欢迎您访问《智慧农业（中英文）》官方网站！ English
智慧农业

智慧农业 >

2025 , Vol. 7 >Issue 2: 81 - 94

DOI: https://doi.org/10.12133/j.smartag.SA202502003

专题--粮食生产大数据平台研发与应用

基于Sentinel 1/2和GEE的水稻种植面积提取方法——以杭嘉湖平原为例

  • 鄂海林 1, 2 ,
  • 周德成 , 1 ,
  • 李坤 3, 4
展开
  • 1. 南京信息工程大学 生态与应用气象学院，江苏 南京 210044，中国
  • 2. 中科卫星应用德清研究院 全省微波空间智能云计算重点实验室，浙江 湖州 313200，中国
  • 3. 中国科学院空天信息创新研究院，北京 100094，中国
  • 4. 中国科学院大学 资源与环境学院，北京 100049，中国
周德成，博士，副教授，研究方向为全球变化与城市气象。E-mail：

鄂海林，硕士研究生，工程师，研究方向为农业遥感。E-mail：

收稿日期: 2025-02-08

  网络出版日期: 2025-04-29

基金资助

国家民用空间基础设施陆地观测卫星共性应用支撑平台(2017-000052-73-01-001735)

收起

Extracting Method of the Cultivation Aera of Rice Based on Sentinel-1/2 and Google Earth Engine (GEE): A Case Study of the Hangjiahu Plain

  • E Hailin 1, 2 ,
  • ZHOU Decheng , 1 ,
  • LI Kun 3, 4
Expand
  • 1. School of Ecology and Applied Meteorology, Nanjing University of Information Science and Technology, Nanjing 210044, China
  • 2. Laboratory for Microwave Spatial Intelligence and Cloud Platform, Deqing Academy of Satellite Applications, Huzhou 313200, China
  • 3. Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100094, China
  • 4. College of Resources and Environment, University of Chinese Academy of Sciences, Beijing 100049, China
ZHOU Decheng, E-mail:

E Hailin, E-mail:

Received date: 2025-02-08

  Online published: 2025-04-29

Supported by

Common Application Support Platform for National Civil Space Infrastructure Land Observation Satellites(2017-000052-73-01-001735)

Copyright

copyright©2025 by the authors
Fold

摘要

【目的/意义】 水稻是中国的主要作物之一，准确提取水稻面积对保障粮食安全、温室气体排放管理、水资源调配及生态保护至关重要。光学与微波遥感数据融合是水稻监测主要发展趋势，但现有研究大多依赖传统的物候学特征（如移栽期），忽视了植被和水体指数在水稻生长全过程中的整体动态变化特征。为了快速、准确地获取水稻种植分布、面积等信息，以中国典型水稻种植区—杭嘉湖平原为例，研发了一种基于Sentinel-1/2数据和Google Earth Engine（GEE）云计算平台的水稻种植面积提取方法，即NDVI-SDWI 动态融合水稻识别方法（Dynamic NDVI-SDWI Fusion Method for Rice Mapping, DNSF-Rice）。 【方法】 首先，通过Sentinel-2归一化植被指数（Normalized Difference Vegetation Index, NDVI）时间序列，基于阈值分割获取水稻种植潜在分布范围；其次，通过Sentinel-1双极化水体指数（Sentinel-1 Dual-Polarized Water Index, SDWI）时间序列，分析其在水稻生长周期内的动态变化特征，构建阈值分割算法获取基于微波数据的水稻种植分布；最后，将上述结果的交集作为最终水稻分布范围，构建了杭嘉湖平原2019—2023年10 m空间分辨率的水稻种植分布图。此外，利用地面实测数据和统计数据对提取结果进行了精度验证，并与其他产品进行了对比分析。［结果与讨论］本研究所提取的水稻种植分布图总体精度均达96%以上，F1得分超过0.96，水稻种植面积整体呈逐年增长的趋势，提取面积与统计数据具有高度的一致性，优于其他相关产品。 【结论】 DNSF-Rice水稻识别方法基于GEE云平台，结合了光学和合成孔径雷达（Synthetic Aperture Radar, SAR）时间序列数据的优势，利用了NDVI和SDWI在水稻生长全过程中的整体动态变化特征，为高效、精确监测水稻种植面积提供了新的思路。

关键词： 遥感; GEE; 种植面积提取; Sentinel-1; 合成孔径雷达; 归一化植被指数

本文引用格式

鄂海林 , 周德成 , 李坤 . 基于Sentinel 1/2和GEE的水稻种植面积提取方法——以杭嘉湖平原为例[J]. 智慧农业, 2025 , 7(2) : 81 -94 . DOI: 10.12133/j.smartag.SA202502003

Abstract

[Objective] Accurate monitoring of rice planting areas is vital for ensuring national food security, evaluating greenhouse gas emissions, optimizing water resource allocation, and maintaining agricultural ecosystems. In recent years, the integration of remote sensing technologies—particularly the fusion of optical and synthetic aperture radar (SAR) data—has significantly enhanced the capacity to monitor crop distribution, even under challenging weather conditions. However, many current studies still rely heavily on phenological features captured at specific key stages, such as the transplanting phase, while overlooking the complete temporal dynamics of vegetation and water-related indices throughout the entire rice growth cycle. There is an urgent need for a method that fully leverages the time-series characteristics of remote sensing indices to enable accurate, scalable, and timely rice mapping. [Methods] Focusing on the Hangjiahu Plain, a typical rice-growing region in eastern China, a novel approach—dynamic NDVI-SDWI Fusion method for rice mapping (DNSF-Rice) was proposed in this research to accurately extract rice planting areas by synergistically integrating Sentinel-1 SAR and Sentinel-2 optical imagery on the google earth engine (GEE) platform. The methodological framework included the following three steps: First, using Sentinel-2 imagery, a time series of the normalized difference vegetation index (NDVI) was constructed. By analyzing its temporal dynamics across key rice growth stages, potential rice planting areas were identified through a threshold-based classification method; Second, a time series of the Sentinel-1 dual-polarized water index (SDWI) was generated to analyze its dynamic changes throughout the rice growth cycle. A thresholding algorithm was then applied to extract rice field distribution based on microwave data, considering the significant irrigation involved in rice cultivation; Finally, the spatial intersection of the NDVI-derived and SDWI-derived results was intersected to generate the final rice planting map. This step ensures that only pixels exhibiting both vegetation growth and irrigation signals were classified as rice. The classification datasets spanned five consecutive years from 2019 to 2023, with a spatial resolution of 10 m. [Results and Discussions] The proposed method demonstrated high accuracy and robust performance in mapping rice planting areas. Over the study period, the method achieved an overall accuracy of over 96% and an F1-Score exceeding 0.96, outperforming several benchmark products in terms of spatial consistency and precision. The integration of NDVI and SDWI time-series features enabled effective identification of rice fields, even under the challenging conditions of frequent cloud cover and variable precipitation typical in the study area. Interannual analysis revealed a consistent increase in rice planting areas across the Hangjiahu Plain from 2019 to 2023. The remote sensing-based rice area estimates were in strong agreement with official agricultural statistics, further validating the reliability of the proposed method. The fusion of optical and SAR data proved to be a valuable strategy, effectively compensating for the limitations inherent in single-source imagery, especially during the cloudy and rainy seasons when optical imagery alone was often insufficient. Furthermore, the use of GEE facilitated the rapid processing of large-scale time-series data, supporting the operational scalability required for regional rice monitoring. This study emphasized the critical importance of capturing the full temporal dynamics of both vegetation and water signals throughout the entire rice growth cycle, rather than relying solely on fixed phenological stages. [Conclusions] By leveraging the complementary advantages of optical and SAR imagery and utilizing the complete time-series behavior of NDVI and SDWI indices, the proposed approach successfully mapped rice planting areas across a complex monsoon climate region over a five-year period. The method has been proven to be stable, reproducible, and adaptable for large-scale agricultural monitoring applications.

