MAPPING RICE CROPS IN CLOUD-COVERED MOUNTAINOUS AREAS USING SENTINEL-1 RADAR AND RANDOM FOREST ALGORITHM: A CASE STUDY IN LAO CAI, VIETNAM

方法

GEE平台Sentinel-1时序特征+22变量+随机森林，1639个样本。

发现

总体精度91.4%，面积误差6.8%；分蘖与收获期VH时序后向散射判别力最强。

机会点

可探索VH物候特征迁移至其他多云山区，并结合地块破碎度优化小农户水稻制图。

摘要：山区水稻制图仍面临挑战，因为持续的季风云覆盖严重限制了光学卫星影像的可用性。在越南西北部的老街省，陡峭的地形、破碎的农田以及以小农梯田水稻为主体的异质性种植制度进一步增加了水稻监测的复杂性。本研究在Google Earth Engine平台内构建了Sentinel-1合成孔径雷达（SAR）时间序列框架，以确定在易受云覆盖影响且地形复杂条件下业务化水稻制图中最有效的变量。共评估了22个候选变量，包括时间后向散射特征、基于物候的生长指标、极化指数和地形变量，采用随机森林分类器并以1,639个参考样本进行训练。分类总体精度（Overall Accuracy）达91.4%，Kappa系数为0.83。估算水稻面积为30,752公顷，与官方农业统计数据相比相对误差为6.8%。值得注意的是，分蘖期和收获期的时间垂直-水平（VH）后向散射动态对水稻识别提供了最强的判别能力，显著优于传统极化指数。此外，在光学遥感常受云层遮挡的山区环境中，时间合成孔径雷达物候对检测破碎水稻田具有高度有效性。