摘要：傳統(tǒng)基于時序遙感影像的水稻物候期特征提取方法要求有較高的時間分辨率，受成像條件制約而較難滿足；由于不同水稻種植區(qū)域環(huán)境條件不同，基于單一影像的深度學(xué)習(xí)水稻種植區(qū)域提取方法泛化能力較差。本文選取時相相近的光學(xué)和合成孔徑雷達（Synthetic Aperture Radar，SAR）數(shù)據(jù)，削弱水稻種植區(qū)影像時空信息差異。通過泛時空特征融合有效地利用光學(xué)數(shù)據(jù)空間特征信息和SAR數(shù)據(jù)后向散射信息，采用雙結(jié)構(gòu)網(wǎng)絡(luò)模型提取水稻特征。實驗表明，基于多源數(shù)據(jù)融合的泛時空特征水稻深度學(xué)習(xí)提取方法在三江平原和肥西縣水稻數(shù)據(jù)集上訓(xùn)練模型驗證集總體測試精度為95.66%，Kappa系數(shù)為0.8805。該模型在南昌市區(qū)域水稻提取結(jié)果與實際地塊邊界符合較好，總體提取精度為86.78%，證明了泛時空特征模型的泛化能力和實用性。

關(guān)鍵詞：泛時空特征；SAR數(shù)據(jù)；光學(xué)數(shù)據(jù)；特征融合；深度學(xué)習(xí)；水稻提取

1? 引言

遙感技術(shù)可以大區(qū)域監(jiān)測地物現(xiàn)狀，廣泛地應(yīng)用于遙感農(nóng)作物分類和生長情況監(jiān)測[1]。農(nóng)作物種植區(qū)域精準監(jiān)測一直是農(nóng)業(yè)遙感的核心問題，傳統(tǒng)光學(xué)衛(wèi)星遙感監(jiān)測主要通過時間序列提取作物的物候特征，或者通過不同作物間的光譜差異性實現(xiàn)作物分類監(jiān)測[2-4]。目前水稻種植監(jiān)測主要采用時序物候特征提取分析法，例如黃俠等人基于無人機多光譜影像探討紅邊波段對水稻生育物候期識別[5]，Li等人利用不同作物時間序列植被指數(shù)的差異性對鄱陽湖地區(qū)水稻種植變化展開研究[6]，分析該地區(qū)多年水稻種植變化趨勢。黃青等人利用時間序列植被指數(shù)對江蘇冬小麥和水稻種植區(qū)域進行分類提取[7]。光學(xué)遙感經(jīng)常因天氣影響（如：云霧遮擋）難以獲取有效監(jiān)測數(shù)據(jù)，SAR（Synthetic Aperture Radar，SAR）能夠穿透云霧。Yang等人通過研究SAR在水稻生長不同階段的后向散射系數(shù)差異，建立水稻時序物候特征曲線模型，結(jié)合決策樹算法獲取監(jiān)測區(qū)域的水稻分布[8]。Nguyen-Thanh 等人利用時序Sentinel-1數(shù)據(jù)建模，利用物候指標基于對象對水稻進行分類[9]。Baihong 等人基于時間加權(quán)動態(tài)時間規(guī)劃（Time- weighted Dynamic Time Warping，TWDTW）方法，通過時序Sentinel-1號SAR數(shù)據(jù)，成功提取我國雙季水稻種植面積[10]。于飛等人利用多時相SAR后向散射特征和相干性，結(jié)合機器學(xué)習(xí)實現(xiàn)大面積水稻提取[11]。