Key words： remote sensing; GEE; cultivation aera extraction; Sentinel-1; SAR; NDVI

0 引 言

水稻作为全球主要粮食作物之一，占全球粮食产量的8%［1］，在保障全球粮食安全和维持可持续农业系统方面发挥着重要作用。同时，水稻种植对温室气体排放和水资源管理［2-4］具有显著影响。稻田作为人工改造湿地，为野生动物提供栖息地［5］，在生物多样性保护方面具有不可忽视的作用。因此，及时准确地掌握水稻种植的空间分布信息，不仅对全球的粮食安全至关重要，而且对温室气体排放评估、水资源调控和生态保护具有深远意义。
自21世纪以来，浙江省的水稻种植面积大幅度波动下降［6］，作为全国第二大粮食主销省，其粮食自给率仅为36%［7］。随着经济的快速发展和人口的持续增长，粮食供需缺口不断扩大，粮食安全面临严峻挑战。杭嘉湖平原作为浙江省重要的水稻主产区，其水稻种植面积变化的监测对保障粮食安全、温室气体排放管理、水资源调配及生态保护至关重要。近年来研究发现，该地区碳排放量较高［8, 9］，部分原因可能与农业生产活动，特别是水稻种植过程中的甲烷排放密切相关。因此，监测该地区水稻种植面积变化不仅有助于粮食安全评估，也可为碳排放控制和低碳农业的实施提供了重要的数据支持。传统的地面调查方法难以满足大尺度、长时间序列的监测需求，而遥感技术凭借其快速、准确、省时省力的优势，在水稻制图与动态监测领域中得到了广泛应用［10, 11］ 。
目前，水稻种植面积提取主要依赖光学和合成孔径雷达（Synthetic Aperture Radar, SAR）数据［12］。光学数据（如MODIS、Landsat和Sentinel-2）提供了丰富的植被和水体信息，广泛应用于基于植被和水体指数的水稻识别［13-15］。但光学数据易受云雨遮挡，导致关键生育期影像获取受限，从而影响水稻识别的有效性和精度。相比之下，SAR数据具备全天候、全天时观测能力，可穿透云层，尤其适用于监测移栽期稻田的灌水特征［11, 16-18］，在一定程度上弥补了光学数据的不足；然而，SAR数据易受散斑噪声影响［19］，且在水稻与湿地等类似地物［11］之间存在信号混淆，从而降低分类精度。
鉴于光学数据和SAR数据的互补性［20, 21］，二者的融合成为提高水稻识别精度的重要手段。研究表明，融合光学与SAR遥感数据的分类精度显著优于单一数据源［22］，进一步验证了两者协同在水稻识别中的应用潜力。与此同时，多源多时相遥感影像数据的应用逐渐成为水稻监测中的重要方向［23］。利用时间序列数据动态监测水稻在各生长阶段的变化，不仅可以全面、系统地描述水稻的生长过程，还能提供更丰富的光谱信息和完整的生长曲线，从而显著提升监测精度。
因此，光学与SAR数据的有效融合成为提升水稻识别精度的关键策略。但如何高效利用这些数据并进一步提高分类精度，仍然是该领域的关键问题。随着Google Earth Engine（GEE）云计算平台的广泛应用［24］，多源遥感数据得以高效处理，为大范围水稻种植面积提取提供了强大的技术支持，大幅提高了监测效率和精度。
基于水稻生长周期内水、土壤和植被的动态变化特征，现已有多种遥感分类方法应用于水稻监测［23, 25-27］，主要包括机器学习［28］、深度学习［29］、光谱时序曲线匹配法［16-18］、面向对象分类［30］，以及基于物候指数特征的分类方法。由于物候指数特征方法对样本需求低、计算效率高，且对时序变化敏感，已广泛应用于水稻制图研究。该方法利用水稻生长周期内关键时相的光学或SAR数据，通过计算植被指数（如归一化植被指数（Normalized Difference Vegetation Index, NDVI）、增强型植被指数（Enhanced Vegetation Index, EVI））和水体指数（如归一化差异水体指数（Normalized Difference Water Index, NDWI）、陆表水分指数（Land Surface Water Index, LSWI））等遥感指数，结合物候信息实现水稻种植区的精准识别和提取。
早期，Xiao等［31］发现水稻田在灌水和移栽期的NDWI显著高于NDVI，并成功应用于中国南部、南亚和东南亚的水稻分布绘制。后续研究通过引入地表温度（Land Surface Temperature, LST）［25］、优化水体指数（Normalized Weighted Difference Water Index, NWDWI）［32］，以及结合高分辨率Landsat和Sentinel-2影像［33, 34］，进一步提升了识别精度，拓展了该方法在温带、寒温带及多雨地区的适用性。另一方面，SAR数据在水稻识别中展现了新的应用思路，研究发现VH极化比VV极化更能揭示水稻灌水和生长动态［35, 36］。基于此，Zhan等［11］提出自动水稻制图方法（Automated Rice Mapping using Synthetic Aperture Radar Flooding Signals, ARM-SARFS），利用VH后向散射在移栽期前后的“V”字型变化特征实现水稻种植区的提取。
此外，随着光学与SAR数据的融合不断推进，基于物候指数特征分类方法的适用性进一步增强。Han等［37］通过融合MODIS植被指数（EVI/LSWI）与Sentinel-1 VH极化数据，捕捉到水稻移栽期的灌水特征，生成了2017—2019年东南亚与东北亚10 m分辨率水稻分布图，有效改善了MODIS混合像元问题，提升了制图精度。
近年来，Sentinel-1 SAR与Sentinel-2光学数据凭借其高时空分辨率、免费开放获取和协同观测能力，已被广泛应用于水稻种植区的识别，并通过结合物候指数特征方法进一步提升了制图精度。同时研究还表明，多物候期结合比单一物候期能更好地提高水稻识别的稳定性和精度［38］。Xu等［39］基于Sentinel-1时间序列数据和Sentinel-2数据，结合水稻移栽期和生长期的后向散射特征，提出了SAR-based Paddy Rice Index（SPRI）水稻识别指数，在多个气候和景观复杂区域实现高精度水稻识别。Kang等［40］基于GEE云平台，融合Sentinel-1/2数据，通过提取VH极化后向散射系数在移植、抽穗和成熟期的时序特征，实现了柬埔寨水稻面积高精度提取。乔树亭等［41］基于Sentinel-1/2数据和Sentinel-1双极化水体指数（Sentinel-1 Dual-Polarized Water Index, SDWI），结合不同生育期的NDVI数据组合分析各生育阶段的种植面积，实现水稻种植区提取，验证了SDWI在水稻识别中的潜力，为后续研究提供了新的方向。
尽管近年来相关研究与方法在提升水稻识别精度方面已取得诸多进展，尤其在多源数据融合与时序指数的协同应用方面展现出良好潜力，但仍存在以下不足：一是依赖特定物候期（如移栽期）的识别方法，在影像缺失或极端天气（如洪水灾害）情况下易受限制，并且忽视了水稻生长全过程的动态变化；二是光学与SAR数据融合方法的潜力尚未完全挖掘，现有算法仍面临计算复杂度高、数据处理效率低等挑战；三是基于光学数据的水体指数（如NDWI）易受云层干扰，而基于SAR数据的SDWI水体指数可有效弥补此缺陷，且SDWI在水稻识别中的应用潜力尚待进一步挖掘。
为此，本研究以杭嘉湖平原为研究区，基于Sentinel-1/2数据和GEE云计算平台，提出一种无需依赖特定物候期的水稻识别方法。研究目标包括四个方面：一是构建一种可在有限训练样本条件下实现高精度水稻识别的方法，提高大尺度遥感监测效率；二是融合光学与SAR数据，增强算法在复杂环境下的稳定性与适应性，提出一种NDVI-SDWI动态融合水稻识别方法（Dynamic NDVI-SDWI Fusion Method for Rice Mapping, DNSF-Rice）；三是提取2019—2023年杭嘉湖平原水稻种植面积，并分析其时空演变特征；四是与现有分类产品进行对比，从精度、空间分布一致性及细节表现等方面综合评估方法的有效性与推广价值。该方法利用NDVI和SDWI的整体动态变化特征，通过阈值分割实现水稻种植区的高精度识别。

