《水稻种植制度遥感提取研究现状文献综述》

《水稻种植制度遥感提取研究现状文献综述》摘要水稻种植制度（熟制、轮作模式、复种强度，包括单季稻、双季稻、再生稻、稻渔综合种养、稻旱轮作等）是区域粮食产能估算、水资源调配、温室气体核算与农业政策制定的基础核心数据。卫星遥感凭借大范围、周期性、快速监测优势，已成为水稻种植制度空间化提取的主流技术手段。本文系统梳理水稻种植制度遥感提取的数据源体系、主流技术方法、现有数据集产品，总结当前研究面临的难点，并对未来发展方向进行展望，旨在为复杂农区水稻种植结构智能监测、长时序动态分析提供理论与技术参考。

关键词：水稻种植制度；复种强度；物候；时序遥感；SAR；深度学习；作物制图0引言水稻是我国及亚洲季风区最主要的粮食作物，受气候、地形、劳动力、经济效益驱动，形成差异化的种植制度格局：东北以单季粳稻为主，长江中游传统双季稻区持续转型，南方丘陵区广泛分布再生稻、稻油轮作、稻虾共作等新型复合模式。传统统计报表难以精细刻画地块尺度的种植制度时空变化，地面调查成本高、时效性不足。遥感技术通过捕捉水田淹水信号、植被时序物候特征，能够反演一年之内水稻种植频次与轮作组合，实现区域至全国尺度水稻种植制度制图。近年来，Sentinel系列、Landsat、高分卫星等多源数据与GEE等云计算平台普及，时序重建、物候识别、深度学习分类方法快速迭代，但多云雨区域数据缺失、破碎水田混合像元、新型复合种植模式识别难等问题仍突出。1水稻种植制度遥感提取数据源1.1光学时序遥感数据中低分辨率时序数据以MODIS、GLASS为主，时间分辨率高（8d/16d），适合大尺度复种强度快速估算，广泛用于亚洲季风区水稻熟制宏观制图，但500m/1km分辨率难以识别丘陵细碎水田，混合像元误差显著。

中高分辨率时序以Landsat系列（30m）、Sentinel-2（10m）、国产高分系列为核心，是当前区域高精度水稻种植制度提取的主力数据源，可支撑县域、流域尺度单/双季稻、再生稻识别。常用指数包括NDVI、EVI、LSWI（地表水体指数，识别水田淹水特征，区分水田与旱地）、MNDWI等，通过植被指数时序曲线的峰值数量判断复种次数。

短板：亚热带、热带水稻主产区云雨频发，有效时序观测不连续，时序曲线断裂会造成物候误判、熟制错分。1.2SAR微波遥感数据Sentinel-1（C波段，VV/VH极化）是应用最广的微波数据源，不受云、雨影响，可捕捉水田淹水后后向散射显著下降的典型“V型谷”移栽特征，能够稳定识别水稻周期，弥补光学数据云污染缺陷，是多云区域水稻种植模式提取核心数据。

