中圖分類號(hào)：TP79;S127 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1000-4440（2025）06-1159-10

Abstract：Multi-temporal Sentinel-1/2datademonstratesignificantadvantagesinidentifyingandmonitoringrice cultivation incomplex mountainousandhillyareas，aswellasincloudyandrainyenvironments，which providerich information forriceidentification.However，anexcesivenumberoffeature variablesmayleadtodimensionaldisastersandinformationredundancy.Inthis study，a featureselectionmethod wasemployedtoevaluate therecognitionaccuracyoffive feature combination schemes（spectral features，spectral features + vegetation indices，spectral features + vegetation indices + texture features，spectral features + vegetation indices + texture features + radarinformation，and feature selection） forricecultivationarea，using Sentinel-1/2multi-spectralandmulti-temporaldata.Thespatial mappingacuracyof each schemewas alsoanalyzed.Theresults indicatedthat Scheme five，which incorporatedfeature selection，performed the best in rice identification，with an overall accuracy of 92.60% ，a Kappa coefficient of O.903 O，and an F₁ score of 92.40 % ： Comparedwiththericecultivationareadatain2O24fromtheJiangxi Statistical Yearbook，Schemefiveachievedahighaccuracy of 98.73% in estimating the rice area in Jiangxi province，with a significantly lower relative error compared to

Schemeone-Scheme four.Theresults of this studyconfirm that the integrated application ofmulti-source remote sensing data and multi-temporal feature selection methods caneffectively reduce data redundancy and enhance the accuracy and precision of rice area extraction.

Key words：multi-source remote sensing；rice； Jiangxi province；feature selection；random forest method

糧食安全是國(guó)家安全與社會(huì)穩(wěn)定的基石，黨的二十大報(bào)告強(qiáng)調(diào)“全方位夯實(shí)糧食安全根基”的重要性，對(duì)保障糧食安全提出更高的要求[1]。及時(shí)準(zhǔn)確地掌握水稻種植面積對(duì)于科學(xué)預(yù)測(cè)產(chǎn)量變化趨勢(shì)、輔助農(nóng)情監(jiān)測(cè)、前瞻性引導(dǎo)市場(chǎng)供需平衡及保障國(guó)家糧食安全至關(guān)重要[2]。江西省作為中國(guó)水稻主要種植區(qū)之一，在水稻生產(chǎn)中占據(jù)重要地位。因此，獲取江西省的水稻種植面積數(shù)據(jù)顯得尤為重要。傳統(tǒng)的地面測(cè)量方法效率低、成本高且勞動(dòng)強(qiáng)度大[3]。相對(duì)地，衛(wèi)星遙感技術(shù)能夠提供頻繁、準(zhǔn)確、經(jīng)濟(jì)且動(dòng)態(tài)的信息，極大地提高遙感識(shí)別的效率[4]。在農(nóng)業(yè)遙感領(lǐng)域，使用單一的 Sentinel-1影像雖簡(jiǎn)便，但由于其易受噪聲干擾且合成孔徑雷達(dá)（SAR）技術(shù)光譜信息有限，容易導(dǎo)致細(xì)小斑塊稻田的漏分現(xiàn)象[5]。相比之下，Sentinel-2能夠提供豐富的光譜信息，但在復(fù)雜地形或多云雨天氣下數(shù)據(jù)獲取受限[6-7]。因此，結(jié)合 Sentinel-1與 Sentinel-2的多源遙感數(shù)據(jù)能夠有效克服各自局限性，顯著提升作物識(shí)別精度。

在機(jī)器學(xué)習(xí)領(lǐng)域，隨機(jī)森林算法憑借抗過(guò)擬合能力強(qiáng)、識(shí)別精度高等優(yōu)點(diǎn)，被廣泛應(yīng)用于作物面積提取研究中[8-10]。姚園等[11]利用多時(shí)相Sentinel-1/2數(shù)據(jù)，結(jié)合物候參數(shù)和面向?qū)ο蟮碾S機(jī)森林算法，有效提高了復(fù)雜地形區(qū)稻田的識(shí)別精度。研究發(fā)現(xiàn)物候參數(shù)在表征植被生長(zhǎng)動(dòng)態(tài)上具有明顯優(yōu)勢(shì)，識(shí)別精度高達(dá) 94.47% ，Kappa系數(shù)為0.92。李恒凱等[12]利用Sentinel-1時(shí)序合成孔徑雷達(dá)（SAR）與Sentinel-2光學(xué)數(shù)據(jù)，提出一種融合SAR和光學(xué)影像特征的水稻識(shí)別方法。通過(guò)結(jié)合時(shí)序SAR特征、紅邊波段、增強(qiáng)植被指數(shù)（EVI）和地表植被指數(shù)（LSWI，使用隨機(jī)森林算法提取水稻種植面積，提取精度達(dá)92.67% ，Kappa系數(shù)為0.91。研究結(jié)果表明，結(jié)合多種光譜指數(shù)和極化信息的多源數(shù)據(jù)能夠在復(fù)雜地形區(qū)顯著提高作物識(shí)別精度。

