多时相遥感提取水稻种植区研究进展

姚 飞，何隆华

(中国科学院流域地理学重点实验室，中国科学院南京地理与湖泊研究所，江苏南京210008)

多时相遥感提取水稻种植区研究进展

姚 飞，何隆华

(中国科学院流域地理学重点实验室，中国科学院南京地理与湖泊研究所，江苏南京210008)

水稻是我国主要的粮食作物之一，对水稻面积和空间分布的调查是水稻监测的基础，关系国家粮食安全问题.利用卫星遥感技术进行水稻面积与空间分布调查具有大范围、实时性等传统调查不具备的优势，成为近年来的热点.本文对近年来基于多时相遥感进行水稻种植区提取的方法进行梳理与总结，按照传感器类型从3个方面进行阐述——利用不同时相分辨率的光学传感器的提取方法、利用不同极化方式的合成孔径雷达的提取方法以及两者的结合使用的方法，对基于不同数据源的提取方法进行了概括和举例.最后对目前的研究进行合理的评价，指出存在的不足之处并对进一步的研究做出展望.

遥感；水稻；光学传感器；合成孔径雷达

水稻是我国第二大粮食作物，约占我国耕地面积的25%，对水稻面积及空间分布调查是水稻监测的基础[1－2].传统的调查方式主要是通过实地测绘，利用行政手段将数据层层汇总，需要投入大量的人力物力，调查周期长.遥感具有宏观性、实时性等特点，能够快速准确地获取大面积的水稻空间分布信息[3].近年来星载平台技术的发展使遥感成为水稻监测、提取及制图的新途径[4].

水稻喜湿热，生长期内根部需浸没于水中，从播种到收割可分为出苗期、三叶期、移栽期、返青期、分蘖期、拔节期、孕穗期、抽穗期、乳熟期和成熟期等10个阶段[5]，独特的物候特征和下垫面类型是遥感提取水稻的理论基础.已有研究表明，利用多个时相的遥感影像能够很好地区分水稻与其他地物.但不同传感器的类型、参数不同，不同水稻种植区的气候、物候以及地形不同，因此，合理选择数据源是确保水稻种植区成功提取的关键.

本文主要从光学与合成孔径雷达(synthetic aperture radar，简称SAR)两类传感器角度出发，对近年来利用多时相遥感进行水稻种植区提取的研究进行归纳总结做出展望.

1 光学传感器

光学传感器通常拥有较丰富的波段信息，通过波段运算得到不同的遥感指数.大量研究均表明，在一个生长周期内，水稻的植被指数变化要大于其他地物，总体变化趋势可表现为:在移栽期，幼苗短小，植被指数较低；返青、分蘖、拔节、孕穗阶段，水稻快速生长，植被指数呈现快速上升趋势，至抽穗期达到峰值；进入成熟期后，稻穗下垂，叶片转黄，植被指数开始下降[6－8].此外，由于下垫面的特殊性，水分指数也被用于水稻种植区的提取[9－10].常用的植被指数和水分指数主要有NDVI(normalized difference vegetation index，归一化植被指数)、EVI(enhanced vegetation index，增强型植被指数)、EVI2(2-band EVI，双波段EVI指数)、LSWI(land surface water index，地表水分指数)和NDWI(normalized difference water index，归一化水体指数)等，与其相关波段主要是蓝、红、近红外以及中红外波段，大部分光学传感器均带有以上几个波段.

下表列举了用于水稻提取的多光谱传感器及其相关参数.

表1 水稻识别光学遥感数据源Table 1 Optical remote sensing datasource on rice extraction

1.1 高时间分辨率

高时间分辨率传感器通常指能够在约1～5 d进行对地重复观测的传感器，是遥感提取水稻种植区的重要数据源.尽管光学传感器受云影响严重，但较高的重访频率使高时间分辨率传感器能够适用于全球各地的水稻种植区，如中低分辨率传感器AVHRR[11－13]、MODIS[14－16]、SPOT-VEGETATION[17]，幅宽大空间分辨率较低，多用于大空间范围的水稻种植区提取与制图；中高分辨率传感器如HJ-1A/B CCD[18－20]、CBRES CCD[21－23]，同时具备了高时相与较高空间分辨率，在水稻种植区提取中越来越得到关注.

