地塊尺度的南方丘陵地區水稻種植識別方法

摘要：針對南方多云雨且地塊分布復雜的丘陵地區，提出一種適用該地區的多季水稻地塊級結構信息識別方法。利用一期亞米級光學影像與時序Sentinel-1A SAR影像，結合Psi-Net模型進行多任務語義分割，分析水稻生長物候特征與后向散射系數的關系，最終通過閾值法實現對多季水稻種植分布信息的準確提取，并在福建省浦城縣進行驗證。結果表明，該方法在形狀保持能力和識別精度上表現優異。中稻和晚稻種植地塊的邊界與地面真實值吻合度較高，豪斯多夫距離為21.368，明顯優于單一任務的U-Net網絡。中稻和晚稻識別的總體精度分別達到88.6%和87.7%，Kappa系數分別為0.752和0.738。所提方法在南方復雜氣候和地形條件下的水稻種植地塊識別上具有顯著應用潛力和實用價值。

關鍵詞：南方丘陵地區；水稻識別；SAR影像；時間序列；高分辨率；地塊

中圖分類號：TP79

文獻標識碼：A

文章編號：2095-5553（2024）12-0181-06收稿日期：2023年10月9日

修回日期：2024年1月15日

*基金項目：福建省科技計劃項目（2022N0019）

第一作者：吳瑞姣，女，1984年生，福建莆田人，碩士，高級工程師；研究方向為農業遙感。E-mail：157765939@qq.com

Identification method of plot-scale rice cultivation in southern hilly regions

Wu Ruijiao， Chen Guangjian

（Fujian Geologic Surveying and Mapping Institute， Fuzhou， 350011， China）

Abstract： Aiming at the hilly area with cloudy rain and complex plot distribution in southern China， a new method for multi-season rice plot level structure information recognition is proposed. By utilizing high-resolution optical imagery and time-series Sentinel-1A SAR imagery， integrated with the Psi-Net model for multi-task semantic segmentation， the study analyzes the relationship between rice growth phenology and backscatter coefficients. The method achieves precise extraction of multi-season rice planting distributions through thresholding， validated in Pucheng County， Fujian Province. Results demonstrate superior performance in shape preservation and boundary accuracy， with Hausdorff distance of 21.368， notably better than the single-task U-Net network. Overall， the method achieves 88.6% and 87.7% accuracies for mid-season and late-season rice identification， respectively， with Kappa coefficients of 0.752 and 0.738. These findings underscore the significant application potential and practical value of the proposed approach for rice planting plot recognition under complex climatic and terrain conditions in southern regions.

Keywords： southern hilly areas; rice recognition; SAR image; time series; high resolution; plot

0 引言

水稻作為我國主要的糧食作物之一^［1］，準確監測和獲取其種植的空間分布范圍對保障糧食安全、實現區域農業精細化生產管理以及進行產量評估具有重要意義^［2］。傳統的水稻種植面積獲取方法主要依賴統計上報與地方實測，不但無法刻畫精確的空間分布，且成本巨大^［3］，還存在嚴重的信息滯后問題^［4］。遙感技術以其廣泛的覆蓋、信息量大、時效性強以及低成本等優勢，成為大尺度范圍的作物識別與監測的重要手段，為高效獲取水稻種植面積提供了解決途徑^［5］。雖然大多數研究依賴時序光學影像進行水稻種植信息的識別，光學遙感在農作物識別方面已經相對成熟^［6］，但我國的水稻種植區域主要分布在南方，水稻生長季節通常伴隨多云雨天氣，這導致光學數據的質量難以滿足全域、多時序觀測的需求，從而影響了實際應用成效^{［7， 8］}。微波遙感具有較強穿透性，不受云雨天氣影響，能夠全天候進行觀測。Sentinel-l SAR影像數據的免費發布為水稻種植識別提供了新途徑^［6］。Sentinel-1 SAR數據中的VV（垂直）和VH（交叉）極化數據對水稻田的提取具有可行性^{［9， 10］}。喬樹亭等^［11］研究發現耦合Sentinel-1微波數據和Sentinel-2光學數據可以構建作物完整的物候曲線，并通過閾值分割實現水稻不同物候時期種植面積的提取，顯示出可行性；劉劍等^［12］在廣東省墾造水田監測中，利用多時相Sentinel-lA影像技術實現了水稻的識別，早稻和晚稻面積提取精度分別達到85.02%和90.46%；左堅等^［13］采用多時相哨兵一號數據，結合U-Net深度學習模型，成功提取了雷州市水稻的分布范圍，2019年早稻面積提取精度為87.63%，2020年為91.47%；Cai等^［14］基于多時相Sentinel-1 SAR圖像、Sentinel-2 NDVI 時間序列和物候數據，采用隨機森林分類器對水稻進行提取，分類精度達到95%；曹慶安等^［15］選取高安市不同生長期早稻的時序雙極化Sentinel-1A雷達數據，采用SVM分類法和多源信息，早稻分類精度為92.22%。

