EN中文

Journal of Geo-information Science >

2023 , Vol. 25 >Issue 1: 153 - 162

DOI: https://doi.org/10.12082/dqxxkx.2023.220532

Mapping Paddy Rice Planting Patterns based on Sentinel-1/2

  • GAN Congcong , 1 ,
  • QIU Bingwen , 1, * ,
  • ZHANG Jianyang 2, 3 ,
  • YAO Chengxin 2, 3 ,
  • YE Zhiyan 2, 3 ,
  • HUANG Heng 4 ,
  • HUANG Yingze 1 ,
  • PENG Yufeng 1 ,
  • LIN Yizhen 1 ,
  • LIN Duoduo 1 ,
  • SU Zhonghao 1
Expand
  • 1. Key Laboratory of Spatial Data Mining &Information Sharing of the Ministry of Education, Fuzhou University, Fuzhou 350108, China
  • 2. Technology Innovation Center for Monitoring and Restoration Engineering of Ecological Fragile Zone in Southeast China，Ministry of Natural Resources, Fuzhou 350001, China
  • 3. Fujian Cultivated Land Protection Center, Fuzhou 350001, China
  • 4. Fujian Institute of Geological Surveying and Mapping, Fuzhou 350011, China
*QIU Bingwen, E-mail:

Received date: 2022-07-21

  Revised date: 2022-10-20

  Online published: 2023-03-25

Supported by

National Natural Science Foundation of China(42171325)

National Natural Science Foundation of China(41771468)

Science Bureau of Fujian Province(2020N5002)

Fujian Natural Resources Science Innovation Project(KY-010000-04-2022-002)

Fold

Abstract

Accurate and timely spatiotemporal change information of rice planting patterns is significant for effectively preventing "no-grain" and achieving carbon peak and carbon neutrality goals. However, it is challenging to establish a rice mapping method at large spatial domain. This study developed a novel paddy rice planting mapping method based on dynamic coupling optical/radar features of transplanting period. The proposed algorithm was applied to paddy rice mapping in Jiangxi and Hunan province. The derived paddy rice planting map was evaluated using 1402 ground reference sites, and it had an overall accuracy of 92.80%. The paddy rice planting area was also highly consistent with the agricultural census data (R2 > 0.85) at the county level. Compared with rice feature extraction using a fixed window, the proposed method has strong robustness and migration ability, and provides a new idea and reference for crop mapping at large spatial domain. The result showed that the paddy rice planting area in Jiangxi province decreased by 3460 km2 (9.47%) from 2018 to 2021. The rice cropping intensity in Jiangxi province had decreased by 0.13 due to the change of double-cropping rice to medium rice. The double-cropping rice planting area decreased by 21.61%, with 84% shifted to single cropping rice.

Key words： rice; remote sensing; Google Earth Engine; Sentinel-1/2; transplanting period; phenology; "V" shape feature; dynamic window

Cite this article

GAN Congcong , QIU Bingwen , ZHANG Jianyang , YAO Chengxin , YE Zhiyan , HUANG Heng , HUANG Yingze , PENG Yufeng , LIN Yizhen , LIN Duoduo , SU Zhonghao . Mapping Paddy Rice Planting Patterns based on Sentinel-1/2[J]. Journal of Geo-information Science, 2023 , 25(1) : 153 -162 . DOI: 10.12082/dqxxkx.2023.220532