利用高时间分辨率传感器数据能够获得同一地点时间上较为连续的遥感指数曲线，在水稻种植区提取中通过平滑植被指数曲线与水分指数曲线进行物候反演[24]，分析不同阶段水稻与其他地物在指数上的差异是采用高时间分辨率传感器数据进行水稻种植区提取的基本方法[25－27].如移栽期水稻植株矮小，水田地表覆盖类型主要以水体为主，Xiao et al[28－29]使用MODIS数据获得时序NDVI、EVI、LSWI曲线，通过分析得出移栽期水稻像元满足关系式LSWI＋T＞NDVI，LSWI＋T＞EVI(T为阈值)，并提出先通过该阈值提取漫水像元，再通过NDVI与EVI变化提取水稻的方法.Peng et al对Xiao et al方法进行了改进，对双季稻和三季稻分别采用不同的阈值[30－31].植被指数序列的极大值点通常对应抽穗期，Kamthonkiat使用SPOT VEGETTATION数据，采用局部最大值拟合法进行平滑，提出一种峰值检测算法区分出水稻与其他作物，并通过分析降水与NDVI峰值的关系，成功区分出灌溉水稻和旱作水稻[32].也有学者通过分蘖期植被生长最为迅速这一特点进行提取，如Wang et al[33]使用HJ-1A/B CCD数据，使用SG滤波平滑EVI2时间序列曲线，并提出一种基于概率密度函数的单季稻提取方法，最后仅使用移栽期各地物的EVI2数据以及分蘖期各地物的EVI2一阶微分数据进行了水稻的提取，精度达91.7%.

1.2 低时间分辨率

低时间分辨率传感器指重访周期在10 d以上，通常一个月能获得1～3景影像的传感器.由于光学影像受云影像严重，传感器时相分辨率低会导致在水稻生长周期内难以获得足够的质量较好的影像，但低时间分辨率传感器通常具有较好的空间分辨率，降低了混合像元的影响，满足更精细的区域制图，仍是水稻种植区提取的重要数据源[34].如Landsat[35]系列卫星传感器，重访周期长但空间分辨率高，适用于在高纬度水稻种植区的提取，在多云雨气候区较难使用，需要通过其它方法弥补其低时相的缺陷[36].

使用低时间分辨率传感器进行水稻种植区提取同样需要构建植被指数曲线，为构建平滑的时间序列曲线，通常采用以下两种方法:(1)将相邻年份或多个低时间分辨率传感器的数据集合在一起，该方法基于一个假设，即水稻面积和空间分布在相邻年份间没有较大变动[37－39]；Kontgis采用Landsat TM、ETM、OIL等多个传感器，并以3年数据集成为一个数据集，对湄公河流域的水稻种植区进行提取，并采用监督分类区分了不同季候水稻，精度达90%以上[40].(2)与高时间分辨率传感器数据结合，可通过数据融合[41]或仅使用高时间分辨率传感数据进行物候提取[42]两种途径.邬明权则提出一个假设:相同类别的地物在同等时间间隔内的反射率变化相同，基于此假设构建了MODIS数据与Landsat数据融合模型[43].Fanget al提出TM影像和AVHRR影像结合进行逐年水稻面积预测的算法[44].Qin et al[45]使用MODIS时间序列地表温度产品提取水稻生长季，再用Landsat8 OIL和Landsat7 ETM＋数据进行水稻种植区的提取，精度为97.3%，该方法在中国东北水稻种植区得到较好的应用.

2 SAR传感器

由于全天时全天候的特点，使用SAR传感器进行水稻种植区的提取一直是多时相遥感提取水稻的一个重要部分，主要适用于热带、亚热带等多云雨的水稻种植区，且由于SAR通常具有较高的空间分辨率，也常用于地块较为破碎的水稻种植区域.水稻后向散射系数在SAR影像上大致表现为:移栽期由于田间以水为主，镜面反射占主导，后向散射较弱；从移栽期到抽穗期，水稻株高不断增加，圆柱形结构表现明显，植株体散射和水层与植株间二面角散射增加，后向散射系数升高；进入成熟期后，稻穗下垂，叶子趋向水平且取向随机，后向散射系数有所下降[46].水稻后向散射系数受极化方式影响，当前极化方式主要是线极化，分为HH、HV、VH、VV(H为水平极化，V为垂直极化)，一个SAR传感器可以有多种极化方式.近年来有学者提出“简缩极化”概念，通过发射圆极化波接收圆极化波或发射圆极化波接收线极化波[47－48].

下表列举了用于水稻提取的SAR传感器及其相关参数.

