Xu S, Zhu X, 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: 113374.
及时且准确的水稻种植区制图对于维持可持续的水稻生产、确保粮食安全和监测水资源利用至关重要。
合成孔径雷达
（SAR）遥感
在多云区域的水稻种植监测与制图中具有重要作用，因为其
不受天气条件的影响
。迄今为止，大多数基于SAR影像的水稻制图方法依赖于先验知识（如种植日期）和针对特定区域的经验阈值，这限制了其在大尺度应用中的适用性。为了解决这一局限性，本研究提出了一种
新的基于SAR的水稻指数（SPRI）
，用于量化种植水稻的土地块的可能性。SPRI充分利用了水稻在转苗-生长期间在Sentinel-1 VH后向散射时间序列中的独特特征。在无云的Sentinel-2影像的辅助下，可以为每个耕地对象计算具有自适应参数的SPRI值。然后，耕地对象的SPRI值可以通过二元分类阈值转换为水稻种植图。所提出的SPRI方法在五个具有不同气候条件、景观复杂性和种植系统的站点进行了测试。结果表明，
SPRI能够生成准确的分类图，在所有站点的整体准确度超过88%，F1分数超过0.86
。与现有的基于SAR的水稻制图方法相比，本方法在水稻与其他作物交错种植的异质农业区域表现更优。由于SPRI不需要任何先验知识、参考样本和大量预定义参数，因此具有较高的灵活性和适用性，特别适合在大范围区域进行水稻制图，尤其是在光学遥感数据常常不可用的多云区域。
图 1.
从Sentinel-2影像中提取的LSWI和NDVI时间序列示例（a），水稻生长期间的Sentinel-1 VH和VV时间序列（b），以及水稻关键物候阶段的田间照片（由朱雪林拍摄）。
图 2.
本研究中不同土地覆盖类型和作物的Sentinel-1 VH时间序列示例。
图3.
设计水稻指数（公式1）时，Sentinel-1 VH时间序列中的三个特征图示。实线为平滑后的Sentinel-1 VH时间序列。
图 4.
使用线性函数（a）和Sigmoid函数（b）比较水稻与其他土地覆盖类型的f(D)值。
图 5.
本研究中选定的五个站点在美国（a）和中国（b）的位置信息（上排），以及移栽阶段附近的无云Sentinel-2图像假彩色合成图（中排）和Sentinel-1 VH图像（下排）。
图 6.
使用SPRI方法进行水稻制图的流程图。
图 7.
站点2的Canny边缘检测结果（a）和分水岭分割结果（b）。
图 8.
研究站点w和v确定的工作流程。
