利用卫星遥感监测作物生长早已屡见不鲜，然而很少有研究针对水稻不同生长阶段进行分类。该研究比较了不同的机器学习场景，利用合成孔径雷达(SAR)和来自Sentinel-1和Sentinel-2卫星的光学遥感数据，对印度尼西亚West Java地区水稻生长阶段的时间进程进行分类和绘制。

自2018年以来，印度尼西亚实施了一项新的农业调查方法，结合了区域抽样框架和卫星地图来统计水稻生长数据，然而这种方法劳动成本过高。该研究利用West Java地区的现代农业调查数据，以及谷歌地球引擎获取的Sentinel卫星图像，基于TensorFlow进行循环神经网络建模，绘制该地区的水稻生长阶段图。

The study region was the province of West Java, Indonesia (6.75◦S, 107.5◦E).

该研究的具体目标为:

1.对比深度神经网络和其它非深度分类器，将多时相Sentinel数据与不同类别的水稻生长观测结果相联系;

2.对比不同Sentinel-1和Sentinel-2通道在建模框架中使用的性能;

3.得出在该地区实践效果最好的模型，并将从作物调查和卫星遥感中获得的水稻数据进行比较。

实验根据水稻生长阶段和不同田间环境分为五类：包括分蘖、抽穗和收获阶段的水稻，很少或没有植被的稻田，以及非水稻地区。

Deep machine learning models based on recurrent and convolutional neural networks (RNN and CNN, respectively) as implemented in the Keras package for Python.

实验结果显示：

基于LSTM的RNN拥有最高的精度和较少的计算工作量，模型训练分类准确率为79.6%，模型测试分类准确率为75.9%。此外RNN和CNN的表现普遍优于其它非深度分类器，在模型测试中准确率高达63.3%。

Accuracy ofifying rice production stage or other land use conditions using (a) individual channels or (b) vegetation indices and various band combinations from Sentinel-1 and Sentinel-2 satellite data using a recurrent neural network based on long short term memory (LSTM) nodes.

研究还发现基于LSTM的RNN是较为简单高效的水稻生长阶段分类方法，并得出训练观测值与测试观测值的比例为8:1时为该方法的最优参数设置。

该研究获得的水稻生长阶段分类图与该地区农业调查数据具有高度的重合，且分类准确度超过75%，能够为评估水稻产量和收获面积提供预测方法。未来如果通过机器学习方法将这些观测结果与卫星数据相结合，有助于提高农业数据调查的效率。

论文链接：

https://doi.org/10.1016/j.rse.2021.112679