以上方法采用時間序列數(shù)據(jù)，數(shù)據(jù)獲取難度大且數(shù)據(jù)處理工作量較大。近年來，深度學(xué)習(xí)算法在遙感時空大數(shù)據(jù)特征提取分析中表現(xiàn)優(yōu)異，是當前遙感應(yīng)用研究的重要方法之一[12]，閆利等人根據(jù)植被特征設(shè)計了一種注意力網(wǎng)絡(luò)，在植被面積提取中取得較好的效果[13]。基于多源數(shù)據(jù)融合處理提取農(nóng)作物成為深度學(xué)習(xí)遙感分類的主要思路之一[14]。黃曉涵等基于多時序影像利用深度學(xué)習(xí)模型進行安徽省鳳臺縣水稻提取[15]，F(xiàn)u等人基于Sentinel-2和Sentinel-1號時間序列數(shù)據(jù)提出R-Unet模型，實現(xiàn)了較高水稻面積提取精度[16]。蔡耀通等基于多時序的Sentinel-2號光譜數(shù)據(jù)、植被指數(shù)和地表溫度數(shù)據(jù)，利用卷積神經(jīng)網(wǎng)絡(luò)進行水稻監(jiān)測面積提取[17]。

深度學(xué)習(xí)數(shù)據(jù)輸入一般為RGB、RGBN或SAR單一影像數(shù)據(jù)。這種方式擬合模型得到的特征單一，無法實現(xiàn)SAR數(shù)據(jù)與光學(xué)數(shù)據(jù)優(yōu)勢互補。為了結(jié)合不同數(shù)據(jù)源的特征，一般方法是在主干網(wǎng)絡(luò)中引入注意力機制，加入異源數(shù)據(jù)特征權(quán)重，提高分類精度[18]。但注意力附加的最優(yōu)源特征位置通常難以估計，往往需要根據(jù)目標任務(wù)重新設(shè)計注意力模塊，增加了泛化難度。此外光學(xué)影像提取的空間注意力由于通道數(shù)較少，概括性不足，較為敏感更容易造成負面影響。

光學(xué)時序影像極易受陰雨影響，SAR數(shù)據(jù)特征缺乏，難以與其他植被區(qū)分。此外，不同地區(qū)不同時間的樣本訓(xùn)練的水稻提取模型難以泛化。針對此類問題，本文提出一種在水稻抽穗期基于單時相Sentinel-1和Sentinel-2融合數(shù)據(jù)泛時空特征的深度學(xué)習(xí)提取方法，綜合利用光學(xué)影像和SAR影像互補消除單一影像信息差異性，擬合不同區(qū)域的水稻共性特征，增強模型在不同區(qū)域，相近時間的魯棒性。

2? 研究方法與原理

2.1? 水稻泛時空特征

兩種數(shù)據(jù)在特征提取階段之前進行通道疊加，會增加模型擬合難度。水稻泛時空特征旨在將模型提取的數(shù)據(jù)特征進行組合，避免RGBN+VV+VH 6通道輸入數(shù)據(jù)在特征提取階段特征相互干擾，由網(wǎng)絡(luò)選取異源數(shù)據(jù)最優(yōu)特征，避免對異源特征提取的重新設(shè)計與篩選。輸入影像選取空間分辨率相近的Sentinel-1和Sentinel-2作為最優(yōu)組合數(shù)據(jù)源，避免過度采樣造成的信息損失。基于水稻作物特征是隨時間連續(xù)均一變化的假設(shè)，同時采用時間相近的數(shù)據(jù)，削弱時間特征差異。抽穗期與灌漿期是水稻產(chǎn)量監(jiān)測的重要節(jié)點，往往此期間稻田含水量較高，空間特征較為顯著且連續(xù)觀測特征幾乎不變。光學(xué)影像可以有效提取水稻規(guī)整的空間特征，將田地與水塘、建筑物、林地、草地等地型顯著區(qū)分開，同時SAR數(shù)據(jù)對土壤含水量特征敏感，有效將田地中的水稻特征提取。因此選取該時期的光學(xué)加SAR數(shù)據(jù)作為組合輸入特征數(shù)據(jù)，同時單時相水稻泛時空特征提取模型可以減弱不同地理區(qū)域因溫度、降水、生物等物候因子造成的時序特征動態(tài)變化，消除時序特征匹配誤差，具有通用性。