表2 水稻识别SAR数据源Table 2 SAR data source on rice extraction

2.1 单极化

使用单极化SAR进行水稻提取主要集中于早期发射的星载SAR卫星传感器，如ERS-1/2，Radarsat-1、ENVISAT ASAR，由于极化方式单一，主要通过时序后向散射系数的变化来区分水稻与其他地物[49－52].早期如Toan et al在观测X波段SAR影像时发现水稻后向散射系数的变化比其他作物要明显，提出利用多时相SAR数据进行水稻提取的研究方法[53].Shao et al[54]使用Radarsat-1数据结合水稻物候历对广东肇庆地区进行水稻提取，并建立了后向散射系数与时间之间的经验模型.Nguyen et al[55]使用多年的ENVISAT ASAR宽幅模式数据，并基于多年数据集成的时间序列进行了湄公河流域的水稻制图，总体精度为85.3%.在利用SAR进行大面积水稻提取或对某一地区进行长时间序列水稻种植区提取时，由于数据成本以及早期多极化数据的缺乏，单极化SAR依然是较好的选择[56].

2.2 双极化

不同极化方式对水稻的各项生理参数敏感性不同，因此在水稻生长的不同阶段，不同极化的后向散射系数具有明显的差异，是双极化SAR提取水稻种植区的基本原理.较常用的双极化SAR数据有ENVISAT ASAR、ALOS PALSAR[57]、TerraSAR-X[58].通过极化差值或极化比值区分水稻与其他地物是常用的方法.如Yanget al通过比较地物在同极化不同时相和同时相不同极化下的差值，提出采用极化差值法进行水稻种植区的提取，总体精度在80%以上[59].Bouvet et al[60]研究表明，由于水稻的柱体结构，在整个生长季中VV极化的后向散射系数要低于HH极化，且HH/VV比值变化要大于其它地物，在水稻生长不同阶段具有明显差异，在提取湄公河流域水稻中精度达90%.化国强等通过分析两个时相下地物的HH/VV比值，建立像元比值概率分布函数进行合理阈值的选择成功区分水稻与其他地物，精度达93%[61].近年来也有学者尝试进行双极化分解[62]，以获得更多分类信息，如Lopez-Sanchez采用TerraSAR-X双极化数据，较为完善地分析了HH/VV比值、相位、交叉极化、双极化分解等在水稻识别中的作用和不同方法在各个阶段的适用性[63].总体来说，双极化SAR在水稻种植区提取中具有不错的能力，且能在当前大部分SAR传感器上实现.

2.3 全极化/简缩极化

近年来伴随星载SAR平台的发展，也有不少学者尝试采用全极化/简缩极化SAR进行水稻种植区的提取，其中Radarsat-2、TerraSAR-X较为常用[64－65].利用不同目标分解方法对多时相SAR影像进行极化分解，分析不同阶段水稻后向散射机制的变化是全极化/简缩极化SAR提取水稻种植区的基本方法[66].Yonezawa分别采用Free-Durden三分量分解法对Radarsat-2全极化数据进行极化分解，结果表明，由于水稻的柱形结构和下垫面水层，后向散射中二面角散射所占比例较大，是区分水稻与其他作物的重要特征[67].Li et al[68]则比较了Freeman-Durden、Cloude-Pottierhe和Touzi三种极化分解方法，结果表明使用极化分解要优于仅使用多时相后向散射强度的方法，三种分解方法中采用6－10个参数的Touzi分解能够达到91.45%的精度.Yang et al[69]则采用Rasarsat-2模拟简缩极化数据进行水稻识别，使用m-χ分解进行三分量分解，经过分析发现，由于栽种方式的不同，可通过前期的散射机制的不同区分行栽稻和直播稻.全极化/简缩极化SAR不仅为SAR传感器提取水稻提供了更为丰富的信息，也更为机理性地描述了水稻生长过程中植株结构的变化与SAR后向散射特征之间的关系[70].

3 光学与SAR结合

光学遥感和SAR的成像机理与波段区间不同，反映了水稻不同层面的物理信息.同时，在水稻种植区提取上，光学遥感能获得较好的植被和水分信息但受云影响较严重而SAR能够获得稳定的周期性的影像但本身受相干斑噪影响严重[71].因此，不少学者通过结合光学和SAR进行水稻的识别，总体可分为融合与非融合两类.前者通过一定的图像变换方式将两类数据融合为新的影像再进行分析与提取，后者则分别利用两者的不同的优势，以其中一类数据作为主数据，另一类数据作为辅助数据进行水稻种植区的提取.

3.1 影像融合提取

通过一定方式的影像融合产生波段间相关性小、信息量更为丰富的多光谱影像，是融合光学和SAR影像用于水稻种植区的提取的基本原理[72].常用的融合方法有HIS、PCA、小波变换、Brovey以及Gram-Schmidt融合[73].张细燕等[74]利用多景ERS-2影像进行时相分析，最终选取差异最大的两景影像进行差值创建新影像，通过将新影像与一景TM影像进行Gram-Schmidt融合采用最大似然法分类，分类精度为84.87%，比仅使用多时相SAR高5%.贾坤等使用ENVISAT ASAR VV极化数据与环境星多光谱数据，探讨分析了不同融合方式在识别农作物上的效果，可为图像融合用于水稻识别提供借鉴[75].