1 研究区与数据

1.1　研究区概况

杭嘉湖平原位于浙江省北部，太湖以南，天目山以东，南濒钱塘江杭州湾，地理位置为北纬30°10′~31°10′，东经119°40′~121°16′，是浙江最大的堆积平原。研究区涵盖杭州市大部分地区（包括杭州市辖区、萧山区、余杭区）、湖州市东部（湖州市辖区、德清县）和嘉兴市全境，总面积约10 145 km2，具体如图1所示。该地区属亚热带季风型气候，年平均气温约16 ℃，丰沛的降水和适宜的气温为农业生产提供了得天独厚的自然条件，使杭嘉湖平原成为中国稻作文明的发源地，素有“江南水乡”和“鱼米之乡”之美誉。杭嘉湖平原主要种植制度为单季晚稻及迟中稻-冬小麦，一年轮番耕作。根据实地调研，杭嘉湖平原地区水稻的主要种植期为6月至11月。其中，6月至9月为播种、移栽、拔节和抽穗阶段，而10月至11月中下旬则为水稻的成熟和收割阶段。
图 1 杭嘉湖平原位置与野外采样点空间分布

注：该图基于自然资源部标准地图服务网站下载的审图号为GS（2024）0650号标准地图制作，底图无修改。

Fig. 1 Spatial distribution of field sampling sites and the location of the Hangjiahu Plain

1.2　数据获取及预处理

1.2.1　Sentinel-1/2卫星数据及处理

本研究使用了Sentinel-1 Ground Range Detected （GRD、Level-1）产品的VV和VH极化影像和Sentinel-2 Level-2A表面反射率（SR）产品（数据集：COPERNICUS/S2_SR_HARMONIZED），具体见表 1所示。所有数据均通过GEE云平台进行在线访问与处理，利用其强大的数据处理能力，支持复杂的空间分析和时序监测，从而确保研究结果的可靠性。
表 1 杭嘉湖平原水稻种植分布研究影像信息

Table 1 Imagery data for the study of rice planting distribution in the Hangjiahu Plain

参数 Sentinel-1 SAR GRD Sentinel-2 Level-2A
年份 2019—2023年 2019—2023年
时间范围 6月—12月 6月—12月（2020年为次年1月）
含云量 —— <30%
成像模式 IW ——
极化模式/波段 VV、VH B2、B3、B4、B8

注：——表示该参数在对应传感器中不适用或无相关设置。

在Sentinel-1 SAR影像预处理中，GEE云平台获取的数据已完成每幅影像热噪声去除、辐射定标、地形校正和后向散射系数的处理工作。一般认为，坡度大于3°［10］或海拔高于1 500 m的地区［42］不适宜水稻种植。因此，本研究采用地形掩膜去除高海拔和陡坡地区的影响。鉴于研究区整体海拔低于1 500 m（见图1），本研究仅针对坡度进行地形掩膜处理。考虑到研究区实际情况，将坡度阈值设定为5°。利用数字高程模型（Digital Elevation Model, DEM）数据生成坡度大于5°的掩膜，确保SAR数据主要覆盖缓坡地带，减少地形剧烈变化对影像的干扰，提高影像质量和数据稳定性。DEM数据来自GEE云平台提供的Copernicus DEM GLO-30 m产品。随后，使用Lee滤波器对SAR影像进行去噪处理，以减少散斑噪声对数据的干扰。
最终生成具有10 m空间分辨率和12天时间分辨率的VV和VH时间序列影像，用于构建SDWI时间序列图像。
Sentinel-2影像主要采用GEE云平台自带的QA60波段进行去云处理，随后进行裁剪等预处理。此外，由于气候和云层的干扰，部分时间节点的影像数据可能缺失。为此，采用插值方法对NDVI时间序列进行补全，以弥补缺失的时间点。采用双时间窗口邻近搜索法，通过线性插值算法动态融合邻近影像的 NDVI值，填补缺失时段数据，从而在时间维度上构建连续完整的NDVI序列。

1.2.2　地面验证数据

为了保证足够的数量和质量用于水稻分类及精度验证，本研究的样本点数据结合了野外调查（图1）与浙江省地理信息公共服务平台（天地图•浙江，https://zhejiang.tianditu.gov.cn/map）提供的历史影像。地面样本点主要采集自2022年7月—2023年11日期间的水稻生长季，通过实地调查获取（表2），涵盖农作物类型、物候期、生长状况等详细信息，并记录了全球定位系统（Global Positioning System, GPS）采集的经纬度坐标。
表 2 野外样本点调查情况

Table 2 Field sample point survey information

地物类型 采集时间 采集样点数量及说明
水稻 2022年7—11月 大部分间歇性采样，共获取99个样点；其中有20个样点由移栽期开始，持续1次/月监测至收割
2023年7—11月 大部分间歇性采样，共获取130个样点，其中有20个样点由移栽期开始，持续1次/月监测至收割
森林 2023年4—9月 间歇性采样，共采集84个样点
其他 2023年4—9月 间歇性采样，共采集67个样点
综合野外调查数据（表2）与天地图•浙江的历史影像，收集并整理了2019—2023年间的覆盖研究区的有效样本数据，共计1 900个。其中2023年共获取有效样本620个，具体包括水稻样本220个、森林样本100个、水体样本100个、建筑物样本100个，以及其他类型样本（如菜地、园地、大棚等）100个。为了满足模型训练与精度验证的需求，样本数据被分为训练数据集和验证数据集。训练数据集通过随机抽样方式选取，涵盖水稻、森林、水体、建筑物及其他地类样本各60个；验证数据集则由剩余的160个水稻样本和160个非水稻样本组成，专门用于分类精度的评估。此外，其他年份每年均包含320个验证样本，其中水稻样本和非水稻样本各160个。

1.2.3　研究区相关的公开水稻分布制图产品

为有效评估本研究水稻制图结果的精度差异，选择目前可获取的、覆盖研究区域的三种公开水稻分布遥感制图产品（见表3），用于后续的对比分析。
表 3 覆盖杭嘉湖平原的公开水稻分布制图产品

Table 3 Publicly available rice distribution mapping products covering the Hangjiahu Plain

产品简称 年份 空间分辨率/m 遥感数据源 核心方法 数据来源
APRA500［43］ 2000—2021年 500 Terra/Aqua MODIS 物候指数特征法 https：//cstr.cn/15732.11.nesdc.ecodb.rs.2022.029
Rice-TWDTW［44］ 2017—2023年 10 Sentinel-1/2 光谱时序曲线匹配法 https：//cstr.cn/31253.11.sciencedb.06963
EARice10［45］ 2023年 10 Sentinel-1/2 物候指数特征法 https：//doi.org/10.5281/zenodo.13118409