目前，基于Sentinel-1A SAR影像識別水稻種植面積的研究較多，然而對地塊尺度的水稻種植信息精細化提取的研究仍相對較少。在我國強化耕地種植用途管控的政策背景下，準確劃分水稻地塊邊界顯得尤為重要，以確保糧食面積落實到地塊，摸清農作物種植情況，進而為保障糧食安全提供重要的數據基礎。

綜上，本研究以南方丘陵地區的浦城縣為例，綜合利用亞米級光學衛星影像、Sentinel-1A SAR時間序列等數據，展開基于地塊級別的多季水稻種植結構信息提取的技術研究，為確保區域耕地非糧化以及保障糧食安全提供有效信息和依據。

1 研究區域與數據

1.1 研究區概況

選擇福建省西北部的南平市浦城縣為研究區。該地理坐標位置位于東經118°11′～118°49′，北緯27°32′～28°22′，總面積為3 383 km²。浦城縣是“福建糧倉”，長期保持全省第一的種植面積和產量，利于水稻分布信息提取研究。

浦城縣水稻種植以中稻和晚稻為主，其物候期特點如下：中稻生長期通常在6—9月，晚稻生長期在7-10月。6月和7月是中稻和晚稻的育秧期。8月中下旬和9月中下旬是中稻和晚稻的拔節和抽穗期，是生長最旺盛的階段。9月和10月是中稻和晚稻的主要收獲期。

1.2 數據與預處理

1.2.1 光學衛星影像

利用2022年9—10月獲取到的一版覆蓋研究區的高分二號和高分七號亞米級光學衛星影像，共計15景。對這些數據進行了配準、正射校正、融合、鑲嵌和裁切等預處理工作，最終重采樣成空間分辨率為0.8 m的一版影像圖，主要用于水稻地塊邊界的提取，即水稻地塊單元，作為中稻和晚稻的提取對象。

1.2.2 Sentinel-1 SAR數據

選用覆蓋研究區中稻和晚稻的物候期以及前后時段的Sentinel-1A星C波段的SAR數據，共計17期圖像，獲取時間范圍為2022年5月6日—12月8日。這些圖像均是干涉寬幅的VH極化單視復數（SLC）數據，分辨率為5 m×20 m。數據主要用于水稻極化特征時間序列變化情況分析。

針對Sentinel-1A SAR數據，主要進行以下預處理操作，包括軌道校正、輻射定標、多視處理、濾波去噪以及地形編碼校正等。其中，濾波處理采用Refined Lee濾波器，以消除斑點噪聲對水稻物候特征分析的影響。地形編碼校正利用距離多普勒算法并結合2 m高精度DEM數據，對因地形引起的Sentinel-1A SAR影像幾何畸變進行校正，以提高水稻種植識別精度。通過分貝化處理將雷達強度轉化為VH后向散射系數，計算如式（1）所示。