3.2 非融合提取

采用非融合的方式结合光学和SAR进行水稻种植区提取，主要是针对由于单纯采用一类数据无法完成精细分类而需要加入另一类数据进行辅助的情况，如光学和SAR传感器在时间分辨率、空间分辨率、发射时间等不同参数上的差异所导致的需求[76－79].Haldar在进行印度地区水稻种植区提取时，采用两景Radarsat-1影像对正常时间播种的水稻进行提取，并加入一景AWIFS影像用于识别播种较晚的水稻种植区[80].Torbick et al[81]在提取鄱阳湖地区水稻时采用ALOS PALSAR数据提取水稻种植面积与分布，在此基础上通过MODIS数据反演物候区分单季稻、双季稻与三季稻.Wang et al[82]在提取江苏地区水稻时，采用MODIS数据进行水稻生长季的判断，以Landsat-8 OIL数据作为水稻制图主数据，采用ALOS PALSAR数据对森林进行掩膜处理，充分结合了不同传感器的优势.

4 总结与展望

近年来，由于星载平台技术和传感器技术的发展，为多时相遥感提取水稻种植区提供了更为丰富的数据源，水稻识别算法也从最初的简单分类趋向于从机理出发，结合水稻特点分析的分类方法.同时，现有的研究仍有一些不足之处，总结如下:

(1)光学遥感是水稻种植区提取中最为广泛的数据源，其中中低分辨率传感器如MODIS、AVHRR等由于具有高时间分辨率较为常用，但采用这类传感器进行水稻种植区提取时主要应用于大空间范围，可满足制图要求，对于精确的面积估算，需要考虑混合像元所带来的面积的不确定性影响[83].对于低时间分辨率传感器如Landsat系列，通常采用多传感器多年数据集成或与高时相数据源结合的方法，对于前者需要确认其所基于的假设是否成立，对于后者需要进一步考虑不同传感器数据的空间分辨率差异.

(2)目前已有诸多基于植被指数构建物候曲线进行物候的反演与水稻种植区提取的方法，这类基于物候的方法通常需要选择样本区域，构建并平滑植被指数曲线，通过分析水稻的指数曲线与其他地物的差异进行区分.样本数据作为先验数据在整个分类过程中至关重要，但目前对于如何选择典型样本以及样本预处理的研究较少.另外，在进行植被指数平滑重构时，通常采用某种滤波算法进行且不同研究之间滤波方法不同，如何结合水稻生长模型提出适用于水稻物候曲线重构的普适性算法应当是进一步的研究方向.

(3)SAR传感器由于不受云雨影响一直是水稻种植区提取的重要数据源，且近年来由于SAR传感器技术的发展，使用SAR进行水稻识别越来越得到关注.使用全极化/简缩极化SAR能够获取更多的信息，提高分类精度，但全极化/简缩极化SAR数据费用较高，进行信息的深入挖掘，如何在保证精度的前提下使用尽量少的影像是使用全极化/简缩极化SAR数据的发展方向.出于数据的可获得性，单极化和双极化SAR数据依然实用于大面积的水稻提取，但当前大部分SAR传感器的时间分辨率都较低，在构建物候曲线上存在一定困难，欧空局EO计划发射的sentinel-1A以及2016年将发射的sentinel-1B双星组合时间分辨率可达5 d，将是水稻种植区提取值得采用的SAR数据源[84].

(4)尽管已经有许多图像融合算法，但针对光学与SAR融合进行水稻识别，主要还停留在使用现有的算法进行尝试的阶段，应当从数学或物理意义上对影像融合能够提高水稻提取的精度作出解释.目前采用非融合的方式结合光学与SAR已得到较多研究，并取得不错的效果.多源传感器结合将是今后多时相遥感提取水稻种植区的重要研究方向，但应当谨慎不同影像空间分辨率、波段区间等不同所带来的影响.

[1]ANONYMOUS，DEREK R B，DAVID D，et al.Rice in the global economy:strategic research and policy issues for food security[M].Manila:International Rice Research Institute，2010.

[2]中华人民共和国农业部.中国农业统计资料(2012)[M].北京:农业出版社，2013.

[3]李德仁.浅论21世纪遥感与GIS的发展[J].武汉大学学报(信息科学版)，2002，25(4):127－131.

[4]孙华生，黄敬峰，李波，等.中国水稻遥感信息获取区划研究[J].中国农业科学，2008(12):4 039－4 047.

