近年来，非洲对水稻的需求迅速增长，为了满足这一需求，水稻种植面积也在迅速扩大，因此对非洲水稻种植情况进行监测具有重要意义。非洲水稻种植的时空分布十分复杂，难以使用基于气候的水稻识别方法，而且现有的水稻分布产品都是基于网格的统计数据，分辨率较低，无法获得准确的稻田位置和可用标签。针对这两个难点，本研究基于时间序列光学和双极化合成孔径雷达数据，提出了一种通过快速粗定位辅助目视判读的样本集构建方法，以及结合多种时间光学和合成孔径雷达特征的特征重要性引导监督分类方法，以减少非洲水稻多样性的影响。
该数据集提供了 2023 年 34 个非洲国家 20 米分辨率的年度水稻分布图，这些国家的水稻面积统计超过 5000 公顷（粮农组织，2022 年）。数据集的总体准确率达到 86.30%，用户和生产者的准确率均超过 85%。与不同官方统计数据相比，数据集的 R2 值介于 0.93 和 0.98 之间，验证了数据集的可靠性。
数据来源于https://zenodo.org/records/13729353 。
首先，利用 VH 数据的时序统计特征对可能的水稻区进行快速粗定位和筛选，并结合多种辅助数据进行可视化解译，形成样本集；其次，基于 SAR 数据和光学数据的互补信息，结合时序光学图像的面向对象分割结果和时序 SAR 数据特征选择后的基于像素的分类结果，完成 2023 年 20 米非洲水稻分布图。所提方法在验证集上的平均分类准确率超过 85%，与现有各种统计数据的线性拟合 R2 超过 0.9，证明所提方法可以实现大区域复杂气候条件下的水稻空间分布绘图，为水稻监测和农业政策制定提供重要的数据支持。
本数据集所用方法在验证集上的平均分类准确率超过 85%，与现有各种统计数据的线性拟合 R2 超过 0.9，证明所提方法可以实现大区域复杂气候条件下的水稻空间分布绘图，为水稻监测和农业政策制定提供重要的数据支持。
本作品采用
知识共享署名
4.0 国际许可协议进行许可。