基于机器学习及多源遥感技术的区域水稻种植面积提取方法

doi:10.11923/j.issn.2095-4050.cjas2025-0034

农学学报 ›› 2026, Vol. 16 ›› Issue (5): 71-78.doi: 10.11923/j.issn.2095-4050.cjas2025-0034

• 农业工程农业机械生物技术食品科学 • 上一篇下一篇

基于机器学习及多源遥感技术的区域水稻种植面积提取方法

樊冰¹^,²(), 王训诗³, 赵香玲³, 马良¹^,², 黄乾¹^,², 李福林¹^,², 曾庆飞¹

¹ 山东省水利科学研究院，济南 250014
² 山东省水资源与水环境重点实验室，济南 250014
³ 山东省海河淮河小清河流域水利管理服务中心，济南 250100

收稿日期:2025-02-18 修回日期:2025-06-19 出版日期:2026-05-20 发布日期:2026-05-15
通讯作者:
赵香玲，女，1980年出生，高级工程师，研究方向：建设管理规划设计。通信地址：250100 山东省济南市华阳路30号省海河淮河小清河流域水利管理服务中心。
作者简介:
樊冰，男，1982年出生，高级工程师，硕士，主要研究方向：地图制图学与地理信息、遥感技术。通信地址：250014 山东省济南市历下区历山路125号山东省水利科学研究院，E-mail：155395281@qq.com。
基金资助:
山东省重点研发计划“大型喷灌装备关键技术研发与应用课题三”(重大科技创新工程2022CXGC2020707); 山东省水利科学研究院自选课题“无人机雷达技术在山丘区水利测绘中的研究与应用”(SDSKYZX202105); 山东省水利科技计划“湖东滞洪区洪水演进三维仿真及人员避险转移风险模拟、安全监测技术研究与应用”(HDZHQ-KY2020)

A Method for Extracting Regional Rice Planting Area Based on Machine Learning and Multi-Source Remote Sensing Technology

FAN Bing¹^,²(), WANG Xunshi³, ZHAO Xiangling³, MA Liang¹^,², HUANG Qian¹^,², LI Fulin¹^,², ZENG Qingfei¹

¹ Water Resources Research Institute of Shandong Province, Jinan 250014
² Key Laboratory of Water Resources and Environment of Shandong Province, Jinan 250014
³ Haihe River, Huaihe River and Xiaoqinghe River Basin Water Conservancy Management and Service Center of Shandong Province, Jinan 250100

Received:2025-02-18 Revised:2025-06-19 Online:2026-05-20 Published:2026-05-15

摘要/Abstract

摘要：

为精确监测水稻的分布与规模，满足水稻产量快速评估、农业水管理及决策支持需求，本研究基于国产卫星数据源构建了一套适用于县级区域的水稻种植面积快速识别策略。通过融合多时相高分二号多光谱遥感图像与合成孔径雷达（SAR）数据，结合归一化植被指数NDVI分析，进一步提取在VV极化模式下各种地物的后向散射特性，生成时序特征曲线。应用Savitzky-Golay滤波降噪技术优化数据质量，并采用随机森林分类模型提取水稻种植空间分布信息，系统揭示了水稻回波散射特性及其光谱动态变化规律。实验表明，本方法针对性地设计的水稻识别方案，提取水稻种植区域完整率精度达到92.65%，质量92.82%，优于常规国外卫星识别方法的精度。研究验证了国产卫星在农作物精细识别中的技术优势，为粮食安全监测、农田管理优化及灾害损失评估提供了高效解决方案。

关键词: 机器学习, 雷达, 多光谱, 多源遥感, 区域水稻, 归一化植被指数, 随机森林

Abstract:

To accurately monitor the distribution and scale of rice cultivation, address the needs for rapid assessment of rice yields, agricultural water management, and decision support, this study utilizes domestic satellite data to develop a rapid identification strategy for county-level adaptive rice planting areas. It conducts an in-depth analysis of the scattering characteristics and spectral changes of rice echoes. Combining multi-temporal high-resolution images from the Gaofen-2 satellite with normalized vegetation index (NDVI) and other information, the study initially identifies rice planting areas. Based on this, synthetic aperture radar (SAR) images are used to extract the backscattering characteristics of various ground objects under VV polarization mode, generating time-series feature curves. Savitzky-Golay filtering technology is applied to reduce noise interference. Finally, a random forest classification model is used to extract spatial distribution information of rice planting. This study has specifically designed a rice recognition scheme, achieving a completeness accuracy of 92.65% and a quality of 92.82%, surpassing the precision of conventional foreign satellite recognition methods. The research verifies the technical advantages of domestic satellites in fine crop identification, and provides an efficient solution for food security monitoring, farmland management optimization and disaster loss assessment.