此外，光譜波段、植被指數(shù)、紋理指數(shù)及極化信息等多種特征均可用于水稻遙感識(shí)別，但引入過(guò)多特征變量會(huì)引發(fā)“維數(shù)災(zāi)難”，導(dǎo)致信息冗余，甚至降低識(shí)別精度[13-20]。因此，農(nóng)業(yè)遙感研究中采用合適的特征選擇算法，篩選出最優(yōu)特征，是提升水稻面積提取精度的關(guān)鍵步驟。盡管多源遙感數(shù)據(jù)和特征優(yōu)選方法在提高作物識(shí)別精度和信息全面性方面取得顯著進(jìn)展，但應(yīng)用中仍面臨諸如數(shù)據(jù)下載量大、預(yù)處理復(fù)雜、計(jì)算需求高和存儲(chǔ)空間占用大的挑戰(zhàn)，限制了其在實(shí)際生產(chǎn)中的推廣。谷歌地球引擎（GEE）依靠強(qiáng)大的云計(jì)算能力和豐富的遙感影像數(shù)據(jù)庫(kù)[2I-25]，可以快速調(diào)用Sentinel-1/2等多源遙感數(shù)據(jù)，結(jié)合多種識(shí)別算法實(shí)現(xiàn)高效的大區(qū)域數(shù)據(jù)處理和分析?；贕EE平臺(tái)開(kāi)發(fā)的利用Sentinel-1/2數(shù)據(jù)的水稻面積提取模型，不僅突破了傳統(tǒng)遙感技術(shù)的應(yīng)用瓶頸，還為大范圍高精度水稻種植監(jiān)測(cè)提供重要的技術(shù)支撐。

為解決江西省丘陵地區(qū)地形復(fù)雜、水稻分布零散及氣候多變導(dǎo)致的遙感困難的問(wèn)題，本研究依托GEE云平臺(tái)，結(jié)合Sentinel-1SAR和Sentinel-2MSI影像，提取光譜波段、植被指數(shù)、紋理特征及極化特征，篩選出對(duì)水稻識(shí)別精度較高的特征。利用隨機(jī)森林算法對(duì)不同特征組合進(jìn)行識(shí)別試驗(yàn)，系統(tǒng)評(píng)估其識(shí)別性能，探索適用于江西丘陵地區(qū)的高精度水稻遙感識(shí)別方法。本研究結(jié)果將為復(fù)雜地形條件下的水稻種植信息提取提供技術(shù)參考。

研究區(qū)與數(shù)據(jù)源

1.1研究區(qū)概況

研究區(qū)位于江西省，地處長(zhǎng)江中下游南岸（ 113^° 34^′～118^°28^′E ， 24^°29^′～30^°04^′N） ，總面積約為166900km² ，其地理位置優(yōu)越，是連接中國(guó)東南沿海地區(qū)與內(nèi)陸地區(qū)的重要通道。研究區(qū)主要由山地丘陵構(gòu)成，東、西、南三面被山脈包圍，中部地形起伏，而北部地形相對(duì)平坦，并擁有中國(guó)最大的淡水湖——鄱陽(yáng)湖。研究區(qū)屬中亞熱帶溫暖濕潤(rùn)季風(fēng)氣候，擁有充足的熱量和豐富的降水，年均氣溫為16.3～19.5°C ，年均降雨量為1 341～1934mm ，這樣的環(huán)境非常適合水稻生長(zhǎng)。

1.2數(shù)據(jù)源及預(yù)處理

本研究以江西省為研究區(qū)，研究時(shí)間為水稻移栽期（2023年5-6月）、抽穗期（2023年8-9月）和成熟期（2023年10-11月）。利用GEE平臺(tái)對(duì)Sen-tinel-2影像數(shù)據(jù)進(jìn)行處理。首先，采用Cloudscore算法剔除云影，生成無(wú)云影像。隨后，使用S2_HARMONIZED數(shù)據(jù)進(jìn)行大氣和輻射校正，消除大氣散射與吸收影響，并將反射率標(biāo)準(zhǔn)化，確保數(shù)據(jù)的一致性和可比性。為進(jìn)一步減少噪聲和殘留云影，對(duì)各時(shí)段影像進(jìn)行中值合成處理，提升數(shù)據(jù)質(zhì)量。對(duì)處理后的影像進(jìn)行區(qū)域裁剪并進(jìn)行幾何校正，以確保空間精度和數(shù)據(jù)適用性。

