2025-09-01-世界银行-利用光学遥感和有限训练数据绘制斯里兰卡田间水稻面积和产量图（英）页_29页_3mb

总结

研究背景

为评估斯里兰卡水稻种植情况（面积与产量），克服传统地面调查的局限性，研究首次采用光学遥感方法，并在有限训练数据下，实现了高精度的田块级监测。

方法描述

• 水稻田划界方法：开发了一个基于生长周期的规则驱动分类算法，结合Landsat和Sentinel-2卫星光学影像，提取NDVI、NDWI等指数的时间序列特征，构建了RS1、RS2、RS3三个水稻指示指数并求和；利用全局最低谷值法，以阈值1.6实现高精度（约91-93%）的水稻/非水稻分类。
• 产量估算方法：采用随机森林回归模型，整合了归一化绿度指数（GCI）的95分位数组合、气象数据（ERA5）以及行政区域编码，将原本区域级别的产量数据估算至田块级别。

主要成果

• 水稻田划界：成功实现了2000-2022年斯里兰卡全年（Maha与Yala两个季节）的每日田块级水稻种植区划。
• 产量估算：生成了两个季节间隔时间序列的高空间分辨率（30米）田块级水稻产量地图。
• 与政府统计数据对比显示：
  • 结合规律性样本统计检验，田块级面积目视误差低于9%，两个季节的总体精度分别达到91%和93%。
  • Yala 2021年产量估算的值域为1,700至7,300kg/公顷，模型显示出高度一致性，RMSE保持在20%以下。

研究价值与创新点

• 首次在光学遥感低云量条件下实现稳定可靠的长期（近23年）、规则驱动、动态水稻区划与交叉学科产量预测，展示了光学遥感辅助农业管理与粮食安全方面巨大潜力。
• 开创性整合了环境因子与物候多参数，强化区域粮食安全模型在不同时空尺度下的分析能力。

讨论与局限

• 方法不依赖高空间、时间分辨率的训练数据，具有良好扩展性，为主观区域作物分类提供可行解法。
• 不足：无外部独立田块级产量数据验证；未覆盖全部细节处理方法，如农业信息的完整整合。