2.2? 模型構(gòu)建

有研究表明光學(xué)數(shù)據(jù)和SAR數(shù)據(jù)進行簡單通道疊加作為深度學(xué)習(xí)網(wǎng)絡(luò)輸入，可能導(dǎo)致多源數(shù)據(jù)出現(xiàn)特征相互干擾，最終降低分類精度[18]，采用雙分支特征提取結(jié)構(gòu)，兩特征提取分支結(jié)構(gòu)分別獨立地提取光學(xué)數(shù)據(jù)和SAR數(shù)據(jù)中的水稻特征，避免了多源數(shù)據(jù)在特征提取階段中特征維度相互干擾。因此，本文基于金字塔場景分析網(wǎng)絡(luò)（Pyramid Scene Parsing Network， PSPnet）結(jié)構(gòu)[19]，采用一種光學(xué)影像數(shù)據(jù)和SAR數(shù)據(jù)雙輸入的水稻提取語義分割模型，模型包含兩個獨立的特征提取模塊、特征融合和解碼器。

特征提取模塊包含光學(xué)特征提取和SAR特征提取兩個分支，并且兩特征提取分支相互獨立。能夠分別提取光學(xué)數(shù)據(jù)特征和SAR數(shù)據(jù)特征進行后續(xù)特征融合。特征提取模塊采用高分辨率網(wǎng)絡(luò)（High- Resolution Network，HRnet）為骨干分別進行特征提取。HRnet網(wǎng)絡(luò)和其他特征提取網(wǎng)絡(luò)相比，其能夠保存高分辨率分支，同時能夠進行多尺度分辨特征信息融合，該網(wǎng)絡(luò)對于復(fù)雜場景語義分割具有一定優(yōu)勢[20]。本文將兩個獨立特征提取HRnet網(wǎng)絡(luò)模塊分別輸出的光學(xué)特征圖和SAR特征圖在通道維度上進行疊加融合，提升光學(xué)數(shù)據(jù)和SAR數(shù)據(jù)特征互補性能。此外，為了充分考慮遙感影像全局信息，本文采用金字塔場景解析網(wǎng)絡(luò)（PSPnet）中金字塔池化模塊對融合后的光學(xué)和SAR特征進行聚合，有效地顧及融合特征的上下文信息。金字塔池化能有效地針對水稻提取任務(wù)中不同尺度特征提取，進而完成特征拼接，提升模型的水稻作物圖斑提取的魯棒性。網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

本文訓(xùn)練網(wǎng)絡(luò)模型階段使用交叉熵損失函數(shù)（Cross Entropy Loss）作為損失函數(shù)，交叉熵損失函數(shù)是深度學(xué)習(xí)分類中常用的一種損失函數(shù)，其能夠衡量模型的準確性，并且能夠使模型快速收斂。

（1）

n為類別數(shù)量，p（x）為類別真實概率分布（0-1），q（x）為softmax 層輸出樣本的概率。

3? 實驗設(shè)計與結(jié)果分析

3.1? 實驗數(shù)據(jù)準備

樣本影像選取Sentinel-2光學(xué)數(shù)據(jù)可見光與近紅外四個波段，Sentinel-1 SAR數(shù)據(jù)VV和VH兩種極化方式，合成6波段輸入特征。樣本數(shù)據(jù)采集區(qū)域選取東北三江平原和安徽合肥，三江平原水稻種植區(qū)域地塊規(guī)整，位于東經(jīng)130°13′—135°05′26″、北緯45°01'— 48°27′56″，地勢較為平坦；肥西縣地處安徽省中部，東經(jīng)為116°40′52″—117°21′39″、北緯為31°30′22″— 32°00′21″，地勢起伏，主要為丘陵地貌。在GEOVIS Earth DataDaily平臺分別下載三江平原2020年7月—2020年9月與肥西縣2021年8月—2021年9月Sentinel-2號L2級光學(xué)數(shù)據(jù)，同時下載與其光學(xué)數(shù)據(jù)對應(yīng)的Sentinel-1號GRD數(shù)據(jù)。樣本數(shù)據(jù)能很好地涵蓋水稻種植的泛空間特征，避免水稻品種、地形、時間、區(qū)域的影響。