同時(shí)，Sentinel-1影像數(shù)據(jù)在3個(gè)時(shí)段均采用均值合成處理，以減少噪聲并提高時(shí)空穩(wěn)定性。通過(guò)矢量數(shù)據(jù)對(duì)Sentinel-1影像進(jìn)行空間裁剪，提取研究區(qū)域內(nèi)的數(shù)據(jù)。最終，獲取3個(gè)時(shí)段的光譜波段、植被指數(shù)、紋理指數(shù)和極化特征數(shù)據(jù)集，為水稻生長(zhǎng)監(jiān)測(cè)提供高精度的遙感數(shù)據(jù)支持。

1.3 覆被類型劃分及樣本數(shù)據(jù)處理

本研究依托Sentinel-1/2衛(wèi)星影像，結(jié)合實(shí)地調(diào)查與全球定位系統(tǒng)（GPS）定位，收集水稻及其他地物的地面數(shù)據(jù)。數(shù)據(jù)導(dǎo)人GEE云平臺(tái)進(jìn)行處理，主要研究區(qū)域?yàn)閺?fù)雜地形下的耕作區(qū)，通過(guò)目視解譯結(jié)合谷歌地球輔助工具識(shí)別林草地、水體和建筑。水稻的地理坐標(biāo)和特征信息主要通過(guò)實(shí)地采樣確定。最終形成5種覆被類型：水稻、林草地、建筑物、水體及其他作物。使用隨機(jī)原則， 50% 的數(shù)據(jù)被選為訓(xùn)練樣本，剩余 50% 用作驗(yàn)證樣本（表1），以評(píng)估識(shí)別精度。各類樣本的分布和數(shù)量詳見(jiàn)圖1與表1。

2 研究方法

2.1 特征提取

2.1.1光譜特征/植被指數(shù)本研究選取Sentinel-2影像后期參與建模的10個(gè)波段和5個(gè)植被指數(shù)[綠色葉綠素植被指數(shù)（GCVI）、歸一化植被指數(shù)（ND-VI）、植被差異指數(shù)（DVI）、增強(qiáng)植被指數(shù)（EVI）和地表植被指數(shù)（LSWI）]進(jìn)行分析。Sentinel-2波段數(shù)據(jù)在識(shí)別中的具體應(yīng)用及特征詳見(jiàn)表2，相關(guān)植被指數(shù)的計(jì)算公式見(jiàn)表3。

2.1.2紋理特征在遙感圖像分析中，紋理描述圖像的粗糙度、相關(guān)性和對(duì)比度等屬性，是補(bǔ)充光譜特征、反映地物空間結(jié)構(gòu)的重要特征。特別是在水稻的關(guān)鍵移栽物候期，水稻紋理與水體的紋理特征差異顯著，十分有利于進(jìn)行精準(zhǔn)識(shí)別。本研究在3個(gè)關(guān)鍵時(shí)期（移栽期、抽穗期和成熟期），采用均值、方差、協(xié)同性、對(duì)比度、相異性、熵、二階矩和相關(guān)性等

8種紋理特征[32]（表4）進(jìn)行水稻識(shí)別。這些紋理特征的綜合運(yùn)用不僅能彌補(bǔ)光譜特征在空間信息方面的不足，還可以顯著提升識(shí)別精度，使得水稻與其他地表類型的區(qū)分更為準(zhǔn)確。

2.1.3雷達(dá)信息在本研究中，針對(duì)水稻的3個(gè)關(guān)鍵物候期，從2023年5月至11月選擇多時(shí)相數(shù)據(jù)進(jìn)行水稻識(shí)別。利用Sentinel-1衛(wèi)星的主動(dòng)微波雷達(dá)技術(shù)，該技術(shù)無(wú)需依賴外部光源，可通過(guò)雷達(dá)波探測(cè)地表信息。Sentinel-1搭載的C波段SAR傳感器支持多種成像模式，包括條帶模式（SM）、干涉寬幅模式（IW）、超寬幅模式（EW）和波模式（WV）。本研究采用Sentinel-1A的單視復(fù)數(shù)產(chǎn)品（SLC）和IW成像模式，結(jié)合垂直發(fā)射-垂直接收（VV）和垂直發(fā)射-水平接收（VH）的極化方式[33]