DN_dB=10×log₁₀N （1）

式中：N——預處理SAR圖像中每個像素的值。

1.2.3 樣本數據集制作

在實地考察的基礎上，采集了中稻、晚稻、其他作物、樹木、建筑、水域等地類樣本信息，總計1 580個樣本點，其中中稻600個、晚稻500個、其他作物300個、樹木100個、建筑50個和水域30個。中稻和晚稻樣本都是純凈樣本像元，以大片種植區域為基礎，分布均勻。制作水稻樣本數據集，包括水稻地塊掩膜標簽、地塊邊界標簽和距離圖標簽，如圖1所示。

水稻地塊掩膜標簽的制作是借助ArcGIS矢量化工具，通過人機交互生成二值化的地塊標簽。利用生成的地塊掩膜標簽圖，將二值地塊圖轉換為邊界圖，并且通過準歐氏距離變換函數對邊界進行距離變換，從而獲得地塊的距離圖標簽。

2 研究方法

構建一種基于地塊的多季水稻種植信息識別方法，利用多任務語義分割模型Psi-Net獲取亞米級光學衛星影像上水稻地塊單元，在此基礎上基于時序Sentinel-1A SAR分析水稻時序曲線特征并構建規則，采用閾值分類法提取中稻和晚稻種植信息，技術路線如圖2所示。

2.1 水稻地塊提取模型

采用Psi-Net多任務語義分割模型^［16］提取水稻地塊。該模型具有類似U-Net的編碼—解碼器架構，由一個編碼器和三個解碼器組成（圖3）。編碼器通過一系列重復的下采樣操作構成，每次下采樣前進行3×3卷積操作，步長為1。最后一個下采樣操作是4×4最大池化，將其用作解碼器的輸入。三個解碼器平行運行，具有相似的結構，分別是一個水稻地塊分割主任務（掩膜解碼器）和兩個輔助任務（邊界解碼器和距離解碼器）。每個解碼器連接來自對應編碼器層的圖像特征，形成多尺度特征。解碼器的最后一層通過3×3卷積操作完成三個任務的特征提取。

Psi-Net通過聯合訓練能夠同時處理水稻地塊分割主任務以及與水稻地塊提取密切相關的邊界檢測和距離估計輔助任務。水稻地塊分割網絡，具有強大的特征提取能力，生成像素級別的水稻地塊掩膜。邊界檢測網絡，通過預測地塊的邊界輪廓來提供更準確的水稻地塊形狀信息，從而提高分割掩膜預測的準確性和邊界的精細化程度。距離估計網絡，能夠預測水稻地塊內每個像素點到其最近地塊邊界的距離信息，有助于網絡更好地捕捉地塊的內部結構信息，進一步提升水稻地塊提取的精確性和細致度。

2.2 基于時間序列SAR數據的水稻物候分析

2.2.1 Whittaker平滑

由于水稻生長易受降水影響，SAR數據信號可能出現異常，從而影響水稻生長的時間序列物候特征分析。采用Whittaker平滑對預處理后的時間序列SAR衛星數據進行平滑處理，有助于消除天氣等因素引起的異常波動。

Whittaker平滑基于補償最小二乘原理，通過平衡保真度和粗糙度平滑時間序列數據。其原理是假設獲取了一組序列長度為T的原始數據集m，擬合后數據集為z。擬合效果Q取決于對原始數據序列保真度S、平滑后擬合的數據粗糙度R以及平滑參數λ^［17］。m_t是原始數據序列在時間點t的值，z_t是經過Whittaker平滑擬合的數據序列在時間點t的值。S越高，R越低，即Q越小，擬合效果越好。通過交叉驗證，本文λ=2。

Q=S+λR （2）

S=∑（m_t－z_t）² （3）

R=∑（z_t－3z_t-1+3z_t-2－z_t-3）² （4）

2.2.2 時序曲線特征分析

水稻生長過程中，需要進行灌田后進行移栽插秧，因此在移栽前耕地呈現水體狀態，降低了地表粗糙度，SAR衛星遙感數據VH極化對于地表含水量較為敏感，導致水稻移栽前后的后向散射系數隨時間推移呈現出下降—上升的“V”形特征，這是水稻區別于其他地物的獨特物候特征。利用光學亞米級衛星影像結合Psi-Net模型獲取的水稻地塊單元，提取Whittaker平滑處理后的國產SAR衛星遙感數據均值，利用中稻和晚稻樣本分別提取出中稻和晚稻VH極化特征時間序列變化情況，進而構建中稻和晚稻的特征提取規則。