1.2.4　其他辅助数据

该研究采用的其他数据包括杭嘉湖地区范围数据，来自国家地理信息公共服务平台（天地图）（https://cloudcenter.tianditu.gov.cn/administrativeDivision），以及县级水稻种植面积统计数据 ，数据来自于2024年浙江省杭州市、湖州市和嘉兴市统计年鉴。杭州市仅余杭区和临平区的统计数据可用，其他区域因数据缺乏，未纳入结果对比分析。

2 研究方法

针对现有水稻识别方法存在的不足，包括依赖特定物候期的局限性、光学与SAR数据融合效率低，以及光学水体指数受云层干扰等问题，本研究研发了一种融合光学与SAR数据的水稻制图方法，NDVI-SDWI 动态融合水稻识别方法（DNSF-Rice），用于高效准确地提取水稻种植区域。该方法基于Sentinel-2数据的NDVI植被指数在水稻生长期间的显著时序变化特征，结合Sentinel-1数据的SDWI水体指数，充分利用NDVI和SDWI的整体动态变化特征，以提高水稻识别的准确性和适用性。其技术路线如图2所示。
图2 基于DNSF-Rice方法水稻识别提取技术流程图

Fig. 2 Technical workflow for rice identification and extraction based on the DNSF-Rice method

首先构建NDVI时间序列差值，基于阈值分割获取水稻种植潜在分布范围；然后构建SDWI时间序列，分析其在水稻生长周期内的动态变化特征，构建阈值分割算法获取基于SAR数据的水稻种植分布；最后将上述结果的交集作为最终水稻分布范围，生成研究区水稻种植分布图。此外，对使用该方法生成的地图进行精度评价，并与其他水稻分类产品进行对比。

2.1　构建NDVI时间序列差值

NDVI作为反映植被生长状态和覆盖度的指数，其值的增长或降低与作物生长变化过程相对应［46］。NDVI值越高，表示植被覆盖度越高，而低NDVI值则常用于识别非植被区域。NDVI的计算如公式（1）所示。
N D V I = B 8 - B 4 B 8 + B 4
式中：B4和B8分别为Sentinel-2卫星的红波段和近红外波段。通过构建NDVI时间序列，提取各类地物的NDVI最大值（NDVImax）与最小值（NDVImin），并计算其差值 ∆ N D V I，即公式（2）。
∆ N D V I = N D V I m a x - N D V I m i n
为了去除灌水期土壤对NDVI值的影响，在提取NDVImin时限定为大于0的最小值。以2023年为例，基于杭嘉湖地区水稻生长期间的训练样本，提取了5种土地类型的 ∆ N D V I，如图3所示。
图3 杭嘉湖平原水稻种植分布研究5 种土地类型的ΔNDVI值分布

Fig. 3 Distribution of ΔNDVI values for five land cover types in the study of rice planting distribution in the Hangjiahu Plain

基于水稻生长期间的验证样本，采用K折交叉验证优化水稻与非水稻的二值分类阈值。计算F 1分数（F 1-Score）、约登指数（Youden's J statistic）和ROC曲线下面积（Area Under the ROC Curve, AUC），并统计分析所有折的评估结果，获得机器学习推荐的最佳∆NDVI参考阈值。在此基础上，结合验证数据评估分割效果与分类精度，进一步优化阈值，最终确定2023年∆NDVI阈值为0.40。
当∆NDVI≥0.40时，水稻能够显著区分于水体等其他地物。这是由于水稻的NDVI在生长周期中表现出显著的动态变化，而水体、森林等地物的NDVI变化幅度较小。因此，根据不同年份的数据，可采用相同方法确定∆NDVI阈值，以提取基于光学数据的水稻种植潜在分布范围。

2.2　构建SDWI时间序列与特征频率分析

SDWI是一种基于Sentinel-1的VV和VH极化数据的水体识别指数，旨在通过增强水体特征并抑制土壤和植被的干扰，提高水体提取的准确性。SDWI通过利用VV和VH两种极化信号的组合特性，充分体现水体在雷达影像中的响应特征［47］，具体计算如公式（3）所示。
S D W I = l n   10 × V V × V H - 8
式中：10为增强水体与其他地物之间差异的系数；VV和VH分别代表垂直-垂直和垂直-水平极化模式下的后向散射系数。常数8是经验阈值，能有效区分水体与非水体。通过对VV和VH的乘积取对数，可显著降低水体与其他地物在散射强度分布上的重叠，使水体的提取更为稳定可靠。
以往研究［41］使用SDWI时间序列时主要关注大于0的时期，以此判断灌水移栽期并推测水稻的生长周期特征。而本研究发现，SDWI在水稻生长期内会持续高于某一特定值，这能与其他地物进行有效区分。
具体实现过程如下：基于Sentinel-1的时序影像数据构建SDWI时间序列。以2023年为例，统计分析获得不同地物中的SDWI时间序列变化特征（图4）。
图4 杭嘉湖平原水稻种植分布研究不同类型地物的SDWI随时间变化曲线

Fig. 4 Temporal variation of SDWI across different land cover types in the study of rice planting distribution in the Hangjiahu Plain

根据图4中的SDWI时间序列，可以观察到水稻在生长周期中的独特变化特征。水稻的SDWI值在大约第210天（水稻移栽期）至第310天（水稻完熟期）之间表现出明显的波动，先呈上升趋势，随后又下降，主要分布在-0.4~0.2之间，与其他地物类型相比有显著的区别。此变化模式表明水稻在其生长周期中经历了明显的水分和植被变化，而这一变化与其他植被类型的SDWI曲线显著不同。例如，森林、建筑和其他类型的地物的SDWI值波动较小，且通常保持在-1.2~-0.8之间，这表明这些地物在生长周期中的水分变化不如水稻明显。而水体的SDWI值则持续保持较高且相对稳定，始终大于0。
基于水稻SDWI曲线的显著波动特征，统计分析了水稻生长期间各地物类型的SDWI值（图5），最终确定SDWI=-0.4为特征阈值，能有效区分水稻与其他地物类型。
图5 不同地物类型在水稻生长期间的SDWI值分布

Fig. 5 Distribution of SDWI values for different land cover types during the rice growth period

进一步计算得到不同地物类型的SDWI时间序列值大于该特征阈值的频率分布（图6）。采用与最佳∆NDVI参考阈值确定方法相同的步骤（详见第2.1节），但不同于∆NDVI，这里考虑了最大阈值以减少水体影响，并确定了这两个阈值之间的频率范围（0.33~0.88）。通过这一范围，实现了水稻与非水稻地物的有效区分，成功获得基于SAR数据的水稻种植分布范围。
图6 不同地物类型SDWI>-0.4频率分布

Fig. 6 Frequency distribution of SDWI > -0.4 across different land cover types

2.3　NDVI与SDWI分析结果交集提取水稻分布

根据前文处理步骤，分别利用NDVI和SDWI时间序列特征提取，得到了基于光学和微波数据的水稻种植分布结果。然而，由于其他植被在生长期也可能经历显著的NDVI变化，单独依靠NDVI差值可能导致一些地物的混淆。此外，SDWI虽然在区分水稻与其他地物方面表现较好，但对于水体区分度较低。因此，这两者的结合可以有效克服这两个问题。通过交集操作，获得最终高精度的水稻分布图。

