Deep learning-based reconstruction of transplanting signals and parcel delineation enable smallholder rice paddy mapping in South Korea

方法

深度学习回归重建云掩膜NDVI/LSWI，基础分割模型勾绘地块，10米分类。

发现

重建精度R²达0.95/0.90，总体精度88.7%，地块整合降低面积估计偏差。

机会点

可探索多源时序数据与地块先验结合，提升多云区小农户早期作物制图稳健性。

水稻田的早期识别对于东亚国家至关重要，这些国家为保障粮食安全而对种植面积进行管控，然而频繁的云覆盖和小农地区有偏的面积估算，亟需一种及时且具有空间细节的方法。本研究开发了一个将早期季水稻分类与小农景观地块勾绘相结合的框架。我们以插秧期为靶期，此时灌溉水与稀疏冠层使归一化植被指数（NDVI）与地表水指数（LSWI）之间的差异最大化。为克服云层影响，我们采用深度学习回归重建被云掩膜的植被指数，在云多发季节恢复覆盖度，而非使用完整生长季观测。随后，我们基于这一单一缺口填补特征进行水稻分类，并将10米分辨率结果细化至由基础分割模型勾绘的地块上。缺口填补准确重建了像元（NDVI的R²=0.95，LSWI的R²=0.90），制图总体精度（OA）达到88.7%，与完整生长季基准相当。地块整合改善了小农分类并减少了面积估算偏差，支持了具有更精细地块边界的早期季分类。