[5]孙华生.利用多时相MODIS数据提取中国水稻种植面积和长势信息[D].杭州:浙江大学，2009.

[6]MOTOHKA T，NASAHARA K N，MIYATA A，et al.Evaluation of optical satellite remote sensing for rice paddy phenology in monsoon Asia using a continuous in situ dataset[J].International Journal of Remote Sensing，2009，30(17):4 343－4 357.

[7]王尧，卓莉，易沵泺，等.湖南省单、双季稻识别与生育期提取研究[J].地理科学进展，2015，34(10):1 306－1 323.

[8]SAKAMOTO T，YOKOZAWA M，TORITANI H，et al.A crop phenology detection method using time-series MODIS data[J]. Remote Sensing of Environment，2005，96(3－4):366－374.

[9]BOSCHETTI M，NUTINI F，MANFRON G，et al.Comparative analysis of normalised difference spectral indices derived from MODIS for detecting surface water in flooded rice cropping systems[J].Plos One，2014，9(2):1－21.

[10]KARYDAS C G，TOUKILOGLOU P，MINAKOU C，et al.Development of a rule-based algorithm for rice cultivation mapping using Landsat 8 time series[C].Third International Conference on Remote Sensing and Geoinformation of the Environment，2015

[11]HUANG J F，WANG X Z，LI X X，et al.Remotely sensed rice yield prediction using multi-temporal NDVI data derived from NOAA′s-AVHRR[J].Plos One，2013，8(8):e70816.

[12]QUARMBY N A，MILNES M，HINDLE T L，et al.Use of multi-temporal NDVI measurements from AVHRR data for crop yield estimation and prediction[J].International Journal of Remote Sensing，1993，14(2):199－210.

[13]SINGH R P，OZA S R，PANDYA M R.Observing long-term changes in rice phenology using NOAA-AVHRR and DMSPSSM/I satellite sensor measurements in Punjab，India[J].Current Science，2006，91(9):1 217－1 221.

[14]GUMMA M K，NELSON A，THENKABAIL P S，et al.Mapping rice areas of south asia using MODIS multitemporal data[J].Journal of Applied Remote Sensing，2011，5(4):863－871.

[15]张友水，原立峰，姚永慧.多时相MODIS影像水田信息提取研究[J].遥感学报，2007(2):282－288.

[16]张莉，吴文斌，左丽君，等.基于EOS/MODIS数据的南方水稻面积提取技术[J].中国农业资源与区划，2011(4):39－44.

[17]TURNER M D，CONGALTON R G.Classification of multi-temporal SPOT-XS satellite data for mapping rice fields on a west African floodplain[J].International Journal of Remote Sensing，1998，19(1):21－41.

[18]JIA K，WU B F，LI Q Z.Crop classification using HJ satellite multispectral data in the north China plain[J].Journal of Applied Remote Sensing，2013，7(8):287－297.

[19]PAN Z K，HUANG J F，ZHOU Q B，et al.Mapping crop phenology using NDVI time-series derived from HJ-1 A/B data[J]. International Journal of Applied Earth Observation＆Geoinformation，2015，34(1):188－197.

[20]CHEN J S，HUANG J X，HU J X.Mapping rice planting areas in southern China using the China environment satellite data [J].Mathematical and Computer Modelling，2011，54(3－4):1 037－1 043.

[21]王力凡，潘剑君.基于CBERS-02B卫星影像光谱信息的水稻种植面积提取方法——以南京市溧水县为例[J].南京农业大学学报，2013(1):87－91.

[22]李维钧，张微微，武伟，等.基于中巴资源卫星数据的水稻种植面积监测——以梁平县为例[J].西南大学学报(自然科学版)，2009(1):179－184.

[23]张微微.基于多时相CBRES CCD图像的水稻种植面积监测[D].重庆:西南大学，2008.

[24]SAKAMOTO T，NGUYEN N V，KOTERA A，et al.Detecting temporal changes in the extent of annual flooding within the cambodia and the vietnamese mekong delta from MODIS time-series imagery[J].Remote Sensing of Environment，2007，109 (3):295－313.

[25]ZHANG G L，XIAO X M，DONG J W，et al.Mapping paddy rice planting areas through time series analysis of MODIS land surface temperature and vegetation index data[J].ISPRS Journal of Photogrammetry and Remote Sensing，2015，106:157－171.

[26]SHI J J，HUANG J F.Application of MODIS time series data to estimate effects of rice planthopper in Yangtze River Delta region[C]，Third International Conference on Agro-Geoinformatics，2014:281－286.