首先對選取的光學(xué)數(shù)據(jù)進行輻射校正、幾何校正和去云去噪等預(yù)處理，對SAR數(shù)據(jù)進行熱噪聲去除、軌道校正、輻射定標和多普勒地形校正等預(yù)處理。以Sentinel-2號光學(xué)影像為基準將Sentinel-1號GRD雷達數(shù)據(jù)進行像元配準和雙線性采樣并將雷達強度數(shù)據(jù)拉升至（0－255）區(qū)間。預(yù)處理后的影像數(shù)據(jù)疊加耕地矢量，在耕地范圍內(nèi)人工解譯獲取水稻種植區(qū)域圖斑，如圖1所示。本文樣本數(shù)據(jù)及標簽統(tǒng)一處理為256×256像素大小，并對樣本區(qū)域數(shù)據(jù)清洗具體為碎小圖斑剔除，樣本標注錯誤和錯位剔除，保證誤差不超過2個像素，最終所得樣本共計13341組，部分樣本如圖2所示。

3.2? 實驗設(shè)計及評價

本文將3.1節(jié)建立的水稻數(shù)據(jù)按照70%訓(xùn)練集、20%驗證集和10%測試集進行劃分，具體數(shù)量如表1所示。

模型訓(xùn)練時本文將HRnet模型輸入層改為光學(xué)分支的4通道和SAR分支2通道，建立新的COVN1卷積層。

實驗硬件環(huán)境信息見表2：

模型訓(xùn)練策略見表3，訓(xùn)練過程中采用學(xué)習(xí)率衰減策略。學(xué)習(xí)率衰減策略如圖4。

Batch_size直接影響梯度下降的快慢，理想的Batch_size大小在2—64之間[22]。GPU顯存會影響到網(wǎng)絡(luò)同時可加載的樣本數(shù)量，實驗條件測試最優(yōu)Batch_size參數(shù)為12。學(xué)習(xí)率直接影響損失函數(shù)收斂的速度，初始化訓(xùn)練學(xué)習(xí)率可以選擇0.01—0.001之間。

模型訓(xùn)練過程如圖5所示：通過訓(xùn)練過程損失曲線可以看到在50個Epoch附近損失函數(shù)下降減緩，因而減小學(xué)習(xí)率逐漸逼近最優(yōu)權(quán)重，每一輪訓(xùn)練的學(xué)習(xí)率降低3%。為避免異常樣本引起的收斂曲線震蕩，在訓(xùn)練過程中選取異常值之后的連續(xù)5個Epoch趨勢預(yù)測點作為LOSS曲線是否繼續(xù)下降的判斷。

為了比較雙分支網(wǎng)絡(luò)特征融合模型的準確性（圖6），設(shè)置如下兩組對照實驗：直接使用光學(xué)影像和SAR影像在通道進行堆疊作為輸入（即為：RGBN+ VV+VH）。另一組則是本文雙分支網(wǎng)絡(luò)的特征融合模型。圖6三組圖像顯示水稻種植圖斑提取結(jié)果，提取的水稻圖斑和標簽樣本對比，兩種數(shù)據(jù)融合的方式整體都取得較為不錯的結(jié)果。但是，從對比中可以看出光學(xué)影像和SAR影像在通道維度直接堆疊的方式存在部分區(qū)域漏提取現(xiàn)象，并且水稻提取圖斑邊界輪廓規(guī)整性較差。實驗表明本文采用雙分支特征提取融合方法在邊緣噪聲優(yōu)化和邊緣細節(jié)提取等方面取得較好結(jié)果。

為了評估本文融合特征提取方法的準確性，本文采用交并比（Intersection over Union，IoU）、Kappa系數(shù)和總體準確率（Overall Accuracy，OA）等指標評估模型的準確性能。