2.2 識(shí)別試驗(yàn)方案

2.2.1特征優(yōu)選在本研究中，綜合利用Sentinel-1/2多時(shí)相遙感數(shù)據(jù)多特征優(yōu)勢(shì)，對(duì)水稻信息進(jìn)行精細(xì)化識(shí)別。研究結(jié)果表明，由于特征間的差異性，未經(jīng)篩選的多特征集合可能導(dǎo)致信息冗余和維度災(zāi)難，影響識(shí)別結(jié)果的精確性。因此，為優(yōu)化識(shí)別效果，本研究采用隨機(jī)森林算法中的嵌入式特征選擇方法，系統(tǒng)評(píng)估各特征在水稻識(shí)別中的貢獻(xiàn)度。從3個(gè)關(guān)鍵生育期（移栽期、抽穗期和成熟期）篩選、獲取75個(gè)變量，其中包括30個(gè)光譜波段、15個(gè)植被指數(shù)、24個(gè)紋理指數(shù)和6個(gè)極化特征。如圖2所示，剔除重要性低于400的特征后，共保留54個(gè)特征。為提高模型效率并避免冗余干擾，本研究進(jìn)一步從中篩選出18個(gè)對(duì)水稻識(shí)別影響顯著的關(guān)鍵特征參與后續(xù)建模。

2.2.2水稻識(shí)別試驗(yàn)方案為評(píng)估不同物候特征及隨機(jī)森林特征優(yōu)選對(duì)水稻識(shí)別精度的影響，本研究設(shè)置5個(gè)試驗(yàn)組，分別探索包括光譜特征、植被指數(shù)、紋理特征及雷達(dá)信息在內(nèi)的不同特征組合。試驗(yàn)的具體方案及其組成特征在表5中詳細(xì)列出，供進(jìn)一步分析和比較。

2.3 隨機(jī)森林算法

隨機(jī)森林（RF）算法通過(guò)構(gòu)建多個(gè)決策樹(shù)并采用投票機(jī)制確定最終識(shí)別結(jié)果，有效克服單一決策樹(shù)在復(fù)雜數(shù)據(jù)集上的識(shí)別不穩(wěn)定性。該算法在建樹(shù)過(guò)程中隨機(jī)選擇訓(xùn)練樣本和特征，結(jié)合Bagging的集成學(xué)習(xí)思想和隨機(jī)特征選擇策略[34]，提高決策樹(shù)間的獨(dú)立性，增強(qiáng)模型的泛化能力。RF算法特別適用于處理高維數(shù)據(jù)，具有很強(qiáng)的抗過(guò)擬合性和優(yōu)秀的異常值處理能力。在谷歌地球引擎（GEE）平臺(tái)上進(jìn)行的應(yīng)用測(cè)試結(jié)果顯示，當(dāng)決策樹(shù)數(shù)量設(shè)置為500時(shí)，模型誤差顯示出明顯的收斂趨勢(shì)，驗(yàn)證了該參數(shù)設(shè)置的有效性。

2.4精度評(píng)價(jià)與技術(shù)路線

為評(píng)估2023年Sentinel-1/2衛(wèi)星遙感影像中的江西省水稻識(shí)別效果，本研究采用混淆矩陣計(jì)算總體精度（OA）Kappa系數(shù)、制圖精度、用戶精度和 F₁ 分?jǐn)?shù)。 OA 和Kappa系數(shù)用于評(píng)估整體識(shí)別精度，制圖精度、用戶精度和 F₁ 分?jǐn)?shù)專門用來(lái)衡量水稻識(shí)別的精度。本試驗(yàn)的詳細(xì)技術(shù)流程見(jiàn)圖3。

3 結(jié)果與分析

3.1 江西省水稻識(shí)別精度分析

在本研究中，采用隨機(jī)森林算法，并結(jié)合不同特征組合對(duì)水稻進(jìn)行識(shí)別，深人分析這些特征組合對(duì)識(shí)別精度的影響。最初只使用光譜特征進(jìn)行識(shí)別，水稻面積識(shí)別的總體精度達(dá)到 88.73% ，Kappa系數(shù)為0.8511（表6），這驗(yàn)證了光譜特征在基本的水稻識(shí)別中的有效性。植被指數(shù)能有效反映植被生長(zhǎng)狀態(tài)，有利于區(qū)分水稻和林草地，引入植被指數(shù)后，識(shí)別的總體精度提升至 90.33% ，Kappa系數(shù)增至0.8732。加人紋理特征后，識(shí)別的總體精度進(jìn)一步提升至91. 16% ，Kappa系數(shù)達(dá)到 0.883 9 。通過(guò)整合Sentinel-1的VV/VH極化數(shù)據(jù)，利用其在移栽物候期間水稻與水體的不同反射特性，總體精度提升至 92.40% ，Kappa系數(shù)達(dá)到 0.9005 。通過(guò)優(yōu)化和剔除冗余數(shù)據(jù)，最終的總體精度提升至 92.60% ，Kappa系數(shù)達(dá)到 |0.903 0 。這些結(jié)果（表6）表明，特征優(yōu)選的策略在提高水稻識(shí)別精度方面具有顯著效果，水稻種植區(qū)域提取對(duì)比結(jié)果見(jiàn)圖4。