2.4　验证方法

利用上述提取方法获得杭嘉湖平原水稻种植空间分布图，使用ArcGIS软件完成种植面积的统计。在此基础上，结合地面实测数据和统计年鉴，对2019—2023年杭嘉湖平原水稻提取结果进行了精度验证。为进行定量统计分析，使用地面验证点构建混淆矩阵，计算其用户精度（User Accuracy, UA, %）、生产者精度（Producer Accuracy, PA, %）、总精度（Overall Accuracy, OA, %）、Kappa系数和F 1分数，各指标计算如公式（4）~公式（8）所示。
U A = n i i n i ∙ × 100 %
P A = n i i n ∙ i × 100 %
O A = ∑ i = 1 q n i i n × 100 %
K a p p a = [ n ∙ ∑ i = 1 q n i i - ∑ i = 1 q ( n i ∙ ∙ n ∙ i ) ] [ n 2 - ∑ i = 1 q ( n i ∙ ∙ n ∙ i ) ]  
F 1 - S c o r e = 2 × U A × P A U A + P A
式中：nii 表示混淆矩阵中类别i被正确分类的样本数量，即该类别的真实样本中被正确识别的数量； n i ∙为混淆矩阵中第i行的总和，即分类器预测为类别i的所有样本数； n ∙ i为混淆矩阵中第i列的总和，即实际属于类别i的所有样本数；n为所有验证样本的总数；q为混淆矩阵的类别数。

3 结果与分析

3.1　提取结果分析及精度评价

本研究生成了2019—2023年杭嘉湖平原水稻种植分布图，并以2023年分布图为例（图7）。随着卫星数据记录的更新，可以采用同样的方法更新每年年末的分布图。
图7 2023年杭嘉湖平原水稻种植分布

注：该图基于自然资源部标准地图服务网站下载的审图号为GS（2024）0650号标准地图制作，底图无修改。

Fig. 7 Rice cultivation distribution of Hangjiahu Plain in 2023

3.1.1　提取结果精度分析

基于前文（1.2.2节）提到的验证样本进行精度验证，结果表明，本研究提出的DNSF-Rice方法在水稻种植面积识别中表现出良好的性能。精度验证结果显示，所有年份的OA均大于或等于96%（表4），达到了较高的制图精度。F 1分数从2019年的0.96到2023年的0.98，保持在较高水平。总体上，F 1分数稳定在0.96以上，表明本研究分类方法在水稻种植面积提取中的一致性与可靠性较强，具备较好的年度适应性和泛化能力。UA和PA在2019—2023年也呈现较高水平。UA在各年份基本稳定在99%，显示分类结果对水稻种植区域的识别能力较强；而PA则在92%~96%之间，虽略有波动，但整体精度较高。
表 4 2019—2023年水稻混淆矩阵验证结果

Table 4 Validation results of the rice confusion matrix from 2019 to 2023

年份 UA/% PA/% Kappa OA/% F 1-Score
2019 99 93 0.93 96 0.96
2020 100 93 0.93 97 0.96
2021 99 92 0.91 96 0.96
2022 99 94 0.93 97 0.97
2023 99 96 0.95 98 0.98

3.1.2　县级尺度下提取面积与统计面积的一致性分析

进一步分析表明，本研究提取的水稻种植面积与现有县级尺度统计面积之间具有较高的相关性（R 2=0.954），但存在提取面积整体偏低的现象（Slope=0.82）（图8a）。
图8 DNSF-Rice方法提取水稻面积在县级尺度下与统计面积对比、与不同水稻制图产品对比

Fig. 8 County-level rice area extraction using the DNSF-Rice method： Validation against official statistics and comparison with existing rice maps

具体而言，除临平区略高外，其余地区的提取面积普遍低于统计面积（表5），其中桐乡市、平湖市和嘉善县等地的偏差尤为明显。
表5 2023年县级尺度水稻提取面积与统计面积数值对比

Table 5 Comparison of extracted rice area and statistical area at the county scale in 2023

区/县名称 提取面积/km2 统计面积/km2 差值/km2
余杭区 66.44 76.82 -10.38
临平区 13.52 10.73 2.79
德清县 39.99 52.00 -12.01
南浔区 94.41 119.75 -25.34
吴兴区 61.47 76.06 -14.59
海宁市 100.03 117.60 -17.57
桐乡市 98.96 129.40 -30.44
秀洲区 113.05 130.80 -17.75
嘉善县 108.79 134.20 -25.41
平湖市 126.45 155.70 -29.25
南湖区 66.40 83.30 -16.9
海盐县 119.61 120.90 -1.29
造成这一差异的主要原因可能包括：首先，地形复杂地区难以开展大规模机械化种植，部分稻田被弃耕或调整用途，使统计面积难以准确反映当年的实际种植情况。其次，部分区域存在废弃或改建稻田，这些地块虽在统计数据中仍被归类为稻田，但实际上并未种植水稻。此外，农民上报的稻田面积可能与实际耕种情况存在差异，导致统计面积相对偏大。需特别指出的是，本研究提取的是实际生长的水稻种植面积，而非所有可种植水稻的耕地面积，因此相比传统统计数据，更能准确反映当年的水稻种植状况。
尽管提取面积与统计面积存在一定偏差，研究结果仍较好地呈现了水稻种植的空间分布特征，验证了本方法在杭嘉湖地区的适用性，并为区域水稻种植的精准监测提供了重要技术支持。

3.2　与其他分类产品对比

基于前文（1.2.3节）提到的3种水稻制图产品，分别选取2021年的APRA500、2023年的Rice-TWDTW和EARice10水稻制图产品，针对这些产品进行精度评估，并采用线性回归分析法对比其与本研究结果的差异性，同时开展细节层面的深入对比分析，以系统评估本方法水稻空间分布提取结果的精度、空间一致性及区域适用性。

3.2.1　精度评价分析

如表 6所示，展示了3个不同水稻制图产品的混淆矩阵验证结果。结果显示，不同产品在精度和一致性方面存在显著差异。其中，APRA500水稻制图基于MODIS影像绘制，受限于较低的分辨率，错分和漏分较多，UA和Kappa系数仅为26%和0.18，整体准确性较低。Rice-TWDTW制图精度有所提升，UA和PA分别达到51%和93%，Kappa系数提升至0.48，表明其水稻识别能力有所增强。而EARice10水稻制图在各项指标上均显著优于前两者，UA和PA分别达到93%和97%，Kappa系数提升至0.90，分类一致性和可靠性更高。
表6 不同水稻制图产品的水稻混淆矩阵验证结果

Table 6 Validation results of the rice confusion matrix for different rice mapping products

产品名称 UA/% PA/% Kappa OA/% F 1-Score
APRA500水稻制图（500 m，2021年） 26 77 0.18 59 0.39
Rice-TWDTW水稻制图（10 m，2023年） 51 93 0.48 74 0.66
EARice10水稻制图（10 m，2023年） 93 97 0.90 95 0.95
相比之下，本研究方法的水稻制图结果在各项指标上均表现最佳（见表4，2021年、2023年），其2023年UA、PA、OA、Kappa和F 1分数分别达到99%、96%、98%、0.95和0.98，表明本方法在准确性、一致性和稳定性方面优于现有制图产品。特别是UA最高，说明该方法有效减少了误分类，提升了用户对制图结果的信赖度。同时，Kappa系数和F 1分数均优于其他产品，进一步验证了其在水稻种植区提取中的可靠性和适用性，展现出在高分辨率水稻制图中的显著优势。