IoU是預(yù)測結(jié)果與標簽真實值的交集與并集的比值。計算公式如下：

（2）

TP：預(yù)測為正樣本，實際為正樣本，F(xiàn)P：預(yù)測為正樣本，實際為負樣本，F(xiàn)N：預(yù)測為負樣本，實際為正樣本。

總體準確率為所有正確的樣本數(shù)與樣本總數(shù)的比

值即：

（3）

TP：預(yù)測為正樣本，實際為正樣本，F(xiàn)P：預(yù)測為正樣本，實際為負樣本，F(xiàn)N：預(yù)測為負，實際為正，TN：預(yù)測為負樣本，實際為負樣本。

Kappa系數(shù)能夠全面、客觀地分析分類精度和一致性檢驗的一種指標，具體計算公式如下：

（4）

P0表示每一類正確分類的樣本數(shù)和與總樣本數(shù)比值，即總體分類精度。

（5）

式中：ai為實際類別為i的樣本個數(shù)，bi為預(yù)測為i類別的個數(shù)。

3.3? 泛時空特征模型泛化實驗

為了驗證模型在不同地區(qū)水稻提取的魯棒性，選用低緯度南昌市區(qū)域作為研究區(qū)。此外選取2022年8月—9月影像數(shù)據(jù)驗證模型對不同時間影像中期稻提取的魯棒性。

南昌市地處中國華東區(qū)域，江西省中部區(qū)域，處于東經(jīng)115°27′—116°35′、北緯28°10′—29°11′之間，南昌市區(qū)域內(nèi)河流湖泊眾多，水域資源豐富。研究區(qū)西北地區(qū)多以丘陵為主，東南區(qū)域相對平坦，平均海拔25米，以平原為主，占研究區(qū)域面積的35.8%。該區(qū)域?qū)儆趤啛釒Ъ撅L氣候，氣候濕潤溫和且日照充足，年平均溫度在17 ℃—17.7 ℃之間。年降雨量在1600—1700毫米之間[21]降水量充足。研究區(qū)總面積為719 500公頃，其中耕地面積為251 946.67公頃。

實驗過程中在GEOVIS Earth DataDaily中下載的2022年8月—9月Sentinel-2號4波段光學(xué)影像和Sentinel-1號雙極化SAR影像，分別對光學(xué)影像和SAR影像進行預(yù)處理和地理配準。選取影像數(shù)據(jù)分別如圖7中a，b所示。

本文通過模型提取了2022年8月—9月南昌市水稻種植區(qū)域（圖8）。采用本文方法可以通過衛(wèi)星數(shù)據(jù)快速獲取不同年份、不同地區(qū)的水稻種植區(qū)域分布圖。從圖7提取結(jié)果來看，南昌市水稻種植區(qū)域主要分布在北部和中部地區(qū)。這些區(qū)域地勢較為平坦，主要為平原地區(qū)，并且水資源充足，適宜水稻種植和生長。圖9局部水稻提取圖斑顯示提取的水稻地塊邊界與Sentinel-2號光學(xué)影像契合度很高，在裸地、水體和草地等交接地帶沒有發(fā)生錯分與漏分情況，準確性良好。

通過泛時空特征作物提取方法實現(xiàn)地表水稻種植區(qū)域監(jiān)測，能夠根據(jù)影像數(shù)據(jù)快速獲取研究區(qū)域水稻種植狀況，對于地區(qū)糧食安全監(jiān)測具有重要的意義。為了定量驗證本文方法提取水稻的準確性和精度，在研究區(qū)域中隨機抽樣700個驗證點以進行準確性評估[23]。通過同時期高分辨率谷歌影像對樣本點進行專家解譯。對應(yīng)于Sentinel-2影像空間分辨率，驗證樣本單元為10m*10m大小。通過高分辨率遙感數(shù)據(jù)解譯獲取水稻點位242個，其他類別點位共458個，樣本點位整體分布如圖10所示，樣本局部細節(jié)如圖11所示。

