水稻遥感提取研究现状的文献综述

水稻遥感提取研究现状的文献综述摘要水稻是全球核心粮食作物，精准获取水稻空间分布、种植制度信息是粮食估产、耕地监测、农业政策制定的基础。传统地面调查成本高、时效性差，遥感凭借大范围、快速、可重复观测的优势，已成为水稻提取的主流技术手段。本文梳理水稻遥感提取常用数据源、核心技术方法，总结当前研究热点，剖析现存瓶颈，并展望未来发展方向，旨在为水稻遥感制图、作物监测相关研究提供参考。

关键词：水稻提取；遥感；物候；SAR；机器学习；深度学习；GoogleEarthEngine一、引言水稻种植集中于亚热带、热带多雨区域，多云雨天气、地块破碎、多熟制（单季稻、双季稻、再生稻、稻渔共作等）是水稻识别的主要难点。早期水稻遥感提取以单时相光学影像和简单阈值分类为主，易与玉米、大豆等其他植被混淆。随着Sentinel系列卫星、高分卫星、云平台算力以及人工智能技术发展，多时相物候特征+多源数据融合+智能分类逐步成为主流范式。基于遥感的水稻提取成果广泛应用于粮食安全评估、耕地“非粮化”监测、碳汇核算、灾害监测等领域。二、水稻遥感数据源发展现状2.1光学遥感数据中分辨率时序光学数据是大尺度水稻制图基础，典型包括Landsat系列（30m）、MODIS（250m）、Sentinel-2（10m）、国产GF-1/GF-6等，可构建NDVI、EVI、LSWI（地表水体指数）等时序植被指数，利用水稻移栽淹水、快速生长、成熟枯黄独特物候信号区分其他作物。

局限：云雨遮挡造成时序缺失，植被高覆盖下NDVI易饱和，在南方多云区精度下降明显。2.2SAR微波遥感数据以Sentinel-1为主的C波段合成孔径雷达是多云雨区水稻提取核心数据，不受云层影响，可全天候观测。水稻淹水期后向散射系数低，植株长高后散射快速上升，时序后向散射曲线具备典型辨识度，被广泛用于东南亚、我国南方等多云区域水稻识别。全极化SAR（Radarsat-2等）可进一步获取冠层结构信息，提升复杂地块区分能力，但数据成本、解译复杂度更高。2.3无人机与高分辨率数据无人机（UAV）亚米级影像、高分亚米卫星适合地块级精细提取，可捕捉田块边界、纹理细节，常用于小区域验证、样本采集。缺点是覆盖范围有限，难以直接开展省级、国家级大尺度制图。2.4多源融合数据当前主流趋势为光学+SAR协同，利用光学光谱信息与SAR结构信息互补，结合GEE等云平台完成时序重构、去云补缺，显著提升复杂种植区、多云区提取稳定性。三、水稻遥感提取主要方法体系3.1基于物候阈值法（传统主流）核心原理：水稻区别于旱地作物最显著特征是移栽期淹水信号，LSWI大于NDVI是识别淹水田块的经典判据，再结合生长季植被时序曲线特征划分单/双季稻。该方法物理可解释性强、无需大量样本，适合区域快速制图；缺点是对时序完整性要求高，淹水窗口期短，云缺失数据极易造成漏提，在稻渔综合种养、地块破碎区域适应性差。3.2传统机器学习分类随机森林、支持向量机、梯度提升树等是近10年应用最多的算法。将时序植被指数、SAR后向散射、纹理、地形等特征输入模型，基于实地样本训练分类器，相比简单阈值法抗干扰能力更强，总体精度普遍可达88%~93%。

痛点：高度依赖高质量标注样本，跨区域、跨年份迁移能力弱，在样本稀缺区域精度明显下滑。近年衍生自动样本生成方法，结合物候先验自动构建训练集，降低人工标注成本。3.3深度学习方法（前沿热点）U-Net、HRNet、LSTM、Transformer、时序分割网络等逐步用于水稻提取：空间分割网络（U-Net、HRNet）：挖掘影像纹理、地块边界信息，适合高分辨率地块级水稻提取；时序深度学习（LSTM、TCN）：建模长时间序列遥感特征变化，自动学习水稻物候模式，弱化对人工物候规则的依赖；视觉基础大模型（SAM等）：结合农业先验知识实现弱样本、零样本水稻地块分割，是近年新方向，有望解决小样本难题。

深度学习优势是特征自动挖掘，复杂混种区域精度更高；但模型可解释性弱、算力需求大、泛化性仍有待提升。3.4云平台驱动的大尺度自动化制图GoogleEarthEngine（GEE）、国内遥感云平台实现海量时序影像批量预处理、插值重构、自动制图，支撑全国乃至洲际长时间序列水稻数据集生产（如CCD-Rice中国30m水稻数据集），推动水稻遥感从小区域试验转向常态化业务监测。四、现存主要问题与瓶颈复杂种植场景识别难度大：再生稻、稻虾/稻渔共作、水旱轮作地块光谱/物候信号混杂，与常规水稻区分困难；南方丘陵细碎田块混合像元问题突出。数据时序缺失问题难以彻底解决：亚热带水稻生长期云雨多发，光学时序断裂；SAR虽不受云影响，但后向散射信号易受土壤湿度、耕作方式干扰。模型泛化与样本难题：多数模型在研究区效果良好，跨气候区、跨年份迁移精度衰减；实地样本采集成本高，历史长期制图样本稀缺。产品落地与业务化不足：学术研究多聚焦试验区高精度提取，面向农业部门常态化快速监测、实时提取的成熟业务产品较少；不同数据集之间一致性差。机理耦合不足多数算法属于数据驱动，较少融合水稻生长模型、水文过程，生理可解释性弱。五、未来发展趋势多源异构数据深度融合：光学时序、极化SAR、InSAR、无人机、气象与土壤数据同化，构建时空连续特征集，攻克多云、破碎地块识别难题。弱样本/零样本、机理-数据融合模型：将作物物候、水文先验嵌入深度学习，降低样本依赖，提升模型可解释性与跨区域泛化能力；基础视觉大模型在农业遥感落地。精细化种植制度识别：不仅提取水稻空间分布，进一步自动区分单季、双季、再生稻、稻渔模式，支撑精细化农业管理。实时动态监测与业务化产品：依托云平台构建近实时水稻监测流水线，形成年度自动更新的水稻分布数据集，对接耕地监管、粮食估产业务需求。多尺度耦合：实现从田块无人机精细监测到全国、全球大尺度遥感制图的尺度转换。六、结语水稻遥感提取技术已经从单时相光谱阈值识别，发展为多源时序、人工智能、云平台一体化的技术体系，制图精度和空间覆盖能力持续提升。但复杂农区混合像元、多云时序缺失、样本稀缺、模型泛化等仍是核心难点。未来随着遥感数据源持续丰富与基础大模型、作物机理模型的融合，水稻遥感提取将朝着自动化、实时化、精细化方向发展，更好服务粮食安全与智慧农业建设。参考文献（示例格式）[1]高心怡。水稻遥感制图研究综述[J].遥感学报，2024.

[2]孟祥磊。基于改进HRNet和多时相Sentinel-1SAR影像的水稻种植区提取[J].自然资源遥感，2025.

[3]李瑞杰，王爱冬。水稻生育期遥感监测的研究进展、瓶颈问题与技术优化路径[J].智慧农业(中英文),2024.

[4]DongJ,XiaoX.CCD-Rice:along-te