全球首个基于Sentinel-1/2的时空异质性水稻地块级基准数据集Plot-Rice v1.0及其深度学习框架

为解决全球水稻制图研究中数据集时空异质性不足、定制化程度高、分辨率低等问题，研究人员开发了首个覆盖20国的地块级水稻基准数据集Plot-Rice v1.0。该研究整合Sentinel-1 SAR和Sentinel-2多光谱数据，结合SAM-2模型与随机森林算法，构建了包含13,552个样本的多源特征时间序列。结果表明，数据集能有效表征水稻种植的时空异质性，DpRVIc特征分类F1达82.30%，为深度学习模型提供了标准化评估基准，对全球粮食安全监测具有重要意义。

　　

在全球粮食安全与可持续发展目标（SDG 2）背景下，水稻作为养活半数以上人口的主粮作物，其空间分布精准监测至关重要。然而当前研究面临三重困境：一是现有数据集多局限于特定区域，缺乏覆盖全球水稻主产区的标准化基准数据；二是传统方法依赖人工标注或低分辨率产品，导致样本边界模糊且效率低下；三是深度学习模型因数据时空异质性不足而泛化能力受限——亚洲稻田呈现局部破碎化与整体密集分布并存的特征，欧美机械化种植区则表现为规则形态，而非洲兼有大小不规则的种植模式。此外，单季稻、双季稻和三季稻的物候差异进一步加剧了时间维度上的复杂性。

针对这些挑战，中国科学院空天信息创新研究院的研究团队在《International Journal of Applied Earth Observation and Geoinformation》发表了开创性研究。他们构建了全球首个融合时空异质性的地块级水稻基准数据集Plot-Rice v1.0，涵盖20个国家123个采样点的13,552个10米分辨率样本，并开发了结合SAR时间序列分析与基础分割模型的自动化样本生成框架。

关键技术方法包括：1）基于Sentinel-1 VH/VV极化数据提取雷达后向散射系数（σ⁰）和归一化后向散射系数（γ⁰）；2）利用动态相位指数（DI）、植被相位指数（VI）和水淹相位指数（WI）构建水稻概率模型；3）集成Segment Anything Model 2（SAM-2）进行零样本地块分割；4）采用随机森林（RF）分类器融合多时相特征；5）通过分形维度量化空间形态异质性。

5.1 时空异质性分析
通过分形维度计算发现，亚洲稻田复杂度最高（中位数1.58），非洲次之（1.39），而机械化程度高的欧美地区形态更规则（1.11-1.27）。时间序列分析揭示了不同种植模式的特征：双季稻在VH极化后向散射曲呈现双峰特征，而干湿直播稻的物候曲线差异显著。

5.2 多特征性能评估
DpRVI_c（双极化雷达植被指数）表现最优（OA 88.72%，F1 82.30%），较传统RVI提升显著。VH极化优于VV极化，但辐射地形校正（RTC）对平坦稻田提升有限。光学指数中LSWI（地表水指数）因捕捉水稻淹水特性而超越NDVI。

4.3 地块级标签生成
SAM-2模型通过Hierarchical Vision Transformer架构实现零样本地块分割，结合RF分类的像素级结果，使地块边界完整度提升40%。人工验证环节借助VH时间序列与RiceTColour假彩色影像（SWIR-NIR-Red组合）确保标签准确性。

该研究通过Plot-Rice数据集首次系统量化了全球水稻种植的时空异质性，为深度学习模型提供了超越区域限制的标准化训练基准。创新性提出的DpRVI_c特征和SAM-2辅助标注框架，解决了传统方法边界模糊和效率低下的问题。研究结果对实现联合国可持续发展目标中的零饥饿承诺具有重要实践价值，未来可扩展至其他主粮作物的全球监测应用。