亚洲30米分辨率长期水稻分布数据集揭示粮食安全与温室气体排放的关键联系

本研究针对亚洲地区水稻种植分布精确监测的难题，整合Landsat与Sentinel-1遥感数据，结合物候学方法（TWDTW）和随机森林模型，构建了1990-2023年16国三季稻种植的高精度空间数据集（GCD-Rice）。验证显示总体精度达88.85%，与统计数据的R2为0.768，为全球粮食安全评估和甲烷排放量化提供了30米分辨率的关键基础数据。

　　

研究背景与意义
作为全球半数人口的主粮，水稻不仅关乎粮食安全，其种植过程产生的甲烷占全球人为排放量的6%-30%。亚洲贡献了全球60%以上的水稻产量，但长期受云层干扰和混合像元影响，缺乏高时空分辨率的连续分布数据。现有产品存在覆盖不全（如未涵盖全亚洲）、时间跨度短（集中于2016年后）、分辨率低（500米）等缺陷，难以支撑精准的粮食产量预测和温室气体核算。

研究团队与方法
中山大学联合中国科学院地理资源所等机构，通过融合多源卫星数据（Landsat系列和Sentinel-1）的独特优势，创新性地将时间加权动态时间规整（TWDTW）物候特征提取与随机森林机器学习相结合。研究首先利用2016-2023年高质量观测数据生成预分类样本，再通过随机森林模型回溯重建1990-2015年数据，最终构建了涵盖16个国家、三季稻种植的30米分辨率数据集。技术核心包括：

1. 基于SWIR1（短波红外1波段）和VH极化雷达的物候特征提取
2. 258,547个地面样本验证的随机森林模型训练
3. 国家尺度统计面积约束的概率阈值校准

主要研究结果
1. 精度验证
样本验证显示平均用户精度（UA）89.88%、生产者精度（PA）88.52%，与省级统计数据的R²达0.768。泰国主季稻识别精度最高（OA 94.84%），而孟加拉国Aus季（UA 76.45%）和印度秋季稻（PA 61.06%）因小农户种植模式复杂导致精度较低。

2. 空间分布特征

数据显示水稻种植热点集中于恒河平原（印度）、红河三角洲（越南）和爪哇岛（印尼）。单季稻在日韩朝持续种植34年（图6），双季稻集中在泰国中部（图7），三季稻仅见于越南南部和孟加拉国（图8），种植频率不超过15年。

3. 技术对比优势
与现有产品MSEAsia（20米）和NESEA-Rice10（10米）相比，本数据集在泰国和印尼的RMAE降低40%，斜率更接近1（图9）。高分辨率影像对比显示（图10），本产品能准确识别田块边界，避免河流等误判。

结论与展望
该研究首次实现了亚洲全域30米分辨率、34年跨度的水稻种植制图，解决了中低分辨率产品无法区分多季稻的技术瓶颈。数据集为评估气候变化对水稻生产的影响提供了基准数据，其揭示的种植频率变化（如东南亚三季稻面积缩减）对调整农业政策具有指导意义。研究同时指出，热带地区云层干扰（1990-2015年有效观测<40%）和小农户复杂种植模式仍是精度提升的主要挑战。未来可通过融合Sentinel-1雷达数据和新一代星载激光雷达进一步优化算法。

（注：所有数据已公开于ScienceDB平台doi:10.57760/sciencedb.21665，代码开源在GitHub）