3.4? 實驗結(jié)果與對比分析

3.1數(shù)據(jù)集基于實驗1提取結(jié)果精度如表4所示，基于多源數(shù)據(jù)融合的泛時空特征水稻深度學(xué)習(xí)提取水稻總體精度可達到0.9566，Kappa系數(shù)為0.8805，較HRnet網(wǎng)絡(luò)模型OA、IoU和Kappa系數(shù)分別提升了2.40%、1.05%和1.84%。表明光學(xué)影像和SAR影像融合方法提取水稻種植較為準確?？傮w而言，兩種光學(xué)影像和SAR影像融合水稻提取模型提取結(jié)果都較準確，但是本文采用的模型在細節(jié)上表現(xiàn)更佳。此外，由于本文基于10米分辨率影像，水稻種植圖斑提取結(jié)果精細化程度較低。

基于多源數(shù)據(jù)融合的泛時空特征水稻深度學(xué)習(xí)在南昌市進行水稻提取實驗，表5顯示了由驗證數(shù)據(jù)集分析得出的分類精度值，水稻種植圖斑提取的總體準確率為86.78%，交并比為79.36%，Kappa系數(shù)為79.49%。為了更加具體地計算本文模型水稻提取精度，本文根據(jù)隨機生成的樣本點抽樣出100個256×256像素大小的樣本，并根據(jù)高分辨率影像進行專家解譯，勾畫出水稻種植圖斑作為驗證樣本，如圖12中a組所示。將樣方數(shù)據(jù)范圍內(nèi)本文模型提取水稻圖斑與專家解譯結(jié)果進行精度驗證。根據(jù)對比專家解譯圖斑和提取結(jié)果驗證對比分析，提取水稻分布圖斑在邊界處存在少許的漏提取和錯誤提取現(xiàn)象。但是提取水稻提取圖斑的總體精度OA為87.40%。

4? 結(jié)論

基于2020年8月—9月三江平原和2021年8月—9月肥西縣Sentinel-1號SAR影像和Sentinel-2光學(xué)影像制作水稻種植圖斑分布樣本集。對本文制作的水稻樣本數(shù)據(jù)集，分別測試了優(yōu)化后HRnet水稻提取模型和傳統(tǒng)的HRnet模型，測試結(jié)果表明本文優(yōu)化模型在OA、IoU和Kappa系數(shù)分別提升了2.40%、1.05%和1.840%。此外，在南昌市區(qū)域測試本文優(yōu)化模型的水稻提取精度和泛化能力，通過高分辨率谷歌影像進行人工解譯樣本點精度驗證，得到結(jié)論如下：

建立基于光學(xué)和SAR數(shù)據(jù)融合的水稻種植圖斑提取樣本數(shù)據(jù)集；另外，采用了一種光學(xué)和SAR影像雙分支特征提取模型分別進行光學(xué)和SAR特征提取，并對提取特征進行融合。相比于光學(xué)和SAR影像直接通道疊加的融合方式，此方法在水稻提取圖斑邊緣細節(jié)信息表現(xiàn)更好且提取精度更高，本方法能避免多源數(shù)據(jù)不同特征相互干擾的情況，進而提高分割精度[18]。

本文方法在不同時間和不同地點的研究區(qū)域（南昌市）進行水稻圖斑提取實驗，提取結(jié)果和人工解譯的驗證點進行精度驗證，驗證結(jié)果的總體精度、交并比和Kappa系數(shù)分別為86.78%、79.36%和79.49%。實驗結(jié)果表明本文通過泛時空特征提取水稻圖斑的方法取得最好效果，證明了此模型具有一定的泛化能力。

本文研究方法所采用的樣本數(shù)據(jù)均為8月—9月遙感影像數(shù)據(jù)，處于水稻的孕穗、抽穗和乳熟時期，在此時間段水稻長勢較好，紋理清晰。實驗結(jié)果表明，泛時空特征水稻種植圖斑提取模型具有普適性，并在南昌市區(qū)域取得了較高的提取精度驗證，具有工程應(yīng)用價值。

然而，水稻其他物候時期遙感影像數(shù)據(jù)樣本缺少，導(dǎo)致水稻提取模型具有一定的局限性，難以獲取處在其他物候時期的水稻種植分布。針對此問題，后續(xù)研究將在現(xiàn)有的模型基礎(chǔ)上，增加適量不同物候時期的樣本數(shù)據(jù)進行訓(xùn)練以提升模型的泛時空水稻提取能力。

參考文獻

[1] 譚深，吳炳方，張鑫.基于Google Earth Engine與多源遙感數(shù)據(jù)的海南水稻分類研究[J].地球信息科學(xué)學(xué)報，2019，21（6）：937-947.