3.2水稻面積提取與官方統(tǒng)計(jì)數(shù)據(jù)對(duì)比分析

在本研究中，利用Sentinel-1/2遙感圖像，采用RF方法，結(jié)合5種試驗(yàn)方案，估算江西省的水稻種植面積，并將結(jié)果與2023年江西省中稻及一季晚稻的官方統(tǒng)計(jì)數(shù)據(jù)進(jìn)行比較。由圖5可以看出，方案1＼～方案5模型提取水稻面積和相對(duì)誤差分別為9 747.28 km² 一 10027.20km² 、 10 090.44km² ）9 561.38 km² 、 9479.17km² 和 4.14% ！ 7.13%

7.80% 、2. 16% 、 1.27% ，均大于《江西統(tǒng)計(jì)年鑒》中統(tǒng)計(jì)的水稻面積（ 9 360.00km² ）。其中方案5水稻面積與《江西統(tǒng)計(jì)年鑒》水稻面積最為接近，可見(jiàn)，使用特征優(yōu)選后的特征組合提取的水稻面積更接近真實(shí)值。而方案2和方案3雖然在植被指數(shù)和紋理指數(shù)的加入下精度有所提升，但也導(dǎo)致誤差的增加和精度的降低，主要是由于這些特征增加了水稻識(shí)別模型的復(fù)雜度，導(dǎo)致出現(xiàn)錯(cuò)分現(xiàn)象。

3.3特征組合優(yōu)化對(duì)水稻識(shí)別精度的影響

在江西省進(jìn)行的水稻種植面積遙感分析中，本研究使用基于Sentinel-1/2數(shù)據(jù)的RF算法結(jié)合特征優(yōu)選的方案5，圖6和表6顯示，該方案在總體精度和Kappa系數(shù)方面表現(xiàn)最為優(yōu)異。相較于其他模型組合，方案5在總體精度上提升0.20至3.87個(gè)百分點(diǎn)，而Kappa系數(shù)提升0.0025至0.0519。此外，該方案通過(guò)優(yōu)選對(duì)水稻識(shí)別精度最具影響力的特征，顯著減少了信息冗余，并提高了水稻識(shí)別精度。例如，方案1僅利用基礎(chǔ)光譜特征，在水稻與其他地物的區(qū)分上表現(xiàn)不佳，導(dǎo)致水稻識(shí)別精度較低。方案2和方案3通過(guò)加入植被指數(shù)和紋理特征，雖然在一定程度上提高了水稻識(shí)別精度，但在光譜特性相似的水體的識(shí)別上仍有局限性，且易發(fā)生錯(cuò)分方案1～方案5具體內(nèi)容見(jiàn)表5。審圖號(hào)：GS（2019）3333號(hào)。

柱形圖表示水稻面積，折線圖表示相對(duì)誤差。

現(xiàn)象。方案4通過(guò)加入VV/VH雷達(dá)信息，提升了對(duì)水體的區(qū)分能力，降低了錯(cuò)分現(xiàn)象，但由于數(shù)據(jù)冗余未能達(dá)到最優(yōu)精度。方案5通過(guò)優(yōu)選對(duì)水稻識(shí)別精度影響最大的特征，大幅提升了模型的準(zhǔn)確性。本研究結(jié)果可以為在復(fù)雜地形和多變氣候下精確評(píng)估水稻種植面積提供重要參考。

3.4江西省水稻種植空間分布

本研究詳細(xì)分析了各個(gè)方案在水稻識(shí)別中的表現(xiàn)。方案5采用特征優(yōu)選的方法，選取對(duì)水稻識(shí)別精度最具影響力的特征集，因而在總體精度、Kappa系數(shù)、用戶精度及 F₁ 分?jǐn)?shù)等方面展現(xiàn)出最佳效果。在江西省，采用該方案的水稻面積估算精度高達(dá)98.73% ?？臻g分布分析結(jié)果揭示，水稻主要集中在環(huán)鄱陽(yáng)湖流域及其北部地區(qū)，且由中心向外逐漸減少。這種分布模式與江西省的地形特點(diǎn)密切相關(guān)，該地區(qū)東、南、西三面環(huán)山，北部平原廣闊，江湖眾多。鄱陽(yáng)湖流域及北部地區(qū)的豐富水資源和充足陽(yáng)光為水稻的生長(zhǎng)創(chuàng)造了有利條件。