1 引言

水稻是一种重要的粮食作物，养活了全球一半以上的人口[1]。水稻种植会对周围环境带来显著影响，不仅影响着水资源安全[2-3]，也是温室气体（甲烷）排放的一个关键因素[4-5]。不同水稻种植模式温室气体排放存在差异[6]，因此，及时准确地估计水稻的种植分布和种植模式对有效防控“非粮化”和促进生态可持续性发展，以及制定相关决策具有重要意义[7-8]。
近年来，基于光学数据的水稻遥感监测研究已取得了重大进展[7⇓⇓-10]。其中基于物候特征的水稻识别方法具有代表性，该方法通过探究水稻遥感指标时序曲线变化规律，设计能够突显出水稻生长特征的指标。水稻识别方法最常用的是光学数据特征，例如水稻移栽期植被指数和地表水分指数等时序指数变化特征[11⇓-13]，此类方法具有原理上易理解、尺度上可外推等优点[14-15]。然而，光学传感器易受天气条件影响，尤其在中国南方地区，有时很难获取足够覆盖水稻生长阶段的无云时序影像。雷达数据受云层覆盖和照明条件的影响较小，并且也能在一定程度上反映植被生长状态，因此在大范围作物遥感制图中具有较好的应用前景。目前，已有一些关于利用Sentinel-1雷达数据提取水稻信息的研究[16-17]。由于水稻移栽期需要灌水，降低了地表粗糙度，导致水稻移栽前后的后向散射系数时间轨迹呈现出下降-上升的“V”形特征[18-19]，这是水稻相对于其他作物的独特物候特征。詹培等[18]通过计算固定时间窗口的斜率来体现“V”形特征，从而判别水稻种植区。桑国庆等[20]协同光学和雷达数据，通过计算多个固定时间窗口VH后向散射系数或EVI2时间序列最值差异，来体现“V”形特征，实现水稻制图。但是对于不同区域，同一作物由于作物日历、自然条件和耕作管理等的差异，都会引起物候上的差异[21]，导致特征在时间剖面上前后移动。因此利用固定的时间窗口对水稻进行提取时，在物候差异较大的区域无法准确地识别水稻“V”形特征。
针对不同区域采用固定窗口提取水稻移栽期特征的不确定性问题，本文综合光学和雷达遥感数据，实现多种信息的优势互补和协同，设计动态时间窗口来查找像元是否存在水稻移栽期光学/雷达特征，从而实现大范围水稻种植区域提取。

2 研究方法

本文构建了一种基于Sentinel-1/2动态耦合移栽期特征的水稻种植模式识别（RPCDT）算法，能实现大尺度水稻种植模式识别。该算法采用动态窗口提取水稻移栽期光学/雷达特征，通过耦合关系进一步判断是否为水稻种植像元。该算法能适用于南方地区复杂水稻种植模式识别，技术路线如图1所示。
图1 RPCDT方法技术路线

Fig. 1 Technical Roadmap for Extraction of RPCDT Method

2.1 光学/雷达遥感数据时序曲线特征分析

水稻种植模式包含双季稻、单季稻和水旱轮作3种方式。本文将单季稻和水旱轮作归为中稻，进而对双季稻和中稻2种种植模式进行识别。本文对各类地物点位的光学植被指数EVI2、雷达VH后向散射系数时序数据进行Whittaker Smoother（WS）平滑处理，并对每一类地物点位样本集的时序数据在同一时间上求平均，从而获得各类地物的EVI2和VH后向散射系数标准时序曲线，对具有“V”形特征的地物进行分析（图2）。由于水稻移栽期田间处于灌水状态，无植被生长，因此在雷达信号上则表现出VH后向散射系数时序曲线有明显的“V”形特征，在光学信号上表现出移栽期EVI2值比较低。此外荷塘和芝麻的雷达信号VH后向散射系数时序曲线也有明显的“V”形特征，但造成特征的原理不同，故这两种作物“V”形特征与EVI2值比较低2个特征不是同时出现（图2（b））。根据以上特征，可构建特征耦合判别规则对水稻种植模式进行提取。同一类农作物由于物候差异，“V”形特征的时间点也会存在差异，若采用固定时间窗口构建判别规则，易导致特征漏判现象。因此采用EVI2来监测物候期，用动态的时间内窗口构建判别规则，则更为合理。
图2 各类地物的EVI2和VH后向散射系数标准时序曲线