Key words: machine learning, radar, multispectral, multi-source remote sensing, regional rice, normalized vegetation index, random forest

中图分类号:

S126电子技术、计算机技术在农业上的应用

樊冰, 王训诗, 赵香玲, 马良, 黄乾, 李福林, 曾庆飞. 基于机器学习及多源遥感技术的区域水稻种植面积提取方法[J]. 农学学报, 2026, 16(5): 71-78.

FAN Bing, WANG Xunshi, ZHAO Xiangling, MA Liang, HUANG Qian, LI Fulin, ZENG Qingfei. A Method for Extracting Regional Rice Planting Area Based on Machine Learning and Multi-Source Remote Sensing Technology[J]. Journal of Agriculture, 2026, 16(5): 71-78.

图/表 9

参考文献 24

[1]	MCNAIRN H, SHANG J, JIAO X, et al. The contribution of ALOS PALSAR multipolarization and polarimetric data to crop classification[J]. IEEE Transactions on geoscience and remote sensing, 2009, 47(12):3981-3992. doi: 10.1109/TGRS.2009.2026052 URL
[2]	YANG Z, LI K, LIU L, et al. Rice crop monitoring in South China with RADARSAT-2 quad-polarization SAR data[J]. IEEE Geoscience and remote sensing letters, 2012, 9(4):768-772.
[3]	POPE K O, REY-BENAYAS J M, PARIS J F. Radar remote sensing of forest and wetland ecosystems in the central American tropics[J]. Remote sensing of environment, 1994, 48(2):205-219. doi: 10.1016/0034-4257(94)90142-2 URL
[4]	HUANG Y, WALKER J, GAO Y, et al. Estimation of vegetation water content from the radar vegetation index at L-Band[J]. IEEE Transactions on geoence and remote sensing, 2016, 54(2):981-989.
[5]	田昕, 陈尔学, 李增元, 等. 基于多极化星载SAR数据的水稻/旱田识别——以江苏省海安县为例[J]. 遥感技术与应用, 2012, 27(3):406-412.
[6]	郝志航, 张小咏, 陈正超, 等. 基于卷积神经网络的港口储油罐目标提取[J]. 北京信息科技大学学报(自然科学版), 2022, 37(2):8-14.
[7]	李恒凯, 贺明华, 王秀丽. 时序SAR与光学影像的南方丘陵区水稻种植识别[J]. 测绘科学, 2023, 48(5):78-86.
[8]	郭玉娣, 李根, 李春, 等. 基于多时相合成孔径雷达数据的水稻种植面积监测[J]. 江苏农业学报, 2023, 39(5):1179-1188.
[9]	高晗, 汪长城, 杨敏华, 等. 基于GF-3极化SAR数据的农作物散射特性分析及分类[J]. 测绘工程, 2019, 28(3):50-56.
[10]	化国强, 王晶晶, 黄晓军, 等. 基于全极化SAR数据散射机理的农作物分类[J]. 江苏农业学报, 2011, 27(5):978-982.
[11]	李贺. 区域冬小麦生长模拟遥感数据同化的不确定性研究[D]. 北京: 中国农业科学院, 2016.
[12]	李坤. 基于多层级极化SAR数据的水稻响应特征分析与识别研究[D]. 北京: 中国科学院遥感应用研究所, 2012.
[13]	刘吉凯, 钟仕全, 梁文海. 基于多时相Landsat8 OLI影像的作物种植结构提取[J]. 遥感技术与应用, 2015, 30(4):775-783. doi: 10.11873/j.issn.1004-0323.2015.4.0775
[14]	鹿琳琳, 郭华东, 韩春明. 微波遥感农业应用研究进展[J]. 安徽农业科学, 2018, 36(4):1289-1291.
[15]	钱永兰, 杨邦杰, 焦险峰. 基于遥感抽样的国家尺度农作物面积统计方法评估[J]. 农业工程学报, 2007, 23(11):180-187.
[16]	任潇洒. 长春九台区农作物多源遥感分类方法研究[D]. 长春: 吉林大学, 2018.
[17]	史飞飞, 雷春苗, 肖建设, 等. 基于多源遥感数据的复杂地形区农作物分类[J]. 地理与地理信息科学, 2018, 34(5):49-55.
[18]	宋超, 徐新, 桂容, 等. 基于多层支持向量机的极化合成孔径雷达特征分析与分类[J]. 计算机应用, 2017, 37(1):244-250. doi: 10.11772/j.issn.1001-9081.2017.01.0244
[19]	孙勋, 黄平平, 涂尚坦, 等. 利用多特征融合和集成学习的极化SAR图像分类[J]. 雷达学报, 2016, 5(6):692-700.
[20]	孙政, 周清波, 杨鹏, 等. 基于星载极化SAR数据的农作物分类识别进展评述[J]. 中国农业资源与区划, 2019, 40(11):63-71.
[21]	唐华俊, 吴文斌, 杨鹏, 等. 作物空间格局遥感监测研究进展[J]. 中国农业科学, 2010, 43(14):2879-2888.
[22]	田海峰, 邬明权, 牛铮, 等. 基于Radarsat-2影像的复杂种植结构下旱地作物识别[J]. 农业工程学报, 2015, 31(23):154-159.
[23]	王迪, 周清波, 陈仲新, 等. 基于合成孔径雷达的农作物识别研究进展[J]. 农业工程学报, 2014, 30(16):203-212.
[24]	王迪, 周清波, 刘佳. 作物面积空间抽样研究进展[J]. 中国农业资源与区划, 2012, 33(2):9-14.