4討論

本研究使用GEE云平臺(tái)上的Sentinel-1/2遙感影像，探索江西省2023年水稻種植面積的估算方法。通過(guò)分析多時(shí)相數(shù)據(jù)，設(shè)計(jì)5種特征組合進(jìn)行水稻識(shí)別精度和面積估算。5種方案為方案1（光譜特征）、方案2（光譜特征 + 植被指數(shù)）、方案3（光譜特征 + 植被指數(shù) + 紋理特征）、方案4（光譜特征 + 植被指數(shù) + 紋理特征 +VV/VH 雷達(dá)信息）、方案5（特征優(yōu)選），研究對(duì)比各方案的性能，并與實(shí)地調(diào)查及官方統(tǒng)計(jì)數(shù)據(jù)對(duì)比，以評(píng)估各種方案的效果，旨在為江西省水稻面積的精確測(cè)繪提供參考。

通過(guò)整合光譜波段、植被指數(shù)、紋理指數(shù)，并加人VV/VH雷達(dá)信息，方案4和方案5在總體精度、Kappa系數(shù)及面積提取相對(duì)誤差方面實(shí)現(xiàn)顯著提升，分別為 92.40%.0.9005.2.16% 以及 92.60% 10.903 0.1.27% 。與方案4相比，方案5通過(guò)特征優(yōu)選，進(jìn)一步提升水稻識(shí)別精度，并量化各特征對(duì)整體效果的具體貢獻(xiàn)，其中移栽期的VH雷達(dá)信息對(duì)水稻識(shí)別的貢獻(xiàn)最大。這種顯著的性能提升主要得益于VH雷達(dá)信息的加入，該信息提供傳統(tǒng)光譜信息所無(wú)法覆蓋的物理測(cè)量維度，尤其在識(shí)別水稻作物的水分和結(jié)構(gòu)變化方面顯示出高敏感度。甘聰聰?shù)萚的研究結(jié)果也表明，VH雷達(dá)信息在區(qū)分水稻與非水稻植被背景，特別是在潮濕或有水的環(huán)境中，具有顯著的優(yōu)勢(shì)。因此，利用雷達(dá)信息不僅提高了水稻識(shí)別精度，也為精確監(jiān)測(cè)水稻種植面積提供有效的技術(shù)手段。

研究結(jié)果顯示，方案5在總體精度、Kappa系數(shù)及水稻細(xì)節(jié)識(shí)別方面顯著優(yōu)于其他方案，這與王季娟等[20]的研究結(jié)論一致，突顯了特征優(yōu)選在提升水稻識(shí)別精度及減少誤判中的重要性。方案1僅利用基礎(chǔ)光譜特征進(jìn)行水稻識(shí)別分析，在復(fù)雜背景下難以區(qū)分水稻與相似光譜特性的地物（如濕地或低矮植被），表現(xiàn)不佳。方案2和方案3通過(guò)引入植被指數(shù)（如NDVI）和紋理特征，增強(qiáng)植被與非植被的對(duì)比，并利用紋理特征捕捉地物的空間結(jié)構(gòu)，提升水稻識(shí)別精度。然而，這些方案在區(qū)分光譜特性相似的水體時(shí)仍有局限性，容易發(fā)生錯(cuò)分現(xiàn)象，特別是在水稻與濕地之間。方案4通過(guò)加入VV/VH雷達(dá)信息，有效區(qū)分水體和水稻，因?yàn)檫@些地物在極化響應(yīng)上存在明顯差異，減少了錯(cuò)分現(xiàn)象，但數(shù)據(jù)維度的增加也可能帶來(lái)冗余，影響水稻識(shí)別精度。方案5通過(guò)篩選出對(duì)水稻識(shí)別精度最有影響力的特征，顯著提升水稻識(shí)別效率和精度，實(shí)現(xiàn)最高的識(shí)別總體精度。這一方案不僅減少了特征冗余，還優(yōu)化了模型的效率和準(zhǔn)確性，顯示出特征選擇增強(qiáng)模型的水稻識(shí)別能力和泛化性潛力。本研究綜合利用多源遙感數(shù)據(jù)和多時(shí)相特征，篩選出對(duì)水稻識(shí)別影響顯著的關(guān)鍵變量，從而提升模型在水稻識(shí)別中的精度。未來(lái)研究可引入優(yōu)化算法以優(yōu)化模型參數(shù)，并結(jié)合先進(jìn)的深度學(xué)習(xí)識(shí)別方法，以進(jìn)一步提高估算的精度和可靠性。

