近日，中国科学院空天信息创新研究院（空天院）遥感与数字地球全国重点实验室CropWatch团队的副研究员曾红伟、研究员吴炳方课题组，联合地球观测组织全球农业监测计划（GEOGLAM）、美国俄克拉荷马大学等机构，在热带地区水稻年种植面积监测取得重要突破。
研究团队创新性地提出一种融合水稻识别与种植强度信息提取的“两步法”监测框架，攻克了多云多雨热带地区在光学数据稀缺和样本不足情景下的水稻年种植面积估算的难题，实现了越南水稻年种植面积的精准估算，相关成果可为东南亚地区粮食安全评估和水资源管理提供关键技术和数据支撑。
水稻是全球一半以上人口的主粮，其种植面积精准监测对粮食安全、水资源管理和气候变化研究至关重要。然而，热带地区受持续云雨天气影响，光学遥感数据获取困难，难以实现高精度的水稻制图。此外，种植强度信息（即一年内种植次数）的提取依赖时序观测数据的质量，现有光学数据驱动的模型在多云多雨地区的效果较差。
针对这一挑战，研究团队巧妙地提出了一种基于多源遥感数据的“两步法”监测框架：第一步，通过多年度长时序分辨的粗分辨率MODIS数据实现水稻潜在种植区（RPZ）的自动判断，随后利用随机森林算法在RPZ内挖掘水稻后向散射信号与其他地物的差异（图1），精确绘制水稻空间分布图（图2），有效克服林地、水体等地物对分类的干扰；第二步，利用谐波时间序列分析（HANTS）处理后的VH数据集，使用时序二次差分方法，实现水稻种植强度提取，实现水稻单/双/三季种植模式的高效识别（图3）；最后结合水稻的精细空间分布和种植强度信息，实现水稻年种植面积估算。
基于该方法，团队生成了2020年越南10米水稻种植分布与种植强度数据集。研究表明，RPZ的引入不仅有效规避了林地、常年水体的干扰，还显著提升水稻识别精度，R²从0.78提升至0.97，均方根误差（RMSE）从69.28×103 降低至 31.54×103 ha。基于VH时序数据的二次差分方法，既有效克服云雨干扰，也规避水稻生长和收割信号阈值的判定问题，简单高效实现水稻种植强度的精准提取。
通过和现有的光学复种产品相比，研究团队发现基于光学数据的复种识别显著低估了该地区水稻的种植强度。最终，将本研究获得的2020年越南水稻的种植面积为6264.9×10³公顷，与统计年鉴高度吻合（R²=0.97）。
该研究框架不仅适用于越南，还可推广至东南亚、南亚等热带水稻主产区，为联合国可持续发展目标中的“零饥饿”和“气候行动”提供关键技术支撑。相关成果以“A Two-Step Method for Monitoring Annual Paddy Rice Planted Area in Tropical Region by Integrating Rice Identification and Cropping Intensity Estimation”为题，发表于遥感领域顶级期刊《IEEE Transactions on Geoscience and Remote Sensing》（中国科学院一区TOP，IF=7.5）。目前，该方法已经以API的方式在CropWatch云平台集成，用于赤道地区的水稻遥感制图。空天院2023年硕士研究生李俊斌为第一作者，曾红伟为通讯作者，其他共同作者包括空天院研究员吴炳方和副研究员张淼。研究得到了国家重点研发计划、国家自然科学基金及中国科学院青年创新促进会等项目的支持。
论文链接：https://doi.org/10.1109/TGRS.2025.3549296
2020年越南水稻及其种植强度的空间分布数据链接：
https://doi.org/10.7910/DVN/RUMNIT
图1 越南三季稻VH后向散射信号与地物的显著差异
图2 2020年越南水稻空间分布及与其他数据产品的比较
图3 2020年越南水稻种植强度空间分布及与其他数据产品的比较
动态新闻