractie van de vegetatiebedekking te schatten.
- Waterstresscoëfficiënt ( $K_s$ ): Gekwantificeerd met behulp van de Crop Water Stress Index (CWSI), afgeleid van thermische infrarode canopy-temperaturen.
- Validatie: De geschatte dagelijkse $ET_c$ werd gevalideerd tegen de werkelijke evapotranspiratie ( $ET_a$ ) berekend via de bodemwaterbalansvergelijking.
Multi-Objectieve Optimalisatie: Een NSGA-II model werd ontwikkeld om water-stikstofbeheer te optimaliseren. Het model had als doel tegelijkertijd:
- De graanopbrengst te maximaliseren.
- De Irrigatiewatergebruiksefficiëntie (IWUE) te maximaliseren.
- De Partiële Factor Productiviteit van Stikstof (PFPN) te maximaliseren.
- Het Mondiale Opwarmingspotentieel (GWP) te minimaliseren.
- De beslissingsvariabelen omvatten de dagelijkse netto irrigatiehoeveelheden en stikstoftoedieningspercentages, beperkt door gewaswaterbehoeften, beschikbare waterbronnen en lokale meststoflimieten.

Belangrijkste Resultaten

Modelprestaties: De koppeling van UAV multispectrale en thermische data verbeterde de nauwkeurigheid van de ET-schatting aanzienlijk. Het NDVI-CWSI gekoppelde model behaalde de hoogste prestaties met een $R^2$ van 0,89 en een Root Mean Square Error (RMSE) van 0,39 mm/dag, wat een reductie van 10,3% in RMSE betekent vergeleken met traditionele methoden. NDVI vertoonde de sterkste correlatie met de basale gewascoëfficiënt ( $R^2 = 0,85$ ).
Behandelingseffecten: Water, stikstof en hun interacties beïnvloedden de opbrengst, IWUE, PFPN en GWP significant. Hoewel behandelingen W3N2 (80% vocht + 155 kg N/ha) en W3N3 (80% vocht + 200 kg N/ha) de hoogste opbrengsten produceerden (~11.883 en ~11.436 kg/ha, respectievelijk), vertoonde de W2N1 behandeling (70% vocht + 110 kg N/ha) de beste integrale prestaties met een TCQ-waarde van 0,65.
Optimalisatieuitkomsten: De multi-objectieve optimalisatie onthulde duidelijke trade-offs tussen opbrengst, efficiëntie en emissies. Scenario S5 werd geïdentificeerd als de optimale oplossing, die de hoogste coördinatiegraad (0,86) bood. Dit scenario adviseerde een irrigatiehoeveelheid van 669,94 mm en een stikstofpercentage van 117,48 kg/ha, met een voorspelde opbrengst van 11.473,43 kg/ha met een IWUE van 1,71 kg/m³ en een GWP van 12.473,54 kg CO₂-eq/ha.

Betekenis en Claims
De auteurs stellen dat deze studie een robuust methodologisch kader biedt voor de verschuiving van rijstbeheer van statische, empirische schema's naar dynamische, datagestuurde precisielandbouw. Door UAV-afgeleide evapotranspiratie te koppelen aan multi-objectieve optimalisatie, toont de studie aan dat het mogelijk is om concurrerende doelen van hoge opbrengst, hulpbronenefficiëntie en emissiereductie in rijstproductie in koude regio's te verenigen.

Specifiek beweren zij dat:

Verbetering van Nauwkeurigheid: De NDVI-CWSI gekoppelde benadering overwint effectief de beperkingen van traditionele modellen in rijstvelden, door de precisie op dagelijkse schaal te bieden die nodig is voor dynamische water-stikstofregulatie.
Besluitvormingsondersteuning: De integratie van real-time gewasconsumptiedata in het NSGA-II model maakt de generatie van actiegerichte irrigatieschema's mogelijk die economische en milieutechnische voordelen balanceren, waarbij de valkuilen van single-objective optimalisatie worden vermeden.
Regionale Toepasbaarheid: Het kader biedt een levensvatbaar pad voor het verbeteren van de water-stikstofcoördinatie in koude regio's, waar korte groeiseizoenen en specifieke klimatologische beperkingen nauwkeurig beheer cruciaal maken voor duurzame productie.

De studie concludeert dat hoewel er onzekerheden blijven bestaan met betrekking tot de overdraagbaarheid van parameters en de verdeling van bodemverdamping, het voorgestelde UAV-FAO-56-NSGA-II framework betrouwbare datastructuur biedt voor de ontwikkeling van groene, hoogproductieve en precieze irrigatiestrategieën voor rijst in koude regio's.

De Drone-detective en het Rijstzweet

Technische Samenvatting: Schatting van de Verdamping van Rijst en Irrigatieoptimalisatie via UAV-FAO-56 Koppeling

Meer zoals dit