3.2.2　空间一致性分析

如图8b~图8d所示，为本研究与其他分类水稻产品之间的线性回归分析结果。结果表明，本方法在提取水稻面积时表现出较高的一致性。与APRA500产品比较显示，R 2仅为0.58，由于其基于低分辨率影像数据，存在较大的偏差，导致水稻区域的错分和漏分较多，从而影响一致性。而与Rice-TWDTW和EARice10相比，其R 2分别达到0.96和0.95，尽管回归斜率略小于1，表明提取的水稻面积略小，但本方法在精度和稳定性方面表现较好，仍保持较高的一致性。

3.2.3　细节特征对比分析

本研究区内的6个典型位置（图9）与现有水稻制图产品进行对比，如图10所示。结果表明，相较于APRA500水稻分布图，本研究方法的制图结果能够呈现更多细节。与Rice-TWDTW和EARice10水稻制图相比，本研究成果在空间分布上高度一致，但在细节表现上更具优势。
图9 杭嘉湖平原6个典型位置的空间分布

注：该图基于自然资源部标准地图服务网站下载的审图号为GS（2024）0650号标准地图制作，底图无修改。

Fig. 9 Spatial distribution of the six selected representative locations in the Hangjiahu Plain

图10中，在位置a和b，本研究的制图结果更完整地识别出了水稻种植区域。在位置c至f，水稻种植区边缘存在一定的局部差异，其中本研究制图更精细地描绘了水稻种植边界及道路网络，展现出比现有产品更丰富的空间细节，并且噪声更少。总体而言，对比结果表明，本研究方法生成的水稻制图质量更优。
图10 比较位置a—位置f的水稻制图与已发布数据产品结果

Fig. 10 Comparison of rice mapping results for locations a to Locations f with published data products

3.3　2019—2023年水稻种植面积时空变化特征分析

在2019—2023年间，杭嘉湖平原地区水稻种植面积整体呈逐年增长的趋势（图11），总面积增长了约548.37 km2。
图11 2019—2023年杭嘉湖地区水稻种植面积

Fig. 11 Rice cultivation area in the Hangjiahu region from 2019 to 2023

杭州市的种植面积相对较小，增长平稳；湖州市在2022年和2023年种植面积扩展较快，整体增幅显著；嘉兴市的种植面积在三个市中最大，每年均保持稳定增长，是区域内水稻种植扩展的主要贡献者。
从总体上看，2019—2023年区域内水稻种植面积的扩展不仅反映出耕地利用的优化，也展示了不同市域间的空间差异。嘉兴市贡献最大、湖州市次之，杭州市相对分散。这一时空变化特征揭示了区域农业发展和资源配置的差异性。

4 讨 论

本研究基于Sentinel-1/2遥感影像数据和GEE平台，研发了一种融合光学和SAR数据的水稻制图的创新方法，成功绘制了杭嘉湖平原2019—2023年10 m分辨率的水稻种植分布图，并提取了相应的种植面积。

4.1　方法的优势

与现有方法相比，本方法主要有3个方面的优势。
1）通过融合光学和SAR遥感影像的特征进行水稻种植面积的提取，相较于机器学习方法［48, 49］，需要较少的训练样本。由于方法主要依靠水稻生长期内的NDVI和SDWI特征进行提取，且这些特征在整个生长期内具有一定的稳定性和一致性，因而能够通过较少的地面样本进行验证和调校。这一优势不仅大大减少了地面调查的工作量和成本，还使得该方法特别适用于大范围区域的水稻种植面积监测，尤其在地面样本获取困难或数据不完全的情况下，仍能实现较为精确的水稻面积提取。此外，低数据需求使得该方法在长期监测中具有更高的操作效率，能够更快速地处理大规模遥感数据，并为持续监测提供支持。
2）方法的适应性更强。本方法成功应用于地块破碎、植被类型复杂、多云多雨、光学遥感数据不足的杭嘉湖地区，具有良好的效果，与以往在该地区研究绘制的水稻种植分布图相比［43-45］，结果更加可靠，精度更高。
3）与以往研究相比，本提取方法从水稻生长过程的整体性角度出发，不局限于某一特定物候时期（如移栽期、分蘖期或收割期）的遥感特征。该方法全面捕捉了水稻在生长过程中的特征变化，充分考虑水稻生长过程中的稳定性和持续性，反映了水稻从播种到收割期间的完整生长过程。与传统方法依赖单一物候期特征［11, 18, 21］ 提取不同，本方法通过捕捉整体时序特征，减少了对特定时间点数据的依赖，即使部分物候期影像缺失，仍可获得较好的制图结果，从而使得该方法具备更高的灵活性。此外，本方法在水稻种植区边界的提取上更能准确体现真实的水稻生长分布边界，表现出更为完整与精细，从而显著提高了水稻分布图的空间准确性。

4.2　不足与改进

虽然本研究提出的方法能相对快速准确地监测水稻的动态变化，但仍然受到其他误差源的影响，方法精度有待进一步提高。首先是∆NDVI阈值和SDWI频率阈值的确定，由于使用影像数量的不同、影像的缺失、水稻品种的不同及洪涝灾害等因素，无法取得一个固定的阈值，需要少量的辅助地面样本来确定阈值。若无法获得实地采集地面样本，建议可采用Xu等［39］提出的基于SAR的水稻指数 SPRI 方法，结合天地图等高清遥感影像来获得样本数据。尽管SPRI方法应用于大面积时，存在计算量大，耗时等缺陷，但在小面积内识别精确高，计算量较小，为解决本研究在大范围领域确定样本，获得更精确的阈值提供了一种可行思路。同时本研究中，同样存在有椒盐效应，为了减轻这种影响，在进一步的研究中可采用面向对象的图像分割方法［50-52］来改进，将图像分割成更具空间连续性的区域，从而减少孤立像素和噪点的干扰，提升制图的精度和可靠性。
理论上，本方法可以应用于不同种植强度和不同地形的区域。但是，当应用于不同的区域时，需要调整参数。本研究仅以杭嘉湖平原作为研究区，在该地区主要以单季水稻与小麦、油菜等轮作，而双季稻相对较少［53, 54］。因此，本研究没有尝试从确定的水稻种植区提取双季稻。该方法在不同种植强度和不同地形区域的性能评估将在后续研究中进行。
本研究利用GEE云平台的优势，通过其丰富的卫星数据存档、灵活的处理算法和高效的计算能力［24］，快速生成经过预处理的Sentinel-1/2影像，显著减少了图像下载、预处理和存储的时间与繁琐步骤。同时GEE云平台提供了Copernicus DEM GLO-30 m数据，为水稻提取方法提供了重要的辅助数据。所有算法代码均在GEE的在线代码编辑器中使用JavaScript编写，以确保水稻分类的高效处理与运行。GEE云平台的使用，使得利用本研究提出的方法快速提取更大范围内乃至全球的水稻种植面积成为一种可能。随着国内云平台如PIE-Engine［55］和AI Earth［56］等的快速发展，本方法同样可以在这些平台上实现，进一步扩展其应用范围和可操作性。

5 结 论

本研究将Sentinel-1/2数据相结合，基于GEE云平台，通过分析水稻生长周期内NDVI和SDWI时间序列的整体动态变化特征，使用阈值分割法成功提取水稻种植空间分布与面积，主要结论如下。
1）与使用单一时间序列数据源和依赖传统的物候学特征相比，本研究基于光学和SAR数据所提出的DNSF-Rice方法，使用NDVI与SDWI时间序列整体动态变化特征，所提取的水稻种植面积精度更高，使用场景更多，且在大范围单季稻种植区可以普遍推广应用。
2）该研究提取的2019—2023年杭嘉湖平原的水稻种植分布总体精度均达96%以上，F 1得分超过0.96。提取结果优于该地区其他相关产品；提取面积与统计数据具有高度的一致性。
3）2019—2023年杭嘉湖平原的水稻种植面积整体呈增长趋势，不同区域水稻播种面积变化趋势差异较大。

利益冲突声明

本研究不存在研究者以及与公开研究成果有关的利益冲突。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
1
FAO. World food and agriculture-Statistical yearbook 2024 [EB/OL]. Rome: FAO, 2024 [2024-11-01].