2.3 分類方法

利用閾值分類方法來提取中晚稻種植信息。閾值法分類的原理是利用不同通道對各類地物的敏感度差異，通過選定單波段或多波段的閾值的來提取目標地物，然后使用一個或多個已提取地物的信息源，分層實現地物的進一步提取，最終完成分類。

3 結果與分析

3.1 后向散射特征分析

水稻不同生育期的時序后向散射系數提供了識別水稻的關鍵信息。如圖4所示，水稻移栽前和移栽后，VH極化下的后向散射系數值都表現出最低值，小于-18 dB，這表示水稻對雷達波的反射較弱。隨著水稻的生長，后向散射系數值逐漸上升，在成熟時達到最大值，大約在-15 dB以上，這表明隨著水稻植株的增加和生長，對雷達波的反射能力增強。這些特征在浦城縣的中稻和晚稻中均可觀察到，VH后向散射系數的時序曲線在移栽期前后反映出明顯的變化，呈現出“V”形特征，與其他地類有顯著差異。具體而言，中稻通常在每年的5—6月進行移栽，成熟期主要在9月份；晚稻則在7—8月進行移栽，成熟期主要在10月份。

為實現各種地類的有效區分，選擇了2022年6月23日、7月17日和8月22日這三個時相影像進行RGB假彩色合成。在合成的圖像中（圖5），晚稻被表示為紅色、中稻為綠色、而建筑區與林地則呈現灰白色。

從圖5可以看出，這種假彩色合成的圖像在視覺上可以有效區分中稻和晚稻與其他地物，從而使用閾值分類方法更容易提取水稻種植信息。

3.2 中/晚稻種植提取結果

為了提高方法的準確性和可靠性，中稻和晚稻提取規則確保了生長季內VH極化信號的各項特征得到充分考慮。提取規則（圖6）：（1）生長季內，VH極化下后向散射系數的最低值小于-18 dB。其中，中稻的最低值出現在一年中的第125至180天（DOY 125-180），晚稻的最低值出現在一年中的第180～240天（DOY 180-240）；（2）生長季內，VH極化下后向散射系數的最大值大于-15 dB；（3）生長季內，VH極化下后向散射系數的最大值日期與最小值日期之差（Length of Stay，LOS）大于50天。

利用中稻和晚稻提取規則，采用閾值分類法進行提取。2022年浦城縣地塊尺度中稻和晚稻種植的空間分布，如圖7所示。中晚稻種植總面積約為282.67 km²，其中中稻和晚稻種植面積分別為204 km²和78.67 km²。

3.3 精度分析

為了量化提取水稻地塊邊界的形狀相似吻合度，采用分割后的水稻地塊邊界線形狀與真實地塊之間的豪斯多夫（Hausdorff）距離H定量化評價。兩個模型的豪斯多夫距離H越小，預測能力越接近。

式中：A——本文方法提取得到的水稻地塊邊界線的集合；

B——真實的水稻地塊邊界線的集合。

因此，進行一組對比試驗，將水稻提取網絡模型Psi-Net預測的水稻地塊結果與單任務的U-Net網絡進行比較。除了網絡結構外，所有試驗條件均相同。經試驗對比，在形狀相似度度量指標上，本文方法的豪斯多夫距離H值為21.368，明顯低于U-Net網絡的H值25.139，表明本文方法有助保持形狀，能夠生成更優越的分割掩膜。

為了驗證本文方法在南方丘陵地區的水稻提取的準確性，采用1.2.3節提到的1 580個實地考察樣本點計算混淆矩陣（Confusion Matrix），其中用于驗證中稻精度的地面參考點共有1 080個（中稻600個、其他作物300個、樹木100個、建筑50和水域30個）、用于驗證晚稻的地面參考點共有980個（晚稻500個、其他作物300個、樹木100個、建筑50和水域30個）。并通過總體精度（OA）和Kappa系數以及生產者精度（PA）和用戶精度（UA），分別對中稻和晚稻種植提取結果進行了精度定量化評價。

