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

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

Abstract

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

CLC Number:

S126电子技术、计算机技术在农业上的应用

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.

Figures/Tables 9

References 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