Fig. 2 EVI2 and VH backscattering standard time series curves of various ground objects

2.2 基于Sentinel-1/2动态耦合移栽期特征的水稻种植模式识别方法构建

根据水稻移栽期的特征，本文利用EVI2时序数据来判别作物种植强度和监测物候期，从而获得移栽期时间范围，然后通过水稻移栽期光学/雷达特征耦合关系，从而判断是否为水稻种植像元。

2.2.1 通过光学数据确定水稻移栽期

本文综合采用闫慧敏等[22]和张伟等[23]建立的峰值法来判别作物种植强度。首先对平滑后的EVI2数据进行二次差分算法，获取各像元可能的波峰。对于可能存在的“伪波峰”，则通过2个限制条件进行剔除：首先通过植被和非植被点位进行训练确定当EVI2大于0.2时才算峰值；其次通过水稻物候历对峰值日期进行合理性评估。基于以上步骤将确定的EVI2峰值日期定为水稻抽穗期[12]，然后根据水稻各生长期长度，推测水稻移栽期所在的时间范围。

2.2.2 构建动态函数提取水稻移栽期雷达特征

受气候条件和人为因素影响，不同地块上的水稻种植时间存在差异。南方地区水稻抽穗期一般出现在120~300 d之间，因此在该时间段内判别作物种植强度，可以有效剔除一些非水稻的“伪波峰”。水稻的移栽期时间范围一般在抽穗前Th1~Th2天，故在该时间段监测“V”形特征。本文协同EVI2和VH后向散射系数时序数据，设计动态函数查找水稻“V”形特征，算法公式如下：
g x i = 1           f x i - 2 > f x i - 1 > f x i < f x i + 1 < f x ( i + 2 ) 0         其 他
式中： f x i - 2、 f x i - 1、 f x i、 f x i + 1 、 f x i + 2依次为x像元抽穗期前Th1~Th2天的时序VH后向散射系数数据集中第i-2、i-1、i、i+1、i+2期VH后向散射系数值， g x i表示x像元在i期是否存在“V”形特征。若满足 f x i前2期值递减，后2期值递增，则存在“V”形特征，将该时间点x像元 g x i值赋为1,否则 g x i为0。
F X = ∑ 2 N - 2 g x ( i )
式中：F(X)为x像元计算抽穗期前Th1~Th2天这段时间“V”形特征出现的次数，N为x像元抽穗期前Th1~Th2天的时序VH后向散射系数数据集的 总期数。
为了避免“V”形特征的误判，研究认为“V”形特征在满足先减后增的规律的同时，还应有一定的变化幅度。为此用 V H a m p l i t u d e来表示“V”形变化幅度，如式（3）所示。
V H a m p l i t u d e = V m a x - V m i n
式中：当 g x i=0时， V m a x、 V m i n和 V H a m p l i t u d e均为0；当 g x i=1时， V m a x和 V m i n分别为 f x i前4期到后4期这段时间内VH后向散射系数的最大值和最小值， V H a m p l i t u d e为 V m a x和 V m i n的差值，这是为了充分体现水稻“V”形特征的变化幅度。若F(X)≥1，取 V H a m p l i t u d e最大值作为x像元“V”形特征的变化幅度。
根据训练样本，确定Th1=60 d，Th2=100 d，中稻和双季稻第一季（早稻）的“V”形变化幅度 V H a m p l i t u d e≥3，双季稻第二季（晚稻）在移栽期间，田间粗糙度比第一季大，因此“V”形特征减弱，变化幅度减小， V H a m p l i t u d e≥2。