物候期	早稻		晚稻
物候期	时间	NDVI峰值	时间	NDVI峰值
移栽期	4月上旬	0.35~0.45	7月上中旬	0.40~0.55
分蘖期	4月中旬	0.55（上升趋势）	8月上旬	0.60（上升趋势）
抽穗期	5月下旬	0.75	9月中旬	0.78
成熟期	6月下旬	0.45（下降趋势）	10月下旬	0.40（下降趋势）

物候期	早稻		晚稻
物候期	时间	NDVI峰值	时间	NDVI峰值
移栽期	4月上旬	0.35~0.45	7月上中旬	0.40~0.55
分蘖期	4月中旬	0.55（上升趋势）	8月上旬	0.60（上升趋势）
抽穗期	5月下旬	0.75	9月中旬	0.78
成熟期	6月下旬	0.45（下降趋势）	10月下旬	0.40（下降趋势）

提取范围（地块编号）	完整率/%	质量/%	分叉率/%	丢失率/%
1	95.3	98.5	1.4	4.3
2	90.6	89.8	1.5	4.6
3	94.1	97.1	1.9	3.6
4	89.8	96.9	1.3	5.6
5	86.5	86.3	6.6	5.2
6	89.3	91.6	3.8	4.4
7	95.6	89.9	2.1	6.3
8	97.3	88.7	1.6	6.5
9	90.6	89.9	3.2	7.4
10	99.1	98.1	2.3	8.5
11	93.6	93.5	2.9	4.2
12	90.0	93.5	3.6	7.5
平均值	92.65	92.82	2.68	5.68

提取范围（地块编号）	完整率/%	质量/%	分叉率/%	丢失率/%
1	95.3	98.5	1.4	4.3
2	90.6	89.8	1.5	4.6
3	94.1	97.1	1.9	3.6
4	89.8	96.9	1.3	5.6
5	86.5	86.3	6.6	5.2
6	89.3	91.6	3.8	4.4
7	95.6	89.9	2.1	6.3
8	97.3	88.7	1.6	6.5
9	90.6	89.9	3.2	7.4
10	99.1	98.1	2.3	8.5
11	93.6	93.5	2.9	4.2
12	90.0	93.5	3.6	7.5
平均值	92.65	92.82	2.68	5.68

基于机器学习及多源遥感技术的区域水稻种植面积提取方法

A Method for Extracting Regional Rice Planting Area Based on Machine Learning and Multi-Source Remote Sensing Technology

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 24

相关文章 5

编辑推荐

Metrics

本文评价

关于本刊

作者中心

审者中心

在线期刊

联系我们

[1]	富美玲, 朱向明, 段文标. 探地雷达技术在土壤性质探测应用中的研究进展[J]. 农学学报, 2024, 14(4): 93-100.
[2]	王鹤龄, 丁文魁, 李兴宇, 杨晓玲, 郭丽梅, 张金秀. 石羊河流域气候变化及其对植被指数的影响[J]. 农学学报, 2024, 14(4): 83-92.
[3]	吴芳, 章雯, 翟晓瑶, 龚佳, 张自强, 袁昌洪. 基于气象因子的河蟹产量估算[J]. 农学学报, 2024, 14(10): 53-60.
[4]	刘静,任川,牛丹,时倩. 辽宁建平地区一次突发性强冰雹天气的中尺度特征分析[J]. 农学学报, 2018, 8(9): 44-51.
[5]	周长青,徐靖宇,唐明晖,周盛. 多普勒雷达产品在湘南一次人工防雹作业中的应用[J]. 农学学报, 2018, 8(4): 71-74.