5結(jié)論

本研究綜合利用GEE平臺(tái)和Sentinel-1/2衛(wèi)星數(shù)據(jù)，對(duì)江西省水稻種植面積進(jìn)行詳細(xì)分析。通過(guò)綜合多時(shí)相和多源數(shù)據(jù)，采用5種特征組合方案對(duì)水稻進(jìn)行精確識(shí)別，其中特征優(yōu)選的方案5表現(xiàn)最為突出，顯著提高了識(shí)別的總體精度和Kappa系數(shù)，分別達(dá)到 92.60% 和 0.9030 。研究結(jié)果表明，結(jié)合Sentinel-1的極化信息和Sentinel-2的高分辨率光學(xué)數(shù)據(jù)，可以有效地提高水稻種植區(qū)的識(shí)別精度，尤其是在復(fù)雜地形和多云條件下。此外，本研究還突顯特征優(yōu)選在提高水稻識(shí)別精度中的重要性，為江西省及類似地區(qū)的水稻種植監(jiān)測(cè)和管理提供重要的科學(xué)依據(jù)和技術(shù)支持，有助于精確農(nóng)業(yè)的發(fā)展和糧食安全的保障。

參考文獻(xiàn)：

[1］鐘鈺，王曦照，巴雪真，等.全方位夯實(shí)糧食安全根基;戰(zhàn)略 內(nèi)涵、現(xiàn)實(shí)制約與突破路徑[J].農(nóng)業(yè)經(jīng)濟(jì)與管理，2024（1）： 12-22.

[2］劉通，任鴻瑞.GEE平臺(tái)下利用物候特征進(jìn)行面向?qū)ο蟮乃?稻種植分布提取[J].農(nóng)業(yè)工程學(xué)報(bào)，2022，38（12）：189-196.

[3]HUANG D，XULJ， ZOU SL，et al.Mapping paddy rice in ricewetland coexistence zone by integrating sentinel-1 and sentinel-2 data[J].Agriculture，2024，14（3）：345.

[4]ZHANG T，TANG BH，HUANGL，et al.Rice and greenhouse identificationin plateau areas incorporating Sentinel-1/2 optical and radar remote sensing data from google earth engine[J].Remote Sensing，2022，14（22）：5727.

[5］蔡玉林，劉照磊，孟祥磊，等.基于HRNet 和自注意力機(jī)制的多 源遙感影像水稻提取[J].農(nóng)業(yè)工程學(xué)報(bào)，2024，40（4）：186- 193.

[6]于飛，呂爭(zhēng)，隋正偉，等.基于特征優(yōu)選的多時(shí)相 SAR數(shù) 據(jù)水稻信息提取方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2023，54（3）：259- 265，327.

[7］甘聰聰，邱炳文，張建陽(yáng)，等.基于 Sentinel-1/2 動(dòng)態(tài)耦合移栽 期特征的水稻種植模式識(shí)別[J].地球信息科學(xué)學(xué)報(bào)，2023，25 （1） ：153-162.

[8]WALEED M，MUBEEN M，AHMAD A， et al. Evaluating the effciency of coarser to finer resolution multispectral satelltes in mapping paddy rice fields using GEE implementation[J].Scientific Reports，2022，12（1） ：13210.

[9]TARIQ A，YAN JG， GAGNON A S， et al. Mapping of cropland， cropping patterns and crop types by combining optical remote sensingimages with decision tree classifier and random forest[J].Geospatial Information Science，2023，26（3） ：302-320.

[10]CHOUDHARYK，SHI W，DONGY，et al.Random forest for rice yield mapping and prediction using Sentinel-2 data with google earth engine[J]. Advances in Space Research，2022，70（8）： 2443-2457.

[11］姚園，毋亭，李一凡，等.基于水稻物候參數(shù)及面向?qū)ο笏?法的稻田識(shí)別[J].農(nóng)業(yè)工程學(xué)報(bào)，2024，40（11）：150-158.

[12］李恒凱，賀明華，王秀麗.時(shí)序SAR與光學(xué)影像的南方丘陵區(qū) 水稻種植識(shí)別[J].測(cè)繪科學(xué)，2023，48（5）：78-86.

[13]LIU YF， XIAO D Q， YANG W T. An algorithm for early rice area mapping from satelite remote sensing data in southwestern Guangdong in China based on feature optimization and random forest[J]. Ecological Informatics，2022，72：101853.

[14]SUNB，QIN PY，LI CL，et al. Integrating vegetation phenological characteristics and polarization features with object-oriented techniques for grassand type identification[J].Geo-spatial Information Science，2024，27（3） ：794-810.

[15]ZHAOGB，WANGL，ZHENGJH，et al.Optimized extraction method of fruit planting distribution based on spectral and radar data fusion of key time phase[J].Remote Sensing，2023，15（17） ： 4140.