2.2.3 水稻移栽期光学与雷达特征耦合

本文根据水稻移栽期EVI2值比较低的特点，加入移栽期EVI2均值作为限制条件，对“V”形特征进一步评估，可以有效的判断“V”形特征是否能够匹配到水稻的移栽期。根据江西省水稻物候日历和水稻生长期长度，确定不同水稻种植模式移栽期日期。对于中稻，取EVI2抽穗期前Tsp1~Tsp2 天作为中稻的移栽期，其均值为EVI2mean_S1（经训练样本确定Tsp1=90，Tsp2=120，EVI2mean_S1<0.2）；对于双季稻第一季，取抽穗期前Tdp1~Tdp2天作为双季稻第一季的移栽期，其均值为EVI2mean_D1（经训练样本确定Tdp1=60，Tdp2=90，EVI2mean_D1<0.2）。对于双季稻第二季（晚稻），因为存在抢收和抢种情况，使得第二季稻田里稻茬遗留较多，EVI2值较第一季移栽期更高且变异性较大，故不作限制条件。

2.3 精度评价

本文采用点位验证和统计数据验证两种方式进行精度评价。第1种方法利用地面参考点位，构建混淆矩阵进行精度评价。第2种方法是将水稻制图结果以县域为单元，与统计数据进行对比验证。

3 研究区概况及数据来源

3.1 研究区概况

江西省（24°29′14″N—30°04′41″N，113°34′36″E—118°28′58″E）地处中国中南部，属于亚热带季风气候，年平均气温16~20 ℃，年降水量1200~1900 mm，是水稻适宜种植区，水稻种植模式多样化且具有典型性。江西省水稻播种面积位居全国第二，水稻常年播种面积约占粮食作物播种面积的85%~90%。对江西省水稻种植情况展开研究有助于检验RPCDT算法的适用性以及了解水稻主产区作物种植趋势。

3.2 数据源与预处理

3.2.1 卫星遥感数据

Sentinel-1 SAR GRD 数据空间分辨率为10 m，重访周期为12 d，Sentinel-2 MSI数据空间分辨率达到10 m，时间分辨率达到5 d。对Sentinel-1数据进行了镶嵌合成、插值和平滑处理，对Sentinel-2数据进行了包括镶嵌合成、去云、指数计算、插值、平滑处理，这些预处理可以在一定程度上降低遥感影像的噪声影响[24⇓-26]。以10 d为间隔，分别获得了2018—2021年每年37幅遥感光学和雷达影像数据集。以上数据均通过GEE云计算平台在线访问和处理。

3.2.2 参考点位数据

参考点位数据用于训练指标阈值以及验证识别结果精度。本文的参考点位数据是通过实地调研和线上目视解译获取的。分别于2021年3月和9月在江西省吉安、九江、南昌等部分县市开展调研（图3）。调研过程使用GPS工具箱软件、大疆御2无人机以及MG858手持GPS接收器进行地面点位收集，并获取有关种植模式和物候等详细信息。另外基于Google Earth高分辨率影像目视解译在线选取林地、水体、建设用地和草地点位共2282个。共获取4675个参考点位。由于耕地作物类型复杂，因此对耕地上的参考点位进行了细分（表1），点位分布情况如图3所示。将参考点位数据的70%用于训练，30%用于验证。
图3 研究区实地调研点及地物类型空间分布

Fig. 3 Field research points and spatial distribution of ground object types in the study area

表1 耕地参考点数量

Tab. 1 Reference point number （个）

作物类别 点位数 作物类别 点位数 作物类别 点位数 作物类别 点位数
单季稻 631 全年蔬菜 54 其他旱作+水稻 86 单季草皮 67
双季稻 587 荷塘 69 单季芝麻 33 大棚 91
油菜+水稻 356 经济林木 36 单季甘蔗 13 总数 2023