如圖7所示，可以清晰地呈現中稻、晚稻種植地塊邊界與地面真實值吻合度較高，總體提取效果較好。由表1和表2可知，中稻識別結果總體精度達88.6%、Kappa系數為0.752，而晚稻識別總體精度達87.7%、Kappa系數為0.738。

中稻和晚稻的PA分別為92.3%和93.8%，總體漏提誤差較小。這是因為在南方丘陵地區，地形復雜，存在零散的小面積水稻田塊。盡管這些水稻種植區域單個面積較小，但由于亞米級光學影像和哨兵一號雷達影像分辨率的限制，本文未能有效提取這些區域，這是導致提取精度存在偏差的一個原因。另外，水稻種植時間的差異也可能導致提取結果的漏提現象，因為僅依據某個時間點的遙感影像進行水稻信息提取難以覆蓋所有生長期。在誤判方面，中稻和晚稻與荒草地、蔬菜等其他作物存在錯分的現象，但均控制在10%以內。

4 討論

通過綜合運用光學衛星影像和Sentinel-1 SAR影像，探索一種南方丘陵地區地塊尺度下多季水稻種植結構信息提取方法，并在福建省浦城縣進行應用和驗證。這一方法在提取的中稻、晚稻種植信息較為準確，邊界清晰，地塊邊界與地面真實值吻合度較高，整體精度較高。

在當前我國加強耕地種植用途管控的政策背景下，為確保糧食作物種植落實到具體地塊，摸清農作物種植情況，研究地塊尺度下水稻種植信息提取的研究具有重要的現實意義。然而，盡管當前有關基于Sentinel-1 SAR

影像識別水稻種植面積的研究較多，但對地塊尺度水稻種植信息的精細化提取研究仍相對匱乏。

在南方丘陵山區，5—8月是中晚稻生長的關鍵節點，這個時間段的多云雨天氣增加了亞米級光學影像獲取的難度，但在9—11月水稻的抽穗期和收獲期獲取亞米級光學影像相對容易。因此，本文采用Psi-Net多任務語義分割模型結合一期亞米級光學影像實現了水稻地塊的邊界提取。通過借助Whittaker平滑和哨兵一號SAR時序曲線特征，在水稻地塊單元的基礎上構建了中稻和晚稻的提取規則，并應用閾值分類法完成了種植信息的提取。這一方法不僅克服了光學影像在關鍵生長節點難以獲取的問題，還在地塊尺度下提供了多季水稻種植信息的可行性，為相關政策的實施提供了新思路。

Psi-Net模型在南方丘陵山區水稻地塊提取中表現出色。引入邊界檢測和距離估計這兩個輔助任務，使網絡更好地捕捉地塊內部和地塊之間的信息，提高了水稻地塊提取任務的整體表現。在形狀保持能力上，通過引入邊界檢測任務，Psi-Net能夠更好地保持水稻地塊的形狀，減少形狀失真的可能性。在空間關系建模上， 距離估計任務有助于建模水稻地塊與周圍環境的空間關系，提高網絡對地塊之間的空間變化的感知。因此， 這種多任務學習的策略使Psi-Net不僅關注地塊內部結構和紋理特征，還考慮了地塊之間的關系，使得在復雜地形下地塊尺度的水稻種植信息提取更全面。與傳統的U-Net網絡相比，Psi-Net在形狀相似度度量上表現更優，顯示出更好的分割掩膜。這表明Psi-Net在提取水稻地塊信息方面具有一定的優越性。

盡管本文方法在提取水稻種植信息方面取得了良好的效果，但仍存在一些局限性。南方丘陵山區地形復雜，存在零散化的小面積水稻田塊，由于影像分辨率的限制，提取精度存在一定偏差。此外，由于水稻種植時間差異，僅依據某個時間點的遙感影像進行水稻信息提取會存在一定的漏提問題。

