基于深度学习的巴西水稻遥感制图：多光谱与SAR数据最优分割策略研究

《Remote Sensing Applications: Society and Environment》：Remote Sensing-Based Rice Mapping in Brazil: Identifying the Best Approach for Segmenting Different Spectral Compositions using Deep Learning

本研究针对巴西水稻田高精度遥感识别难题，系统评估了Sentinel-1/2多光谱与SAR数据组合在UNET、FAPNET和PLANET三种深度学习模型中的表现。研究发现植被相关波段（NIR、RED）上FAPNET表现最优，而水分相关波段（SWIR、VH/VV）上PLANET更具优势，为农业遥感提供了精准高效的分类范式。

　　

在全球粮食安全面临严峻挑战的背景下，巴西作为亚洲以外最大的水稻生产国，其水稻生产状况对全球粮食供应具有重要影响。水稻种植具有明显的季节性和地域特征，传统的人工实地调查方法不仅耗时费力，而且难以实现大范围的快速监测。随着遥感技术的发展，特别是Sentinel-1和Sentinel-2卫星数据的免费开放，为水稻田的精准识别和监测提供了新的技术手段。

然而，水稻遥感识别仍面临诸多挑战。光学影像易受云层干扰，而合成孔径雷达(SAR)数据虽能穿透云层，但其解释难度较大。不同水稻品种、种植模式以及生长阶段的差异，导致其光谱和背向散射特征复杂多变。此外，巴西水稻田规模差异巨大，从不足0.001公顷到超过1,780公顷不等，这种规模上的极端差异进一步增加了准确识别的难度。

为了应对这些挑战，研究人员在《Remote Sensing Applications: Society and Environment》上发表了一项创新性研究，系统评估了三种深度学习模型（UNET、FAPNET和PLANET）在处理不同光谱和极化组合数据时的表现，旨在寻找最适合巴西水稻田识别的最优数据组合和模型方法。

研究团队采用了多项关键技术方法：利用Google Earth Engine(GEE)平台获取并预处理了2017-2019年间的Sentinel-1B SAR数据和Sentinel-2多光谱数据；开发了基于物候期的三时期（初期、中期、末期）中值合成方法，构建了多种光谱和极化组合；应用神经自适应斑块(NAP)增强算法处理数据不平衡问题；最后使用三种深度学习架构进行训练和比较评估。

4.1. 光谱反射率和后向散射结果分析

通过分析水稻田在不同生长阶段的光谱和雷达响应特征，研究发现：在生长初期，由于田间淹水，所有极化方式的后向散射值均较低；在生长中期，随着植被生长，VH极化后向散射值持续增加，而VV极化值下降；在光学数据方面，近红外(NIR)波段在生长中期达到峰值约0.40，反映了植被的茂盛生长。这些特征为区分水稻与其他地物提供了重要依据。

4.2. 模型在SAR和光学数据上的性能表现

三种模型在不同数据类型上表现出明显差异：FAPNET在植被相关波段（NIR、RED）上表现最佳，平均交并比(MIoU)达到0.9226；PLANET在水分相关波段（SWIR）和单极化SAR数据（VH、VV）上表现最优，SWIR_t组合的MIoU高达0.9620；而UNET则在处理混合光学-SAR数据时表现最为稳定。值得注意的是，简单增加数据波段数量并不能持续提高分类精度，表明模型架构与数据特性的匹配至关重要。

5.1. 水稻田光谱反射率和后向散射分析

深入研究揭示了水稻生长过程中的光谱和雷达响应机制：VH极化对水稻物候变化表现出高度敏感性，能够有效检测与淹水和植物生长相关的表面粗糙度和湿度变化；NIR波段则对叶绿素含量和作物生长关键标志具有响应能力。这些发现为选择适当的遥感指标提供了理论依据。

5.2. UNET、FAPNET和PLANET模型性能比较

模型比较显示：FAPNET因其不对称的编码器-解码器结构（变化的内核大小）特别适合检测NIR/RED中的细微光谱变化；PLANET的自适应深度和分层决策树框架有利于处理SWIR和单极化SAR中的水分驱动对比度；而UNET的跳跃连接帮助保留空间细节并在混合光学-SAR输入时稳定学习。每种模型都有其特定的优势领域，没有一种模型在所有数据类型上都表现最优。

5.3. 局限性和优势

研究的优势在于能够仅使用在物候学上有意义的时间点采样的单一光谱波段实现高精度制图，大大减少了数据量和预处理需求。然而，研究也面临一些局限性：模型性能主要受到水稻本身类内异质性的限制，包括水分管理（灌溉水田与雨养系统）、收获制度（单割与再生稻）和品种物候学的差异；计算需求较大；跨区域可转移性有限，需要针对不同地区进行重新调参。

研究结论强调，模型选择应基于物候学和传感物理特性，而不是盲目的数据融合。对于淹水建立和早期生长阶段，当水分和表面粗糙度主导可分离性时，PLANET与水分敏感输入（SWIR、VH或VV）配对往往能最大化平均交并比。在植被高峰和冠层封闭期间，当光谱活力最强时，FAPNET与植被相关波段（NIR、RED）提供了卓越的判别能力。季节后期排水和衰老再次有利于水分相关信号，此时PLANET与SWIR或单极化SAR仍然有效。当输入数据异构或必须在同一三时期时间合成中组合光学-SAR时，UNET始终提供稳定的分割，平衡了鲁棒性和准确性。

这项研究为农业遥感领域提供了重要的方法论指导，表明通过精心选择时间靶向的单一波段或极化方式，结合适当的深度学习模型，可以实现既准确又高效的水稻田制图，为粮食安全监测和农业水资源管理提供了可靠的技术支持。