4 结果与分析

4.1 2018—2021江西省水稻空间分布结果与分析

本文提取的江西省2018—2021年水稻种植情况结果如图4所示。江西省双季稻种植分布较为广泛，但主要集中在鄱阳湖平原地区。2018—2021年江西省水稻总种植面积呈现缩减的趋势（图5），主要由双季稻改种中稻所致。2018—2021年，水稻种植总面积减少9.47%，约3460 km2；双季稻种植面积缩减21.61%，约6430 km2；中稻种植面积增加29.64%，约2700 km2；水稻种植强度从1.62下降至1.49。减少的双季稻中，有83.98%改种中稻。从空间分布来看，赣南和赣北都趋于种植中稻，双季稻种植比重在鄱阳湖平原有增加的趋势。在实地调研过程中也发现近几年双季稻改种中稻较为普遍。因为受疫情和集约化生产的影响，越来越多的农户偏向于种植产量高且收益高的中稻，因此“双改单”的趋势越来越明显，与本文的水稻提取结果较为一致。
图4 2018—2021年江西省水稻空间分布

Fig. 4 Spatial distribution of rice in Jiangxi Province from 2018 to 2021

图5 2018—2021年江西省水稻种植情况

Fig. 5 Mapping area of rice in Jiangxi Province from 2018 to 2021

4.2 江西省水稻提取算法精度验证

本文利用1402个参考点位作为验证样本，对2021年水稻制图结果进行验证（表2）。从精度验证表可知，总体分类精度达到92.80%，Kappa系数为0.8698，水稻生产者精度高于93%，分类效果较好。
表2 水稻识别结果精度验证

Tab. 2 Rice identification result accuracy verification

双季稻 中稻 其他 生产者精度/% F1/%
双季稻 169/76/99 3/33/58 4/67/19 96.02/43.18/56.25 88.25/46.91/55.31
中稻 8/42/58 301/255/236 13/25/28 93.48/79.19/73.29 89.99/74.45/72.84
其他 35/30/25 38/75/32 831/779/847 91.92/88.12/93.69 94.86/88.77/94.22
用户精度/% 81.64/51.35/54.40 86.74/70.25/72.39 97.80/89.44/94.74
总体精度/% 92.80/80.32/84.31
Kappa系数 0.8698/0.6661/0.7212

注：对于每个单元格num1/num2/num3分别表示使用本文方法、詹培等方法和桑国庆等方法精度指标。

本文以县区为统计单元，由于统计数据存在滞后和缺失的情况，故采用最近年份数据较全的2019年水稻统计年鉴数据与制图结果进行对比。从图6和表3可知，江西省2019年水稻制图结果与统计数据有较好的一致性，R2为0.8558，相对误差为16.40%。总体来说，基于本文方法水稻制图结果略高于统计数据，其中2019年江西省水稻播制图面积为37 886.06 km2，与2019年统计数据相比高估13.22%。由于本文是基于所有地物类型开展水稻种植区遥感识别，其他地物类型种类繁多，尤其是耕地上作物类型复杂，无法评估全部作物类型的特征，故存在部分作物类型被误分为水稻，可能是统计数据与遥感估算结果存在偏差的主要原因。
图6 2019年稻制图面积与统计数据面积对比

Fig. 6 Comparison of double-cropping rice mapping area and statistical data area in 2019

表3 2019年江西省和湖南省散点图验证参数

Tab. 3 Validation parameters for scatter plots in Jiangxi Provinces and Hunan Provinces in 2019

散点图验证区域 验证方法 线性拟合曲线 决定系数R2 相对误差/% 样本个数/个
2019年江西省 詹培等方法 y=0.5020x 0.7715 98.05 40
桑国庆等方法 y=1.1609x+166.04 0.5989 -73.05 40
本文方法 y=0.9276x+57.1090 0.8558 16.40 40
2019年湖南省 桑国庆等方法 y=0.7890x+173.35 0.7890 -36.82 93
本文方法 y=1.0308x 0.9189 -7.55 123

5 讨论

5.1 方法对比

为了验证本文设计方法的有效性，在基于物候的水稻制图方法中，选择最近发表的詹培等[18]和桑国庆等[20]的水稻制图方法进行对比分析。通过对比3种方法的分类结果精度和分类效果（图7）来评估不同分类方法的优缺点。
图7 2021年江西省不同分类方法识别结果对比