未來的研究計劃中，隨著國產陸探一號雷達衛星的數據共享，擬基于陸探一號雷達衛星進行水稻識別與提取研究，并對Psi-Net模型作進一步調整和改進， 以適應多樣性的影像條件，提高識別與提取精度。同時，將設計動態時間窗口進行水稻特征提取，以解決物候差異引起的類內異質性，從而提高識別精度。綜合而言，本研究在地塊尺度下的多季水稻種植信息提取方面取得了良好的效果，但仍需要進一步優化方法以解決存在的局限性。這些研究成果能為類似地區的農業精細化管理提供更精確、實用的數據支持，為農業的可持續發展和糧食安全的保障提供有益的參考。

5 結論

1）在當前全球對糧食安全持續關注的大背景下，以南方丘陵山區的浦城縣為案例，針對該地區的多云多雨氣候條件，成功探索并實現一種地塊尺度下多季水稻種植結構信息的高精度提取方法。采用一期亞米級光學影像與多任務語義分割Psi-Net模型提取水稻地塊邊界，并結合時序Sentinel-1A SAR影像分析水稻的生長物候特征與后向散射系數之間的關系，最終通過閾值法實現對多季水稻種植分布信息的準確提取。

2）通過對2022年浦城縣中晚稻種植地塊的提取，展現Psi-Net模型在南方丘陵山區水稻地塊提取中的卓越性能。本文方法較好地反映浦城縣中稻和晚稻的實際分布情況，總體精度分別達到88.6%和87.7%，Kappa系數分別為0.752和0.738。此外，通過采用豪斯多夫距離來度量形狀相似吻合度，本文方法表現出更好的形狀保持能力，中稻和晚稻種植地塊的邊界與地面真實值吻合度較高，豪斯多夫距離為21.368，明顯低于U-Net網絡（單一任務）的25.139。為精細化水稻種植信息提取提供可靠的解決方案。

參 考 文 獻

［1］ 林志慧， 劉憲鋒， 陳瑛， 等. 水—糧食—能源紐帶關系研究進展與展望［J］. 地理學報， 2021， 76（7）： 1591-1604.

Lin Zhihui， Liu Xianfeng， Chen Ying， et al. Water-food-energy nexus： Progress， challenges and prospect ［J］. Acta Geographica Sinica， 2021， 76（7）： 1591-1604.

［2］ 吳炳方， 張淼， 曾紅偉， 等. 全球農情遙感速報系統20年［J］. 遙感學報， 2019， 23（6）： 1053-1063.

Wu Bingfang， Zhang Miao， Zeng Hongwei， et al. Twenty years of crop watch： Progress and prospect ［J］. National Remote Sensing Bulletin， 2019， 23（6）： 1053-1063.

［3］ 譚深， 吳炳方， 張鑫. 基于Google Earth Engine與多源遙感數據的海南水稻分類研究［J］. 地球信息科學學報， 2019， 21（6）： 937-947.

Tan Shen， Wu Bingfang， Zhang Xin. Mapping paddy rice in the Hainan Province using both google earth engine and remote sensing images ［J］. Journal of Geo-information Science， 2019， 21（6）： 937-947.

［4］ 楊知. 基于極化SAR的水稻物候期監測與參數反演研究［D］. 北京： 中國科學院大學， 2017.

［5］ 楊穎頻， 吳志峰， 駱劍承， 等. 時空協同的地塊尺度作物分布遙感提取［J］. 農業工程學報， 2021， 37（7）： 166-174.

Yang Yinpin， Wu Zhifeng， Luo Jiangcheng， et al. Parcel-based crop distribution extraction using the spatiotemporal collaboration of remote sensing data ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2021， 37（7）： 166-174.

［6］ 李恒凱， 賀明華， 王秀麗. 時序SAR與光學影像的南方丘陵區水稻種植識別［J］. 測繪科學， 2023， 48（5）： 78-86.

Li Hengkai， He Minghua， Wang Xiuli. Rice extraction in southern hilly areas by fusing time-series SAR features and optical images ［J］. Science of Surveying and Mapping， 2023， 48（5）： 78-86.