[27]QIU B W，LI W J，TANG Z H，et al.Mapping paddy rice areas based on vegetation phenology and surface moisture conditions[J].Ecological Indicators，2015，56:79－86.

[28]XIAO X M，BOLES S，FROLKING S，et al.Mapping paddy rice agriculture in south and southeast Asia using multi－temporal MODIS images[J].Remote Sensing of Environment，2006，100(1):95－113.

[29]XIAO X M，BOLES S，LIU J Y，et al.Mapping paddy rice agriculture in southern China using multi-temporal MODIS images [J].Remote Sensing of Environment，2005，95(4):480－492.

[30]PENG D L，HUETE A R，HUANG J F，et al.Detection and estimation of mixed paddy rice cropping patterns with MODIS data[J].International Journal of Applied Earth Observation and Geoinformation，2011，13(1):13－23.

[31]PENG D L，HUANG J F，LI C J，et al.Modelling paddy rice yield using MODIS data[J].Agricultural and Forest Meteorology，2014，184:107－116.

[32]KAMTHONKIAT D，HONDA K，TURRAL H，et al.Discrimination of irrigated and rainfed rice in a tropical agricultural system using SPOT VEGETATION NDVI and rainfall data[J].International Journal of Remote Sensing，2005，26(12):2527－2547.

[33]WANG J，HUANG J F，ZHANG K Y，et al.Rice fields mapping in fragmented area using multi-temporal HJ-1A/B CCD images[J].Remote Sensing，2015，7(4):3 467－3 488.

[34]MCCLOY K R，SMITH F R，ROBINSONM R.Monitoring rice areas using LANDSAT MSS data[J].International Journal of Remote Sensing，1987，8(8):741－749.

[35]FANG H L.Rice crop area estimation of an administrative division in China using remote sensing data[J].International Journal of Remote Sensing，2010，19(17):3 411－3 419.

[36]DONG J W，XIAO X M，MENARGUEZ M A，et al.Mapping paddy rice planting area in northeastern Asia with Landsat 8 images，phenology-based algorithm and Google Earth Engine[OL].Remote Sensing of Environment，2016.http://dx.doi.org/ 10.1016/j.rse.2016.02.016.

[37]LI P，FENG Z M，JIANG L G，et al.Changes in rice cropping systems in the poyang lake region，China during 2004-2010 [J].Journal of Geographical Sciences，2012，22(4):653－668.

[38]DONG J W，XIAO X M，KOU W L，et al.Tracking the dynamics of paddy rice planting area in 1986－2010 through time series Landsat images and phenology-based algorithms[J].Remote Sensing of Environment，2015，160:99－113.

[39]OGURO Y，SUGA Y，TAKEUCHI S，et al.Monitoring of a rice field using Landsat－5 TM and Landsat－7 ETM＋data[J].Advances in Space Research，2003，32(11):2223－2228.

[40]KONTGIS C，SCHNEIDER A，OZDOGAN M.Mapping rice paddy extent and intensification in the Vietnamese Mekong River Delta with dense time stacks of Landsat data[J].Remote Sensing of Environment，2015，169:255－269.

[41]张猛，曾永年.基于多时相Landsat数据融合的洞庭湖区水稻面积提取[J].农业工程学报，2015(13):178－185.

[42]ZHOU Y T，XIAO X M，QIN Y W，et al.Mapping paddy rice planting area in rice-wetland coexistent areas through analysis of Landsat 8 OLI and MODIS images[J].International Journal of Applied Earth Observation and Geoinformation，2016，46:1－12.

[43]邬明权，牛铮，王长耀.利用遥感数据时空融合技术提取水稻种植面积[J].农业工程学报，2010(S2):48－52.

[44]FANG H L，WU B F，LIU H Y，et al.Using NOAA AVHRR and Landsat TM to estimate rice area year-by-year[J].International Journal of Remote Sensing，1998，19(3):521－525.

[45]QIN Y W，XIAO X M，DONG J W，et al.Mapping paddy rice planting area in cold temperate climate region through analysis of time series Landsat 8(OLI)，Landsat 7(ETM＋)and MODIS imagery[J].Isprs Journal of Photogrammetry and Remote Sensing，2015，105:220－233.

[46]INOUE Y，KUROSU T，MAENO H，et al.Season-long daily measurements of multifrequency(Ka，Ku，X，C，and L)and full-polarization backscatter signatures over paddy rice field and their relationship with biological variables[J].Remote Sensing of Environment，2002，81(2－3):194－204.

[47]RANEY R K.Hybrid-polarity SAR architecture[J].IEEE Transactions on Geoscience and Remote Sensing，2007，45(11):3 397－3 404.

