ABSTRACT Rice is the major food grain for many countries in this world, in particular South Asian countries such as Pakistan, India, Bangladesh, Sri Lanka, Myanmar, Thailand, etc. India is one of the leading producers of rice, with agriculture contributing 14% to 15% to the Gross domestic product (GDP). Detection of paddy field requires constant monitoring of a region throughout the year. Hence, we use dual-polarized Sentinel-1 Synthetic Aperture Radar (SAR) data with 20 m resolutions for our study. In this paper, we propose a semi-supervised algorithm that detects paddy fields in various seasons. The technique is divided into two parts, unsupervised and supervised. Feature extraction layers of the Visual Geometry Group (VGG16) model are used to segregate patches into five clusters using an entropy-based loss function. Depending on the availability of the ground truth, data is sampled (stratified sampling), and only a certain amount of data is further used for the supervised section. Clusters showing higher similarity (Jaccard/Tanimoto test) with the paddy or nonpaddy classes are connected to a three-layer neural network used for the supervised method. This has been tested on two study sites using 10 data sets, five from 2018 to 2019, each. The highest accuracy reported for 2018 and 2019 is 85.61% and 84.92%, respectively. The two sites are selected from different districts of West Bengal, India. Our model has also shown higher generalization capability against the conventional-supervised models.

中文翻译：

---

使用深度学习对双极化合成孔径雷达 (SAR) 图像中的稻田进行半监督分类

摘要 大米是世界上许多国家的主要粮食，特别是巴基斯坦、印度、孟加拉国、斯里兰卡、缅甸、泰国等南亚国家。印度是大米的主要生产国之一，农业贡献了 14占国内生产总值 (GDP) 的 % 至 15%。检测稻田需要全年对一个区域进行持续监测。因此，我们使用分辨率为 20 m 的双极化 Sentinel-1 合成孔径雷达 (SAR) 数据进行研究。在本文中，我们提出了一种半监督算法来检测不同季节的稻田。该技术分为两部分，无监督和有监督。视觉几何组 (VGG16) 模型的特征提取层用于使用基于熵的损失函数将补丁分成五个集群。根据ground truth的可用性，对数据进行采样（分层采样），只有一定数量的数据进一步用于监督部分。与稻谷或非稻谷类显示出更高相似性（Jaccard/Tanimoto 测试）的集群连接到用于监督方法的三层神经网络。这已经在两个研究站点上使用 10 个数据集进行了测试，每个数据集从 2018 年到 2019 年有五个。2018 年和 2019 年报告的最高准确率分别为 85.61% 和 84.92%。这两个地点选自印度西孟加拉邦的不同地区。我们的模型还显示出相对于传统监督模型更高的泛化能力。与稻谷或非稻谷类显示出更高相似性（Jaccard/Tanimoto 测试）的集群连接到用于监督方法的三层神经网络。这已经在两个研究站点上使用 10 个数据集进行了测试，每个数据集从 2018 年到 2019 年有五个。2018 年和 2019 年报告的最高准确率分别为 85.61% 和 84.92%。这两个地点选自印度西孟加拉邦的不同地区。我们的模型还显示出相对于传统监督模型更高的泛化能力。与稻谷或非稻谷类显示出更高相似性（Jaccard/Tanimoto 测试）的集群连接到用于监督方法的三层神经网络。这已经在两个研究站点上使用 10 个数据集进行了测试，每个数据集从 2018 年到 2019 年有五个。2018 年和 2019 年报告的最高准确率分别为 85.61% 和 84.92%。这两个地点选自印度西孟加拉邦的不同地区。我们的模型还显示出相对于传统监督模型更高的泛化能力。这两个地点选自印度西孟加拉邦的不同地区。我们的模型还显示出相对于传统监督模型更高的泛化能力。这两个地点选自印度西孟加拉邦的不同地区。我们的模型还显示出相对于传统监督模型更高的泛化能力。