El equipo de investigación del Instituto de Información Aeroespacial de la Academia China de Ciencias (AIR) ha publicado exitosamente el primer mapa de distribución de arroz de alta resolución en África, con una resolución de 20 metros. Este conjunto de datos de 2023 se ha publicado en "Earth System Science Data" y cubre exhaustivamente los países africanos con áreas de cultivo de arroz a nivel nacional superiores a 5.000 hectáreas.

La investigación muestra que la precisión media de clasificación del mapa de distribución de arroz supera el 85%, y la correlación lineal (R²) con los datos estadísticos nacionales es superior a 0,9. Actualmente, este conjunto de datos se ha abierto al mundo académico global y se espera que juegue un papel importante en el apoyo a la evaluación del Objetivo de Desarrollo Sostenible 2 (SDG2) de "Cero Hambre" de la ONU.

El arroz, como el tercer cultivo alimentario principal en África, tiene un significado estratégico para garantizar la seguridad alimentaria regional. Aunque la producción de arroz en África representa solo el 4,7% de la producción global, la demanda crece a una velocidad superior al 6% anual, más rápido que otros cultivos alimentarios principales. Para satisfacer esta demanda, los países africanos han ampliado en promedio 400.000 hectáreas de tierra arable al año en los últimos treinta años. En 2023, el Centro de Arroz de África lanzó la "Estrategia de Investigación e Innovación del Arroz en África para 2030", con el objetivo de fortalecer el cultivo de arroz.

Sin embargo, el cultivo de arroz en África enfrenta muchos desafíos. El continente africano tiene un clima diverso, temporadas de cultivo variadas y predomina el arroz de secano, careciendo de señales de inundación comunes en sistemas de riego, lo que hace que el mapeo basado en fenología sea extremadamente difícil, complicando el dibujo de mapas de distribución de arroz. Además, los productos existentes de distribución de arroz en la región tienen una resolución baja (menos de 5 km), y la topografía y los métodos de cultivo variables aumentan aún más la dificultad de la medición.

Para enfrentar estos desafíos, los investigadores desarrollaron innovadoramente un método que combina las características de retrodispersión del radar de apertura sintética de polarización dual (SAR) con algoritmos de aprendizaje automático. Su marco se llama "Localización gruesa basada en retrodispersión, seguida de clasificación fina de series temporales multi-fuente", que puede lograr mapeo preciso en regiones con ciclos de cultivo y sistemas de secano diversificados. Al mismo tiempo, el equipo propuso un clasificador de importancia de características orientado a objetos, superando las técnicas ópticas tradicionales.

Esta investigación se espera que proporcione un fuerte apoyo para la formulación de políticas de seguridad alimentaria en África y otras regiones, la investigación agrícola y el monitoreo de los objetivos de desarrollo sostenible.