[2] 陳雨思，李丹，黎臻，等.多時相MODIS影像的黑龍江省水稻種植面積提取[J].農(nóng)業(yè)工程學(xué)報，2020，36（23）：201-208.

[3] 李永帥，齊修東.基于Google Earth Engine三江平原水田提取研究[J].地理空間信息，2021，19（12）：77-80+6.

[4] Dong J， Xiao X， Menarguez M A， et al. Mapping paddy rice planting area in northeastern Asia with Landsat 8 images， phenology-based algorithm and Google Earth Engine[J]. Remote Sensing of Environment， 2016， 185： 142-154. https：//doi.org/10.1016/j.rse.2016. 02.016.

[5] 黃俠，姜雪芹，張燦，等.紅邊波段在水稻生育期識別中的應(yīng)用研究[J].測繪地理信息，2023，48（3）：87-90.

[6] Li P， Feng Z， Jiang L， et al. Changes in rice cropping systems in the Poyang Lake Region， China during 2004–2010[J]. Journal of Geographical Sciences， 2012， 22： 653-668. https：//doi.org/10.1007/ s11442-012-0954-x.

[7] 黃青，吳文斌，鄧輝等.2009年江蘇省冬小麥和水稻種植面積信息遙感提取及長勢監(jiān)測[J].江蘇農(nóng)業(yè)科學(xué)，2010（6）：508-511.

[8] Yang H J， Pan B， Li N， et al. A systematic method for spatio-temporal phenology estimation of paddy rice using time series Sentinel-1 images[J]. Remote Sensing of Environment， 2021， 259： 112394. https：//doi.org/10.1016/j.rse.2021.112394.

[9] Son N T， Chen C F， Chen C R， et al. A phenological object-based approach for rice crop classification using time-series Sentinel-1 Synthetic Aperture Radar （SAR） data in Taiwan[J]. International Journal of Remote Sensing， 2021， 42（7）： 2722-2739. https：//doi.org/ 10.1080/01431161.2020.1862440.

[10] Pan B， Zheng Y， Shen R， et al. High resolution distribution dataset of double-season paddy rice in China[J]. Remote Sensing， 2021， 13（22）： 4609. https：//doi.org/10.3390/rs13224609.

[11] 于飛，呂爭，隋正偉，等.基于特征優(yōu)選的多時相SAR數(shù)據(jù)水稻信息提取方法[J].農(nóng)業(yè)機械學(xué)報，2023，54（3）：259-265+327.

[12] Zhang L， Zhang L， Du B. Deep learning for remote sensing data： A technical tutorial on the state of the art[J]. IEEE Geoscience and Remote Sensing Magazine， 2016， 4（2）： 22-40. https：//doi.org/10.1109/ MGRS.2016.2540798.

[13] 閆利，徐青，劉異.基于注意力網(wǎng)絡(luò)的遙感影像植被提取方法[J].測繪地理信息，2021，46（S1）：44-48.

[14] Alami M M， Mansouri L E， Imani Y， et al. Crop mapping using supervised machine learning and deep learning： a systematic literature review[J]. International Journal of Remote Sensing， 2023， 44（8）： 2717-2753. https：//doi.org/10.1080/01431161.2023.2205984.

[15] 黃曉涵，黃文龍.基于深度學(xué)習(xí)的多時序遙感影像水稻提取研究[J].地理空間信息，2023，21（8）：61-64+113.

