评估使用C波段合成孔径雷达数据在印度尼西亚因德拉马尤县识别稻田的循环神经网络方法

《Paddy and Water Environment》：Assessing the recurrent neural network approach for identifying rice fields using C-band synthetic aperture radar data in Indramayu Regency, Indonesia

准确的水稻田测绘对热带农业监测至关重要，但不同RNN模型在多时相C波段SAR数据中建模时序后向散射动态的能力尚未充分评估。本研究在印尼Indramayu地区，通过VH/VV极化GLCM纹理特征构建统一训练验证框架，对比LSTM、BiLSTM、GRU与ANN、1D-CNN的模型性能。结果表明GRU模型在平坦灌溉区OA达0.97，VH极化下召回率0.98、F1值0.95，且收敛效率最优。实地验证显示其能准确识别不同生长期水稻田，在地形起伏区仍保持OA 0.94-0.95，凸显GRU时序建模在复杂农生态系统中的应用潜力。

　　

摘要

在热带地区，精确的水稻田映射对于支持农业监测至关重要，因为云层覆盖和复杂的田地条件常常限制了基于光学的观测。然而，不同类型的循环神经网络（RNN）在模拟多时相C波段SAR数据的时间反散射动态方面的能力，尤其是在地形差异较大的情况下，尚未得到充分评估。本研究系统地评估了长短期记忆网络（LSTM）、双向LSTM（BiLSTM）和门控循环单元（GRU）在印度尼西亚Indramayu县识别水稻田方面的性能，使用了来自Sentinel-1卫星VH和VV波段时间序列数据的反散射特征以及灰度共生矩阵（GLCM）纹理特征统计信息。研究考察了两种特征提取方法（基于VH波段和基于VV波段的方法），并将人工神经网络（ANN）以及一维卷积神经网络（1D-CNN）作为基准深度学习模型纳入统一的训练和验证框架中。结果表明，GRU模型在两种方法下均实现了最高的准确率，在平坦的灌溉区域整体准确率达到0.97，当使用VH极化时，其召回率（0.98）和F1分数（0.95）更为优异，表明其具有很强的减少漏检错误的能力。GRU还表现出最快的收敛速度。实地验证证实了该模型能够准确检测处于不同生长阶段的水稻田。即使在起伏较大的地形上，GRU模型也保持了稳定的性能（整体准确率=0.94–0.95），尽管由于地形引起的SAR信号失真预期会导致准确率下降。这些发现突显了基于GRU的时间建模方法在操作性、不受天气影响的稻田映射中的优势，并强调了其在复杂农业生态系统中进行可扩展水稻监测应用的潜力。