[16]TRIVEDI M B， MARSHALL M，ESTES L，et al. Cropland mapping in tropical smallholder systems with seasonally stratified sentinel-1 and sentinel-2 spectral and textural features[J].Remote Sensing，2023，15（12）：3014.

[17］曾學(xué)亮，郭熙，鐘亮，等.基于多源遙感特征融合與卷積神 經(jīng)網(wǎng)絡(luò)（CNN）的丘陵地區(qū)水稻識(shí)別[J].江蘇農(nóng)業(yè)學(xué)報(bào)，2024， 40（1） ：93-102.

[18]孟浩然，李存軍，鄭翔宇，等.綜合光譜紋理和時(shí)序信息的油茶 遙感提取研究[J].光譜學(xué)與光譜分析，2023，43（5）：1589- 1597.

[19]CHENG G，DING H，YANG J，et al. Crop type classification with combined spectral，texture，and radar features of time-series Sentinel-1 and Sentinel-2 data[J].International Journal of Remote Sensing，2023，44（4） ：1215-1237.

[20］王李娟，孔鈺如，楊小冬，等.基于特征優(yōu)選隨機(jī)森林算法的農(nóng) 耕區(qū)土地利用分類[J].農(nóng)業(yè)工程學(xué)報(bào)，2020，36（4）：244-250.

[21]LYUY，F(xiàn)ENGW，WANG S，etal.Anensemble-based framework for sophisticated crop classification exploiting google earth engine[J].Remote Sensing，2024，16（5）：917.

[22]HUANGCH，YOUS，LIUAX，etal.High-resolution nationalscale mapping of paddy rice based on sentinel-1/2 data[J].Remote Sensing，2022，15：4055.

[23]潘建平，安新永，崔偉，等.基于GEE平臺(tái)的水稻種植范圍 識(shí)別研究：以黑龍江省為例[J].測(cè)繪地理信息，2024，49（3）： 101-106.

[24］張征云，江文淵，張彥敏，等.基于哨兵SAR數(shù)據(jù)和多光譜數(shù)據(jù) 的水稻識(shí)別研究[J].生態(tài)與農(nóng)村環(huán)境學(xué)報(bào)，2023，39（4）：556- 564.

[25]高心怡，池泓，黃進(jìn)良，等.水稻遙感制圖研究綜述[J].遙感 學(xué)報(bào)，2024，28（9）：2144-2169.

[26]SUAREZ L A，ROBSON A，BRINKHOFFJ. Early-Season forecasting of citrus block-yield using time series remote sensing and machine learning：a case study in Australian orchards[J]. InternationalJournal of Applied Earth Observationand Geoinformation， 2023，122：103434.

[27］陳媛媛，郭瑩瑩，魏翀，等.基于多源時(shí)序遙感影像和GEE 的濱海濕地分類與比較[J].長(zhǎng)江流域資源與環(huán)境，2024，33 （8）：1691-1701.

[28]喬樹(shù)亭，葉回春，黃文江，等.基于Sentinel-1/2影像的水稻種 植面積提取方法研究：以三江平原為例[J].遙感技術(shù)與應(yīng)用， 2023，38（1） ：78-89.

[29]FANG WJ，ZHUHF，LI S，etal.Rapid identification of main vegetation types in the lingkong mountain nature reserve based on multi-temporal modified vegetation indices[J].Sensors，2023，23 （2） ：659.

[30]MENG HR，LIC J，LIU Y，et al. Corn land extraction based on integrating optical and SAR remote sensing images[J].Land， 2023，12（2） ：398.

[31］張馨予，蔡志文，楊靖雅，等.時(shí)序?yàn)V波對(duì)農(nóng)作物遙感識(shí)別的影 響[J].農(nóng)業(yè)工程學(xué)報(bào)，2022，38（4）：215-224.

[32］鐘怡琪，李家國(guó)，韓杰，等.基于哨兵影像與多特征優(yōu)選的溧 陽(yáng)市上興鎮(zhèn)水稻識(shí)別[J].江蘇農(nóng)業(yè)學(xué)報(bào)，2023，39（8）：1688- 1697.

[33]CLAUSS K，OTTINGER M，KUNZER C. Mapping rice areas with Sentinel-1 time series and superpixel segmentation[J]. International Journal of Remote Sensing，2018，39（5）：1399-1420.

[34]ZAFARZ，ZUBAIRM，ZHAYY，etal.Performance assessment of machine learning algorithms for mapping of land use/land cover usingremotesensing data[J].The Egyptian Journal of Remote Sensingand Space Sciences，2024，27（2） ：216-226.

（責(zé)任編輯：陳海霞）