[16] Fu T， Tian S， Ge J. R-Unet： A Deep Learning Model for Rice Extraction in Rio Grande do Sul， Brazil[J]. Remote Sensing， 2023， 15（16）： 4021. https：//doi.org/10.3390/rs15164021.

[17] 蔡耀通，劉書彤，林輝，等.基于多源遙感數(shù)據(jù)的CNN水稻提取研究[J].國土資源遙感，2020，32（4）：97-104.

[18] Li X， Zhang G， Cui H， et al. MCANet： A joint semantic segmentation framework of optical and SAR images for land use classification[J]. International Journal of Applied Earth Observation and Geoinformation， 2022， 106： 102638. https：//doi.org/10.1016/j.jag.2021. 102638.

[19] Wu D，Zhao J， Wang Z. AM-PSPNet： Pyramid Scene Parsing Network Based on Attentional Mechanism for Image Semantic Segmentation[C]//ICPCSEE Steering Committee.Abstracts of the 8th International Conference of Pioneering Computer Scientists，Engineers and Educators（ICPCSEE 2022） Part I. Department of Electronic Engineering，Heilongjiang University;2022：1. https：//doi.org/10.26914/ c.cnkihy.2022.077315.

[20] Sun K， Xiao B， Liu D， et al. Deep high-resolution representation learning for human pose estimation.[J]. Corr， 2019， abs/1902. 09212. https：//doi.org/10.48550/arXiv.1902.09212.

[21] Dominic Masters， Carlo Luschi. Revisiting small batch training for deep neural networks[Z].ARXIV，2018， 1804.07612.

[22] 伍光和，王乃昂，胡雙熙，等.自然地理學(xué)（第四版）[M].北京：高等教育出版社，2008.

[23] Olofsson P， Foody G M， Herold M， et al. Good practices for estimating area and assessing accuracy of land change[J]. Remote Sensing of ENVIRONMENT， 2014， 148： 42-57. https：//doi.org/ 10.1016/ j.rse.2014.02.015.

引用格式：杜家寬，李雁飛，孫嗣文，劉繼東，江騰達.多源數(shù)據(jù)融合的泛時空特征水稻深度學(xué)習(xí)提取[J].農(nóng)業(yè)大數(shù)據(jù)學(xué)報，2024，6（1）： 56-67. DOI： 10.19788/j. issn.2096-6369.000010.

CITATION： DU JiaKuan， LI YanFei， SUN SiWen， LIU JiDong， JIANG TengDa. Pan-spatiotemporal Feature Rice Deep Learning Extraction Based on Multi-source Data Fusion[J]. Journal of Agricultural Big Data， 2024，6（1）： 56-67. DOI： 10.19788/j.issn.2096-6369.000010.

Pan-spatiotemporal Feature Rice Deep Learning Extraction Based on Multi-source Data Fusion DU JiaKuan， LI YanFei， SUN SiWen*， LIU JiDong， JIANG TengDa

GEOVIS Earth Technology Co.，Ltd，Hefei 230088， China

Abstract： Traditional methods of rice phenological phase feature extraction based on time-series remote sensing images require high temporal resolution， which is difficult to meet due to imaging conditions. Due to the different environmental conditions in different rice growing regions， the rice planting area extraction method based on single image has poor generalization ability. In this paper， similar optical and Synthetic Aperture Radar （SAR） data were selected to reduce the spatiotemporal information differences in rice planting area images. The spatial feature information of optical data and backscatter information of SAR data were effectively used to extract rice features by using a two-structure network model through pan-spatio-temporal feature fusion. Experiments show that the overall test accuracy of the training model validation set on the rice datasets of Sanjiang Plain and Feixi County is 95.66%， and the Kappa coefficient is 0.8805. The results of rice extraction in Nanchang City were in good agreement with the actual field boundaries， and the overall extraction accuracy was 86.78%， which proved the generalization ability and practicability of the pan-temporal feature model.

Keywords： pan-temporal characteristics; SAR data; optical data; feature fusion; deep learning; rice extraction