Fig. 7 Comparison of recognition results of different classification methods in Jiangxi Province in 2021

采用点位验证和统计数据进行对比分析。基于实地调研点位对3种方法在江西省的制图结果进行验证。结果表明（表2），本文、詹培等和桑国庆等水稻制图方法的整体精度依次为92.80%、80.32%、84.31%，Kappa系数为0.8698、0.6661、0.7212。故从点位验证精度上看，本文方法具有一定的优势。为了进一步从数据层面检验方法的可靠性，将水稻种植面积最大的2个省（湖南省和江西省）的制图结果与统计数据进行对比验证（图6和表3）。结果显示2019年，本文方法在湘赣两省的制图结果与统计数据具有较好的一致性，R2高于0.85，拟合系数a均接近1。在不调整参数阈值的前提下，本文方法能够很好地适用于湖南省且分类结果较桑国庆等方法更好（该区域为桑国庆等方法研究区），证明本文方法具有较好的迁移泛化能力和稳定性。
不同分类方法分类效果对比分析。不同水稻分类方法提取结果如图7所示，并选取调研典型样区B进行目视解译，判别分类正确与否情况。通过对比B区域分类结果图可知，詹培等和桑国庆等方法存在大面积的水稻被漏分和水稻种植模式错分情况，另外詹培等方法相较于其他2种方法存在大面积其他地物也被分为水稻情况。结合对比统计数据（图6和表3）可知，詹培等方法水稻识别结果高估，主要是由于其他地物分为水稻所致；桑国庆等方法水稻识别结果低估，主要是由于漏分和双季稻错分为中稻所致（图7）。
由于前2种方法都是采用固定的时间窗口进行水稻“V”形特征提取，在水稻物候历存在较大差异的区域，导致无法准确地识别水稻“V”形特征，从而造成漏分；南方区域降水较多，容易造成地面积水，也会产生“V”形特征，但是詹培等方法不对“V”形特征的变化幅度进行约束或加入其他限制条件进行特征评估，故容易造成其他地物误分为水稻。相比之下，本文方法采用动态窗口进行水稻“V”形特征提取，可以有效避免特征漏分，并加入水稻移栽期EVI2均值进行特征耦合评估，可以有效剔除非稻田灌水产生的“V”形特征。因此，样区B内 （图7），本文水稻制图结果水稻种植模式错分漏分或其他地物分为水稻的现象较少。

5.2 方法特点与不足

由于本文用到了水稻抽穗期和移栽期的光学数据，需要考虑光学数据受云雨天气的影响。对这两个时间段内数据缺失情况进行模拟可评估其对算法的影响。若只有一两期数据质量较差，可通过数据插补的方法，将数据补全，算法精度几乎不受影响（图8(a)）。若数据缺失严重，可能会导致移栽期EVI2均值变大（图8(a)、(b)）或者抽穗期判断发生偏移（图8(c)、(d)），从而导致特征提取不准，最终影响到算法的精度。从数据缺失时间段来看，抽穗期数据质量对本文算法精度的敏感性要高于移栽期。由于光学数据缺失导致光学指标失效，是遥感应用中一个普遍存在的问题。因此后续研究中考虑采用多源数据融合的方式或更高时间分辨率的影像用来弥补数据缺失问题。
图8 模拟EVI2数据缺失情况