2
唐志伟, 张俊, 邓艾兴, 等. 我国稻田甲烷排放的时空特征与减排途径[J]. 中国生态农业学报(中英文), 2022, 30(4): 582-591.

TANG Z W, ZHANG J, DENG A X, et al. Spatiotemporal characteristics and reduction approaches of methane emissions from rice fields in China[J]. Chinese journal of eco-agriculture, 2022, 30(4): 582-591.

3
TIAN H Q, LU C Q, CIAIS P, et al. The terrestrial biosphere as a net source of greenhouse gases to the atmosphere[J]. Nature, 2016, 531(7593): 225-228.

4
WANG Z, ZHANG X Y, LIU L, et al. Estimates of methane emissions from Chinese rice fields using the DNDC model[J]. Agricultural and forest meteorology, 2021, 303: ID 108368.

5
PROPPER C R, SEDLOCK J L, SMEDLEY R E, et al. Balancing food security, vertebrate biodiversity, and healthy rice agroecosystems in Southeast Asia[J]. Crop and environment, 2024, 3(1): 43-50.

6
丁郭明, 陆一轩, 吴陈芊, 等. 21世纪以来江苏省水稻种植面积的变化与启示[J]. 中国农业资源与区划, 2023, 44(9): 101-110.

DING G M, LU Y X, WU C Q, et al. The changes of rice planting area in Jiangsu province since the new century and it's enlightenment[J]. Chinese journal of agricultural resources and regional planning, 2023, 44(9): 101-110.

7
秦叶波, 林宝义, 纪国成. 浙江省粮食生产供给侧改革的思考和建议[J]. 浙江农业科学, 2018, 59(3): 360-362, 369.

8
ZHU E Y, QI Q Y, CHEN L S, et al. The spatial-temporal patterns and multiple driving mechanisms of carbon emissions in the process of urbanization: A case study in Zhejiang, China[J]. Journal of cleaner production, 2022, 358: ID 131954.

9
WU Y Q, ZHOU C Y, LAI X Y, et al. Spatio-temporal characteristics and decoupling relationship of new-type urbanization and carbon emissions at the county level: A case study of Zhejiang province, China[J]. Ecological indicators, 2024, 160: ID 111793.

10
DONG J W, XIAO X M, MENARGUEZ M A, et al. Mapping paddy rice planting area in northeastern Asia with Landsat 8 images, phenology-based algorithm and Google Earth Engine[J]. Remote sensing of environment, 2016, 185: 142-154.

11
ZHAN P, ZHU W Q, LI N. An automated rice mapping method based on flooding signals in synthetic aperture radar time series[J]. Remote sensing of environment, 2021, 252: ID 112112.

12
ADRIAN J, SAGAN V, MAIMAITIJIANG M. Sentinel SAR-optical fusion for crop type mapping using deep learning and Google Earth Engine[J]. ISPRS journal of photogrammetry and remote sensing, 2021, 175: 215-235.

13
CAO D, FENG J Z, BAI L Y, et al. Delineating the rice crop activities in Northeast China through regional parametric synthesis using satellite remote sensing time-series data from 2000 to 2015[J]. Journal of integrative agriculture, 2021, 20(2): 424-437.

14
DONG J W, XIAO X M, KOU W L, et al. Tracking the dynamics of paddy rice planting area in 1986–2010 through time series Landsat images and phenology-based algorithms[J]. Remote sensing of environment, 2015, 160: 99-113.

15
YOU N S, DONG J W, HUANG J X, et al. The 10 m crop type maps in NorthEast China during 2017–2019[J]. Scientific data, 2021, 8: ID 41.

16
YANG H J, PAN B, LI N, et al. A systematic method for spatio-temporal phenology estimation of paddy rice using time series Sentinel-1 images[J]. Remote sensing of environment, 2021, 259: ID 112394.

17
SINGHA M, DONG J W, ZHANG G L, et al. High resolution paddy rice maps in cloud-prone Bangladesh and Northeast India using Sentinel-1 data[J]. Scientific data, 2019, 6: ID 26.

18
JIANG X Q, LUO S J, GAO S, et al. An automatic rice mapping method based on constrained feature matching exploiting Sentinel-1 data for arbitrary length time series[J]. International journal of applied earth observation and geoinformation, 2022, 114: ID 103032.

19
KARIMI N, TABAN M R. A convex variational method for super resolution of SAR image with speckle noise[J]. Signal processing: Image communication, 2021, 90: ID 116061.

20
YANG H J, PAN B, WU W F, et al. Field-based rice classification in Wuhua county through integration of multi-temporal Sentinel-1A and Landsat-8 OLI data[J]. International journal of applied earth observation and geoinformation, 2018, 69: 226-236.

21
JIANG Q, TANG Z G, ZHOU L H, et al. Mapping paddy rice planting area in Dongting lake area combining time series Sentinel-1 and Sentinel-2 images[J]. Remote sensing, 2023, 15(11): ID 2794.

22
HE Y L, DONG J W, LIAO X Y, et al. Examining rice distribution and cropping intensity in a mixed single- and double-cropping region in South China using all available Sentinel 1/2 images[J]. International journal of applied earth observation and geoinformation, 2021, 101: ID 102351.

23
高心怡, 池泓, 黄进良, 等. 水稻遥感制图研究综述[J]. 遥感学报, 2024, 28(9): 2144-2169.

GAO X Y, CHI H, HUANG J L, et al. Review of paddy rice mapping with remote sensing technology[J]. National remote sensing bulletin, 2024, 28(9): 2144-2169.

24
王小娜, 田金炎, 李小娟, 等. Google Earth Engine云平台对遥感发展的改变[J]. 遥感学报, 2022, 26(2): 299-309.

WANG X N, TIAN J Y, LI X J, et al. Benefits of Google Earth Engine in remote sensing[J]. National remote sensing bulletin, 2022, 26(2): 299-309

25
DONG J W, XIAO X M. Evolution of regional to global paddy rice mapping methods: A review[J]. ISPRS journal of photogrammetry and remote sensing, 2016, 119: 214-227.

26
FANG H S, LIANG S L, CHEN Y Z, et al. A comprehensive review of rice mapping from satellite data: Algorithms, product characteristics and consistency assessment[J]. Science of remote sensing, 2024, 10: ID 100172.

27
何泽, 李世华. 水稻雷达遥感监测研究进展[J]. 遥感学报, 2023, 27(10): 2363-2382.

HE Z, LI S H. Research progress on radar remote sensing for rice growth monitoring[J]. National remote sensing bulletin, 2023, 27(10): 2363-2382

28
LIU Y F, XIAO D Q, YANG W T. An algorithm for early rice area mapping from satellite remote sensing data in southwestern Guangdong in China based on feature optimization and random Forest[J]. Ecological informatics, 2022, 72: ID 101853.

29
MA L, LIU Y, ZHANG X L, et al. Deep learning in remote sensing applications: A meta-analysis and review[J]. ISPRS journal of photogrammetry and remote sensing, 2019, 152: 166-177.

