Remote Sensing-Based Mapping of Paddy Rice Cultivation Areas: Progress and Prospects in the Era of Artificial Intelligence

方法

系统综述光学、SAR、高光谱、无人机及多源融合数据与机器学习、深度学习、云计算方

发现

水稻制图仍受云污染、作物混淆、跨区泛化差等制约，需自适应融合与可解释AI。

机会点

可探索自监督与物理引导学习、遥感基础模型及地块级产品，提升跨区迁移与不确定性量化能力。

水稻种植面积的准确、及时制图是粮食安全评估、农业资源管理和气候变化适应的重要基础。遥感能够提供重复性、大范围的观测，已成为水稻种植监测不可或缺的手段。本文综合梳理了2000年以来发表的相关研究，重点阐述2016年以来在方法和技术方面的进展，并批判性评估人工智能（AI）在水稻制图中的作用。我们考察了光学影像、合成孔径雷达（SAR）、高光谱数据、无人机（UAV）观测以及多源数据融合在水稻识别中的观测特性与固有局限，继而追溯了制图方法的演变历程，从基于阈值的分类和物候驱动的时间序列分析，到机器学习、深度学习及云计算框架，并比较了它们在精度、可扩展性、计算效率、可迁移性和可解释性方面的表现。本文还综述了全球、区域和田块三种尺度上的应用（各尺度具有不同的目标与空间需求），以及当前常用的验证策略和不确定性来源。持续存在的挑战包括云污染、作物类型间的光谱与物候混淆、目标定义模糊、跨区域泛化能力有限、多熟制周期难以区分、模型可迁移性证据不足以及现有证据基础的地理集中性。优先发展方向包括自适应多源数据融合、自监督与物理引导学习、地球观测基础模型、可解释且不确定性感知的AI、地块级产品生成，以及与作物生长模型耦合的业务化监测系统。