Fig. 8 Simulation of missing EVI2 data

6 结论

本文通过设计动态时间窗口查找水稻移栽期光学雷达/特征，通过其耦合关系进行水稻种植模式识别。将本文算法应用于水稻种植面积最大的湖南省和江西省，结果表明：
（1）本文算法应用于湘赣两省水稻种植模式识别，制图结果与统计数据具有较好的一致性，R2高于0.85；点位验证总体精度达92.80%，Kappa系数为0.8698。相比于詹培等和桑国庆等方法采用固定窗口进行特征提取，本文利用动态窗口进行水稻“V”特征提取，并加入其他指标进行耦合，可以有效避免特征漏分和错分现象，从而实现高精度水稻种植模式制图。研究表明：该方法具有较强的鲁棒性和泛化能力，能够为多云多雨区域水稻种植模式提取提供新的途径，并且有望实现全国范围内高精度水稻种植模式提取。
（2）2018—2021年，江西省水稻总种植面积减少9.47%，约3460 km2；江西省水稻“双改中”趋势明显，水稻种植强度从1.62下降至1.49。在水稻种植模式上，减少的双季稻有83.98%改种中稻，双季稻种植面积以每年7%的速度减少。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Halder D, Saha J K, Biswas A. Accumulation of essential and non-essential trace elements in rice grain: Possible health impacts on rice consumers in West Bengal, India[J]. Science of The Total Environment, 2020, 706:135944. DOI:10.1016/j.scitotenv.2019.135944

DOI

[2]
Fadhlullah R, Reddy P, Gabor K, et al. Automatic mapping of rice growth stages using the integration of sentinel-2, mod13q1, and sentinel-1[J]. Remote Sensing, 2020, 12(21):3613. DOI:10.3390/rs12213613

DOI

[3]
Naseer M, Ashfaq M, Razzaq A, et al. Comparison of water use efficiency, profitability and consumer preferences of different rice varieties in Punjab, Pakistan[J]. Paddy and Water Environment, 2020, 18(1):273-282. DOI:10.1007/s10333-019-00780-9

DOI

[4]
Huang Y B, Wang C J, Lin C, et al. Methane and nitrous oxide flux after biochar application in subtropical acidic paddy soils under tobacco-rice rotation[J]. Scientific reports, 2019, 9:17277. DOI:10.1038/s41598-019-53044-1

DOI PMID

[5]
Jiang Y, Qian H, Huang S, et al. Acclimation of methane emissions from rice paddy fields to straw addition[J]. Science Advances, 2019, 5(1):eaau9038. DOI:1126/sciadv.aau9038

DOI

[6]
Zhang L, Xu X C. Difference in carbon footprint between single-and double-cropping rice production in China, 2003-2016[J]. Environmental Science and Pollution Research, 2021, 28(21):27308-27317. DOI:10.1007/s11356-021-12543-3

DOI

[7]
Mosleh M K, Hassan Q K, Chowdhury E H. Application of remote sensors in mapping rice area and forecasting its production: A review[J]. Sensors (Basel, Switzerland), 2015, 15(1):769-791. DOI:10.3390/s150100769

DOI

[8]
Gumma M K, Nelson A, Thenkabail P S, et al. Mapping rice areas of South Asia using MODIS multitemporal data[J]. Journal of applied remote sensing, 2011, 5(1):053547. DOI:10.1117/1.3619838

DOI

[9]
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. DOI:10.1016/j.rse.2016.02.016

DOI PMID

[10]
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, 101:102351. DOI:10.1016/j.jag.2021.102351

DOI

[11]
Xiao X M, Boles S, Frolking S, et al. Mapping paddy rice agriculture in South and Southeast Asia using multi-temporal MODIS images[J]. Remote sensing of Environment, 2006, 100(1):95-113. DOI:10.1016/j.rse.2005.10.004

DOI

[12]
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. DOI:10.1016/j.ecolind.2015.03.039

DOI

[13]
Mateo-Sanchis A, Piles M, Muñoz-Marí J, et al. Synergistic integration of optical and microwave satellite data for crop yield estimation[J]. Remote sensing of environment, 2019, 234:111460. DOI:10.1016/j.rse.2019.111460

DOI

[14]
Jiang M, Xin L, Li X, et al. Decreasing rice cropping intensity in southern China from 1990 to 2015[J]. Remote Sensing, 2019, 11(1):35. DOI:10.3390/rs11010035

