Rice Cropping Pattern Mapping Using GEE-Based Sentinel-1/2 Time-Series Imagery and Machine Learning

准确绘制水稻种植模式图是实现可持续农业管理和区域粮食安全评估的基础。本研究基于Google Earth Engine（GEE）云平台，构建了长江三角洲地区主要水稻种植模式的高精度制图框架。通过整合Sentinel-1雷达后向散射（VV/VH极化）、Sentinel-2光学指数（包括归一化差异植被指数NDVI和地表水体指数LSWI）以及地形因子（DEM和坡度），构建了多时相、多源特征集，用于分类三种主要种植制度，即麦–稻轮作、双季稻和油–稻轮作。利用2024—2025年生长季采集的548个实地调查样点进行模型训练与验证。系统比较了三种经典分类器——随机森林（RF）、梯度提升树（GBTREE）和支持向量机（SVM）。消融实验表明，Sentinel-1与Sentinel-2的融合在三种分类器中均优于仅使用Sentinel-1或仅使用Sentinel-2的配置。其中，GBTREE在本实验中取得了最高的总体精度（93.8%）、Kappa系数（0.87）和宏平均F1分数（88.3%）。值得注意的是，其在更具挑战性的双季稻类别上同样表现最佳。基于SHapley加法解释（SHAP）的特征重要性分析表明，多时相NDVI物候特征是分类精度的主要驱动因素，雷达后向散射和水体指数提供了必要的补充信息，而地形因子则在区域尺度上起到空间约束作用。基于GBTREE分类得到的空间分布呈现出清晰的格局：麦–稻轮作主导北部平原（苏北、皖北和杭嘉湖平原）；双季稻集中于浙南丘陵和零散的河谷平原；油–稻轮作则呈零散镶嵌状分布。总体而言，本研究表明，在GEE平台上整合多源遥感数据与GBTREE分类器，能够对复杂农业景观中的水稻种植模式进行有效且可扩展的高精度制图。该方法为区域农业结构分析和作物