[48]NORD M E，AINSWORTH T L，et al.Comparison of compact polarimetric synthetic aperture radar modes[J].IEEE Transactions on Geoscience and Remote Sensing，2009，47(1):174－188.

[49]KONISHI T，OMATU S，SUGA Y.Extraction rice-planted areas by RADARSAT data using neural networks[J].Artificial Life and Robotics，2007，11(2):211－214.

[50]杜烨，郭长青，文宁，等.基于多时相COSMO-SkyMed SAR数据对水稻信息提取方法的研究与应用[J].遥感信息，2014 (3):30－34.

[51]PANIGRAHY S，JAIN V，PATNAIK C，et al.Identification of aman rice crop in bangladesh using temporal C－band SAR-A feasibility study[J].Journal of the Indian Society of Remote Sensing，2012，40(4):599－606.

[52]杨沈斌，申双和，张萍萍，等.ENVISAT ASAR数据用于大区域稻田识别研究[J].南京气象学院学报，2007(3):365－370.

[53]TOAN T L，LAUR H，MOUGIN E，et al.Multitemporal and dual-polarization observations of agricultural vegetation covers by X-band SAR images[J].Geoscience＆Remote Sensing IEEE Transactions on，1989，27(6):709－718.

[54]SHAO Y，FAN X T，LIU H，et al.Rice monitoring and production estimation using multitemporal RADARSAT[J].Remote Sensing of Environment，2001，76:310－325.

[55]NGUYEN D B，CLAUSS K，CAO S M，et al.Mapping rice seasonality in the mekong delta with multi-year envisat ASAR WSM data[J].Remote Sensing，2015，7(12):15 868－15 893.

[56]NELSON A，SETIYONO T，RALA A，et al.Towards an operational SAR-based rice monitoring system in asia:Examples from 13 demonstration sites across Asia in the RIICE project[J].Remote Sensing，2014，396(1):94－105.

[57]李章成，李源洪，周华茂.基于ALOS_PALSAR双极化雷达影像遥感监测水稻的研究——以德阳地区为例[J].西南师范大学学报(自然科学版)，2012(6):62－67.

[58]BERNARDISC G D，VICENTE-GUIJALBA F，MARTINEZ-MARIN T，et al.Estimation of key dates and stages in rice crops using dual-polarization SAR time series and a particle filtering approach[J].IEEE Journal of Selected Topics in Applied Earth Observations＆Remote Sensing，2015，8(3):1 008－1 018.

[59]YANG S B，SHEN S H，LI B B，et al.Rice mapping and monitoring using ENVISAT ASAR data[J].IEEE Geoscience and Remote Sensing Letters，2008，5(1):108－112.

[60]BOUVET A，TOAN T L，LAM-DAO N.Monitoring of the rice cropping system in the mekong delta using ENVISAT/ASAR dual polarization data[J].IEEE Transactions on Geoscience and Remote Sensing，2009，47(2):517－526.

[61]化国强，李晨，杨沈斌，等.利用Radarsat-2数据基于比值检测的水稻制图[J].江苏农业学报，2012(6):1 451－1 458.

[62]JI K F，WU Y H.Scattering mechanism extraction by a modified cloude-pottier decomposition for dual polarization SAR[J]. Remote Sensing，2015，7(6):7 447－7 470.

[63]LOPEZ-SANCHEZ J M，BALLESTER-BERMAN J D，HAJNSEK I.First results of rice monitoring practices in spain by means of time series of terraSAR-X Dual－Pol images[J].IEEE Journal of Selected Topics in Applied Earth Observations＆Remote Sensing，2011，4(2):412－422.

[64]李坤，邵芸，张风丽.基于RadarSat-2全极化数据的水稻识别[J].遥感技术与应用，2012，27(1):86－93.

[65]TAN C P，KOAY J Y，LIM K S，et al.Classification of multi-temporal SAR images for rice crops using combined entropy decomposition and support vector machine technique[J].Progress in Electromagnetics Research，2007，71:19－39.

[66]XIE L，ZHANG H，WU F，et al.Capability of rice mapping using hybrid polarimetric SAR data[J].Ieee Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2015，8(8):3 812－3 822.

[67]YONEZAWA C，NEGISHI M，AZUMA K，et al.Growth monitoring and classification of rice fields using multitemporal RADARSAT-2 full-polarimetric data[J].International Journal of Remote Sensing，2012，33(18):5 696－5 711.

[68]LI K，BRISCO B，SHAO Y，et al.Polarimetric decomposition with RADARSAT-2 for rice mapping and monitoring[J].Canadian Journal of Remote Sensing，2012，38(2):169－179.