［7］ Kristofer L， Prasad K V， Tuan V T， et al. Mapping double and single crop paddy rice with Sentinel-1A at varying spatial scales and polarizations in Hanoi， Vietnam ［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2018， 11（2）： 498-512.

［8］ Li H， Fu D， Huang C， et al. An approach to high-resolution rice paddy mapping using time-series Sentinel-1

SAR data in the Mun River Basin， Thailand ［J］. Remote Sensing， 2020， 12（23）： 3959.

［9］ 查東平， 蔡海生， 張學玲， 等. 基于多時相Sentinel-1水稻種植范圍提取［J］. 自然資源遙感， 2022， 34（3）： 184-195.

Zha Dongping， Cai Haisheng， Zhang Xueling， et al. Extraction of paddy fields using multi-temporal Sentinel-1images ［J］. Remote Sensing for Natural Resources， 2022， 34（3）： 184-195.

［10］ 張征云， 江文淵， 張彥敏， 等. 基于哨兵SAR數據和多光譜數據的水稻識別研究［J］. 生態與農村環境學報， 2023， 39（4）： 556-564.

Zhang Zhengyun， Jiang Wenyuan， Zhang Yanmin， et al. Research on rice area extraction based on Sentinel SAR data and multi-spectral data ［J］. Journal of Ecology and Rural Environment， 2023， 39（4）： 556-564.

［11］ 喬樹亭， 葉回春， 黃文江， 等. 基于Sentinel-1/2影像的水稻種植面積提取方法研究——以三江平原為例［J］. 遙感技術與應用， 2023， 38（1）： 78-89.

Qiao Shuting， Ye Huichun， Huang Wenjiang， et al. Study on extraction method of rice planting area based on Sentinel-1/2 image： A case study of Sanjiang Plain ［J］. Remote Sensing Technology and Application， 2023， 38（1）： 78-89.

［12］ 劉劍， 王冬至. 基于SAR影像的廣東省墾造水田監測應用研究［J］. 測繪通報， 2021（12）： 79-82.

Liu Jian， Wang Dongzhi. Study on the application of SAR images in monitoring the build paddy fields in Guangdong province ［J］. Bulletin of Surveying and Mapping， 2021（12）： 79-82.

［13］ 左堅， 鐘凱文， 許劍輝， 等. 多時相SAR數據下的嶺南早稻提取與時空變化分析［J］. 測繪科學， 2023， 48（1）： 91-99.

Zuo Jian， Zhong Kaiwen， Xu Jianhui， et al. Analysis on early rice distribution and spatio-temporal changes based on multi-temporal SAR data in Lingnan ［J］. Science of Surveying and Mapping， 2023， 48（1）： 91-99.

［14］ Cai Y， Lin H， Zhang M. Mapping paddy rice by the object-based random forest method using time series Sentinel-1/Sentinel-2 data ［J］. Advances in Space Research， 2019， 64（11）： 2233-2244.

［15］ 曹慶安， 冷鵬. Sentinel-1A時序數據結合多源信息的早稻種植面積監測研究［J］. 江西農業學報， 2023， 35（3）： 203-211.

Cao Qingan， Leng Peng. Monitoring of early rice planting area based on Sentinel-1A time series data and multisource information ［J］. Acta Agriculturae Jiangxi， 2023， 35（3）： 203-211.

［16］ Murugesan B， Sarveswaran K， Shankaranarayana S M， et al. Psi-Net： Shape and boundary aware joint multi-task deep network for medical image segmentation ［C］. 2019 41st Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE， 2019： 7223-7226.

［17］ 張晗， 任志遠. 基于Whittaker濾波的陜西省植被物候特征［J］. 中國沙漠， 2015， 35（4）： 901-906.

Zhang Han， Ren Zhiyuan. Remote sensing analysis of vegetation phenology characteristics in Shaanxi Province based on Whittaker smoother method ［J］. Journal of Desert Research， 2015， 35（4）： 901-906.