DOI

[15]
Clauss K, Yan H M, Kuenzer C. Mapping paddy rice in China in 2002, 2005, 2010 and 2014 with MODIS time series[J]. Remote Sensing, 2016, 8(5):434. DOI:10.3390/rs8050434

DOI

[16]
Chen C F, Son N T, Chen C R, et al. Rice crop mapping using Sentinel-1A phenological metrics[J]. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2016, 41(8). DOI:10.5194/isprsarchives-XLI-B8-863-2016

DOI

[17]
Cai Y T, Lin H, Zhang M. Mapping paddy rice by the object-based random forest method using time series Sentinel-1/Sentinel-2 data[J]. Advances in Space Research, 2019, 64(11):2233-2244. DOI:10.1016/j.asr.2019.08.042

DOI

[18]
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, 252:112112. DOI:10.1016/j.rse.2020.112112

DOI

[19]
Pan B H, Zheng Y, Shen R Q, et al. High Resolution Distribution Dataset of Double-Season Paddy Rice in China[J]. Remote Sensing, 2021, 13(22): 4609. DOI:10.3390/rs13224609

DOI

[20]
桑国庆, 唐志光, 毛克彪, 等. 基于GEE云平台与Sentinel数据的高分辨率水稻种植范围提取——以湖南省为例[J]. 作物学报, 2022, 48(9):2409-2420.

[Sang G Q, Tang Z G, Mao K B, et al. High-resolution paddy rice mapping using Sentinel data based on GEE platform: A case study of Hunan Province, ChinaFull text replacement[J]. Acta Agronomica Sinica, 2022, 48(9):2409-2420. ] DOI:11.1809.S.20220210.1811.002

DOI

[21]
Qiu B W, Luo Y H, Tang Z H, et al. Winter wheat mapping combining variations before and after estimated heading dates[J]. ISPRS journal of photogrammetry and remote sensing, 2017, 123:35-46. DOI:10.1016/j.isprsjprs.2016.09.016

DOI

[22]
Yan H M, Liu F, Qin Y W, et al. Tracking the spatio-temporal change of cropping intensity in China during 2000—2015[J]. Environmental Research Letters, 2019, 14(3):035008. DOI:10.1088/1748-9326/AAF9C7

DOI

[23]
张伟, 李玮, 陶冠宏, 等. 利用STARFM模型提高复杂地表下复种指数遥感提取精度[J]. 农业工程学报, 2020, 36(21):175-185.

[Zhang W, Li W, Tao G H, et al. Improvement of extraction accuracy for cropping intensity in complex surface regions using STARFM[J]. Transactions of the Chinese Society of Agricultural Engineering, 2020, 36(21):175-185. ] DOI:10.11975/j.issn.1002-6819.2020.21.021

DOI

[24]
邱炳文, 闫超, 黄稳清. 基于时序遥感数据的农作物种植制度研究进展与展望[J]. 地球信息科学学报, 2022, 24(1):176-188.

DOI

[Qiu B W, Yan C, Huang W Q. Progress and prospect on mapping cropping systems using time series images[J]. Journal of Geo-information Science, 2022, 24(1):176-188. ] DOI:10.12082/dqxxkx.2022.210604

DOI

[25]
Zhang G L, Xiao X M, Dong J W, et al. Mapping paddy rice planting areas through time series analysis of MODIS land surface temperature and vegetation index data[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2015, 106:157-171. DOI:10.1016/j.isprsjprs.2015.05.011

DOI

[26]
Qiu B W, Lin D D, Chen C C, et al. From cropland to cropped field: A robust algorithm for national-scale mapping by fusing time series of Sentinel-1 and Sentinel-2[J]. International Journal of Applied Earth Observation and Geoinformation, 2022, 113:103006. DOI:10.1016/j.jag.2022.103006

DOI

Options
Outlines

/

〈 〉