30
EZ-ZAHOUANI B, TEODORO A, KHARKI OEL, et al. Remote sensing imagery segmentation in object-based analysis: A review of methods, optimization, and quality evaluation over the past 20 years[J]. Remote sensing applications: Society and environment, 2023, 32: ID 101031.

31
XIAO X, BOLES S, FROLKING S, et al. Observation of flooding and rice transplanting of paddy rice fields at the site to landscape scales in China using VEGETATION sensor data[J]. International journal of remote sensing, 2002, 23(15): 3009-3022.

32
SHI J J, HUANG J F. Monitoring spatio-temporal distribution of rice planting area in the Yangtze River Delta region using MODIS images[J]. Remote sensing, 2015, 7(7): 8883-8905.

33
QIU B W, LU D F, TANG Z H, et al. Automatic and adaptive paddy rice mapping using Landsat images: Case study in Songnen Plain in NorthEast China[J]. Science of the total environment, 2017, 598: 581-592.

34
QIU B W, LI W J, TANG Z H, et al. Mapping paddy rice areas based on vegetation phenology and surface moisture conditions[J]. Ecological indicators, 2015, 56: 79-86.

35
BAZZI H, BAGHDADI N, HAJJ MEL, et al. Mapping paddy rice using Sentinel-1 SAR time series in Camargue, France[J]. Remote sensing, 2019, 11(7): ID 887.

36
HE Z, LI S H, WANG Y, et al. Monitoring rice phenology based on backscattering characteristics of multi-temporal RADARSAT-2 datasets[J]. Remote sensing, 2018, 10(2): ID 340.

37
HAN J C, ZHANG Z, LUO Y C, et al. NESEA-Rice10: High-resolution annual paddy rice maps for Northeast and Southeast Asia from 2017 to 2019[J]. Earth system science data, 2021, 13(12): 5969-5986.

38
NI R G, TIAN J Y, LI X J, et al. An enhanced pixel-based phenological feature for accurate paddy rice mapping with Sentinel-2 imagery in Google Earth Engine[J]. ISPRS journal of photogrammetry and remote sensing, 2021, 178: 282-296.

39
XU S, ZHU X L, CHEN J, et al. A robust index to extract paddy fields in cloudy regions from SAR time series[J]. Remote sensing of environment, 2023, 285: ID 113374.

40
KANG J M, YANG X M, WANG Z H, et al. Collaborative extraction of paddy planting areas with multi-source information based on google earth engine: A case study of Cambodia[J]. Remote sensing, 2022, 14(8): ID 1823.

41
乔树亭, 叶回春, 黄文江, 等. 基于Sentinel-1/2影像的水稻种植面积提取方法研究: 以三江平原为例[J]. 遥感技术与应用, 2023, 38(1): 78-89.

QIAO S T, YE H C, HUANG W J, et al. Study on extraction method of rice planting area based on Sentinel-1/2 image: A case study of Sanjiang Plain[J]. Remote sensing technology and application, 2023, 38(1): 78-89.

42
WANG L H, MA H, LI J L, et al. An automated extraction of small- and middle-sized rice fields under complex terrain based on SAR time series: A case study of Chongqing[J]. Computers and electronics in agriculture, 2022, 200: ID 107232.

43
韩继冲, 张朝. 2000—2021年亚洲季风区主要国家年水稻种植面积数据集[DS/OL]. 国家生态科学数据中心, 2022.

HAN J C, ZHANG Z. Annual paddy rice planting area and cropping intensity datasets in major countries of the Asian monsoon region from 2000 to 2021[DS/OL]. National Ecosystem Science Data Center, 2022,

44
SHEN R Q, PAN B H, PENG Q Y, et al. High-resolution distribution maps of single-season rice in China from 2017 to 2022[DS/OL]. V6. Science Data Bank, 2024[2025-03-18].

45
SONG M Y, XU L, GE J, et al. EARice10: A 10 m resolution annual rice distribution map of East Asia for 2023[J]. Earth system science data, 2025, 17(2): 661-683.

46
姜伊兰, 陈保旺, 黄玉芳, 等. 基于Google Earth Engine和NDVI时序差异指数的作物种植区提取[J]. 地球信息科学学报, 2021, 23(5): 938-947.

JIANG Y L, CHEN B W, HUANG Y F, et al. Crop planting area extraction based on google earth engine and NDVI time series difference index[J]. Journal of geo-information science, 2021, 23(5): 938-947.

47
贾诗超, 薛东剑, 李成绕, 等. 基于Sentinel-1数据的水体信息提取方法研究[J]. 人民长江, 2019, 50(2): 213-217.

JIA S C, XUE D J, LI C R, et al. Study on new method for water area information extraction based on Sentinel-1 data[J]. Yangtze river, 2019, 50(2): 213-217.

48
THORP K R, DRAJAT D. Deep machine learning with Sentinel satellite data to map paddy rice production stages across West Java, Indonesia[J]. Remote sensing of environment, 2021, 265: ID 112679.

49
LIN Z X, ZHONG R H, XIONG X G, et al. Large-scale rice mapping using multi-task spatiotemporal deep learning and Sentinel-1 SAR time series[J]. Remote sensing, 2022, 14(3): ID 699.

50
CHEN G, WENG Q H, HAY G J, et al. Geographic object-based image analysis (GEOBIA): Emerging trends and future opportunities[J]. GIScience & remote sensing, 2018, 55(2): 159-182.

51
ZHANG H X, LIU M X, WANG Y J, et al. Automated delineation of agricultural field boundaries from Sentinel-2 images using recurrent residual U-Net[J]. International journal of applied earth observation and geoinformation, 2021, 105: ID 102557.

52
HOSSAIN M D, CHEN D M. Segmentation for object-based image analysis (OBIA): A review of algorithms and challenges from remote sensing perspective[J]. ISPRS journal of photogrammetry and remote sensing, 2019, 150: 115-134.

53
蒋敏, 李秀彬, 辛良杰, 等. 南方水稻复种指数变化对国家粮食产能的影响及其政策启示[J]. 地理学报, 2019, 74(1): 32-43.

JIANG M, LI X B, XIN L J, et al. The impact of paddy rice multiple cropping index changes in Southern China on national grain production capacity and its policy implications[J]. Acta geographica sinica, 2019, 74(1): 32-43.

54
ZHU W C, PENG X Q, DING M J, et al. Decline in planting areas of double-season rice by half in Southern China over the last two decades[J]. Remote sensing, 2024, 16(3): ID 440.

55
程伟, 钱晓明, 李世卫, 等. 时空遥感云计算平台PIE-Engine Studio的研究与应用[J]. 遥感学报, 2022, 26(2): 335-347.

CHENG W, QIAN X M, LI S W, et al. Research and application of PIE-Engine Studio for spatiotemporal remote sensing cloud computing platform[J]. National remote sensing bulletin, 2022, 26(2): 335-347

56
HE S Y, ZHOU B, WANG B, et al. Land classification research based on the improved Deeplabv3+ model and the AI earth remote sensing cloud platform[J]. IEEE access, 2024, 12: 182516-182531.

Options
文章导航

/

〈 〉

  • 国际刊号　ISSN 2097-485X（网络）
    　　　　　ISSN 2096-8094（印刷）
    国内刊号　CN 10-1681/S
    CODEN　 ZNZHD7
    主管：中华人民共和国农业农村部
    主办：中国农业科学院农业信息研究所
  • 地址：北京市海淀区中关村南大街12号中国农业科学院农业信息研究所
    邮编：100081
    电话：010-82109657
    E-mail：smartag@caas.cn
京ICP备09089781号-37