SAR单独使用存在局限：后向散射信号易受土壤湿度、地形、地表粗糙度干扰；直播稻淹水信号弱于移栽稻，区分难度大。当前主流方案为光学-SAR协同融合，联合物候特征提升复杂种植模式识别精度。1.3多源辅助数据耕地掩膜产品、数字高程DEM、气象数据、田间调查样点、统计年鉴、无人机超高分辨率影像。无人机数据多用于小范围验证、精细地块样本采集，支撑模型训练与精度检验。云计算平台（GoogleEarthEngine、阿里/华为云遥感平台）实现海量时序影像快速预处理、重建与批量制图，极大推动大尺度长时序产品生产。2主流提取方法体系水稻种植制度遥感识别核心逻辑：重建时序曲线→提取物候节点（移栽、分蘖、抽穗、成熟）→统计年内水稻生长周期数量，区分单季、双季、再生稻、稻旱轮作等模式，现有方法可分为4大类。2.1物候阈值法（经典主流）基于植被指数/后向散射时序平滑曲线，检测年内有效生长峰值数量，结合LSWI淹水阈值判定水田，剔除虚假峰值（杂草、休耕、旱地作物），进而划分复种强度与熟制。常用平滑算法包括Savitzky-Golay、Whittaker滤波、时间序列插值补缝。该方法物理意义清晰、参数可解释、无需大量样本，适合大范围快速制图；缺点是阈值区域性强，迁移性差，在多种复合模式并存区域精度下降明显。2.2时序相似性匹配方法典型如动态时间规整（DTW）及其改进算法PWDTW（物候窗口DTW）。构建各类水稻种植模式标准物候模板，计算像元时序曲线与模板的相似度，完成分类。适合样本稀缺、历史制图场景，近年衍生AutoRCP、POSTAR等自动样本生成框架，自动构建单季稻、双季稻、再生稻、稻渔模式样本库，显著降低实地采样依赖，在长江中游平原取得良好效果，总体精度普遍87%~90%以上。2.3传统机器学习分类以随机森林RF、XGBoost、SVM、多层感知机MLP为主，输入特征包括多期光谱指数、时序统计特征、地形特征、SAR极化特征等，基于标注样本训练分类器，直接划分种植制度类型。优势是可融合多维特征，非线性拟合能力强；不足是高度依赖高质量、均衡样本，样本不足时容易过拟合，跨区域泛化能力弱，在地形破碎、种植模式混杂区域稳定性不足。2.4深度学习时序/语义分割模型近年快速发展，代表模型包括U-Net、HRNet、LSTM、Transformer时序模型等。U-Net、改进AFFCA-HRNet等空间分割模型适合地块边界清晰的水稻区提取；LSTM、时序Transformer自动学习长时序物候演变特征，适合复杂复种模式识别，部分研究单双季水稻F1分数可达0.9以上。深度学习对算力、样本量要求高，模型可解释性偏弱，小样本条件下优势难以发挥，目前多集中在典型平原示范区应用，全国大范围成熟产品较少。3现有公开数据集产品国内外已形成系列水稻复种/种植制度遥感产品：CCD-Rice：中国30m长时间序列水稻分布数据集；APRA500：亚洲季风区500m水稻与复种强度产品；NEAsia_Rice：东北亚2000年后500m水稻数据集；部分区域20m/30m高精度产品，覆盖东南亚、长江流域单/双季稻、再生稻分布。总体来看，全国尺度精细分类（区分再生稻、稻虾、稻油轮作）的长时间序列产品仍然稀缺，多数产品仅区分“单季/双季”，无法识别新型复合种植制度，产品时效性更新较慢。4当前研究难点与挑战云雨干扰与时序不连续：我国南方水稻主产区多云多雨，有效光学观测少，时序曲线残缺，直接导致物候峰值漏检、熟制误判；直播稻、再生稻淹水信号弱，与常规移栽稻区分困难。破碎耕地与混合像元问题：南方丘陵水田地块细碎，中分辨率影像普遍存在混合像元，容易将水田-旱地、水田-林地混合像元错判，降低制图精度。复合新型种植模式识别难度大：传统研究多聚焦单季、双季稻，再生稻、稻渔综合种养、稻旱轮作等模式物候特征重叠，类别边界模糊，现有算法区分能力不足。模型泛化与样本瓶颈：监督学习高度依赖地面样点，不同区域物候差异大，训练好的模型跨区域迁移效果不稳定；历史长时序制图难以获取充足实地样本。多要素耦合机理不足：遥感信号同时受品种、灌溉管理、气候年际波动影响，遥感识别与作物生长机理、水文过程耦合不够，产品不确定性定量评估不足。5研究展望多源数据深度融合：持续推进Sentinel-1SAR、Sentinel-2光学、高分卫星、无人机多模态融合，结合时序补全算法，构建云鲁棒的时序数据集，适配南方多云区域监测需求。小样本、弱监督智能算法：发展物候先验约束、自监督学习、时序Transformer、少样本DTW等方法，降低对实地样本依赖，实现跨区域可迁移的种植制度自动提取，重点攻克再生稻、稻渔等新型模式识别。机理-数据耦合框架：将遥感时序反演与作物生长模型、水文模型结合，定量解析种植制度变化对产量、耗水、甲烷排放的影响，从单纯制图升级到过程模拟。长时序动态产品与实时监测：依托遥感云计算，生产逐年连续、30m及更高分辨率全国水稻种植制度数据集，支撑年度动态变化检测，服务粮食安全与农业碳汇核算。多尺度产品融合与不确定性评估：发展降尺度、多分辨率融合方法，完善交叉验证框架，量化不同气候、地形、耕作条件下产品误差，提升数据可靠性。6结语时序遥感已经实现水稻单/双季等基础种植制度的高精度提取，光学-SAR协同、物候匹配与深度学习是当前核心技术方向。但面向丘陵破碎农区、再生稻与稻渔等新型复合模式的精细化、自动化、长时序监测仍存在明显瓶颈。未来需融合遥感大数据、作物机理模型与人工智能，构建普适性更强的水稻种植制度遥感提取体系，为粮食安全、水资源管理和农业可持续发展提供可靠空间数据支撑。参考文献（示例格式，可按需扩充）[1]甘聪聪。基于Sentinel-1/2动态耦合移栽期特征的水稻种植模式识别[J].地球信息科学学报，2023.

[2]何泽。水稻雷达遥感监测研究进展[J].遥感学报，2023.

[3]宋茜。光学和微波数据协同的单双季水稻遥感制图新方法[R].中国农业科学院，2024.

[4]DongJ,XiaoX.Mappingpaddyriceplantingareaandcroppingintensityusingtime-seriessatellitedata:Areview[J].