[69]YANG Z，LI K，LIU L，et al.Rice growth monitoring using simulated compact polarimetric C-band SAR[J].Radio Science，2014，49(12):1 300－1 315.

[70]LOPEZ-SANCHEZ J M，VICENTE-GUIJALBA F，BALLESTER-BERMAN J D，et al.Polarimetric response of rice fields at C-band:analysis and phenology retrieval[J].IEEE Transactions on Geoscience＆Remote Sensing，2014，52(5):2 977－2 993.

[71]奥利弗.合成孔径雷达图像理解[M].北京:电子工业出版社，2009.

[72]YAO B B，WANG W J，YIN Q Y.Synergy of multitemporal ERS-1 SAR and landsat TM data for classification of agricultural crops[J].Canadian Journal of Remote Sensing，2003，29(4):518－526.

[73]李秉柏，杨沈斌，申双和.ENVISAT ASAR数据与CBERS-02数据的融合与应用[J].地球信息科学，2008，10(2):263－268.

[74]张细燕，何隆华.基于SAR与Landsat TM的小区域稻田的识别研究——以南京市江宁区为例[J].遥感技术与应用，2015，30(1):43－49.

[75]贾坤，李强子，田亦陈，等.微波后向散射数据改进农作物光谱分类精度研究[J].光谱学与光谱分析，2011，31(2):483－487.

[76]OKAMOTO K.Estimation of rice-planted area in the tropical zone using a combination of optical and microwave satellite sensor data[J].International Journal of Remote Sensing，1999，20(5):1 045－1 048.

[77]KARILA K，NEVALAINEN O，KROOKS A，et al.Monitoring changes in rice cultivated area from SAR and optical satellite images in ben Tre and Tra Vinh provinces in mekong delta，Vietnam[J].Remote Sensing，2014，6(5):4 090－4 108.

[78]ASILO S，BIE K D，SKIDMORE A，et al.Complementarity of two rice mapping approaches:characterizing strata mapped by hypertemporal MODIS and rice paddy identification using multitemporal SAR[J].Remote Sensing，2014，6(12):12 789－12 814.

[79]BLAES X，VANHALLE L，DEFOURNY P.Efficiency of crop identification based on optical and SAR image time series[J]. Remote Sensing of Environment，2005，96(3－4):352－365.

[80]HALDAR D，PATNAIK C.Synergistic use of multi-temporal Radarsat SAR and AWiFS data for Rabi rice identification[J]. Journal of the Indian Society of Remote Sensing，2010，38(1):153－160.

[81]TORBICK N，SALAS W，XIAO X M，et al.Integrating SAR and optical imagery for regional mapping of paddy rice attributes in the Poyang lake watershed，China[J].Canadian Journal of Remote Sensing，2011，37(1):17－26.

[82]WANG J，XIAO X M，QIN Y W，et al.Mapping paddy rice planting area in wheat-rice double-cropped areas through integration of Landsat-8 OLI，MODIS，and PALSAR images[J].Scientific Reports，2015:5:10088.

[83]李根，景元书，王琳，等.基于MODIS时序植被指数和线性光谱混合模型的水稻面积提取[J].大气科学学报，2014(1): 119－126.

[84]杨魁，杨建兵，江冰茹.Sentinel-1卫星综述[J].城市勘测，2015(2):24－27.

(责任编辑:吴显达)

Review on mapping rice area using multi-temporal remote sensing

YAO Fei，HE Longhua
(Key Laboratory of Watershed Geographic Sciences，Nanjing Institute of Geography and Limnology，Chinese Academy of Sciences，Nanjing，Jiangsu 210008 China)

Being one of the most important staple food in China，investigation onthe area and spatial distribution of rice is the basis for monitoring and management，which is vital for national food security.Compared with traditional survey，remote sensing is capable of covering large area in a real-time scale，thus rising to be the hotspot technology for monitoring in the recent years.In this paper，different methods on rice area extraction，including optical sensors with different time resolutions and synthetic aperture radar with different polarizations were summarized，together with their applications.Lastly，comprehensive assessments on on-going projects especially shortcomings were made for further research.

remote sensing；rice；optical sensor；synthetic aperture radar

TP79

:A

:1671-5470(2016)06-0617-08

10.13323/j.cnki.j.fafu(nat.sci.).2016.06.001

2016－01－27

:2016－03－17

国家自然科学基金(41271418).

姚飞(1991－)，男，硕士研究生.研究方向:环境遥感.Email:frj937717＠163.com.通讯作者何隆华(1966－)，男，副研究员，博士研究生.研究方向:GIS与遥感应用.Email:lhhe＠niglas.ac.cn.