Synergistic Use of Multitemporal SAR and Optical Data with Random Forest Approach for Rice Mapping in Bangladesh

准确的当季作物制图对国家粮食安全至关重要，然而孟加拉国传统的基于地面估计的方法往往缺乏精度。本研究开发了一个稳健的机器学习框架，通过整合Sentinel-1合成孔径雷达（SAR）和Sentinel-2光学影像，对马尼格甘杰县的Boro水稻进行制图。为克服季节性云覆盖的挑战，研究利用Sentinel-1 VH极化识别插秧期（2月下旬至3月上旬）由淹水田块镜面反射所引起的独特后向散射降低特征。通过将这些SAR特征与Sentinel-2在生长旺盛期的高分辨率光谱指数（NDVI、EVI和BSI）相结合，研究捕捉到了水稻独特的物候特征。在Google Earth Engine（GEE）平台上应用了基于像元的随机森林算法，利用每个乡约200个实地验证参考点（共计1，385个）进行训练和验证。结果表明分类性能较高，七个乡的总体精度在88.1%至94.9%之间。此外，与政府官方统计数据相比，总面积差异仅为2.34%，凸显了这种综合卫星方法在业务化作物监测中的可靠性。