Mapping the expansion or reduction of rice fields is fundamental for food and water security, greenhouse gas emission accounting, and environmental management. The historical mapping of rice fields with satellite images is challenging because of the limited availability of remote sensing and training data from past decades. The use of phenology-based algorithms has been proposed for mapping rice fields because they can take advantage of rice fields’ characteristic spectral signature during the transplanting phase and do not need training data. However, in order to employ phenology-based algorithms effectively for the historical rice mapping of large areas, we need to incorporate automatized methods able to deal with non-usable data (e.g., cloud cover) and with spatial inconsistencies in the number of available images for each pixel. Here we propose the combination of a pixel-based, phenological algorithm with the temporal aggregation of all available Landsat images to produce national level historical maps of rice fields in Japan from the 1980s onwards. We used temporally aggregated metrics (median, percentiles, etc.), derived from spectral indices of a large number of images within the Google Earth Engine, to minimize the issue of inconsistent image availability and reduce the effects of outliers in phenology-based algorithms. We produced seven rice field maps, for the periods 1985–89, 1990–94, 1995–99, 2000–04, 2005–09, 2010–14, and 2015–19. The overall map accuracies ranged from 83% to 95% when validated with visually interpreted aerial photography. We detected a 23% decrease in the area of rice fields at a country level, although the changes varied greatly among prefectures. Here we present the first freely available historical rice field maps of Japan from the 1980s onwards, together with the source code, and a web application that enables the exploration of the maps and data relating to the derived rice field area changes. The application of temporal aggregation is promising for dealing with the gap-filling of large amounts of satellite data, reducing the issue of data outliers and providing an effective use of the historical Landsat archive for phenology-based crop detection algorithms. Our maps could greatly help researchers, conservationists and policymakers studying the drivers and consequences of rice field changes, and our methods could be extrapolated to map rice fields at large scales in other regions of the world.

绘制稻田扩大或减少的地图对于粮食和水安全、温室气体排放核算和环境管理至关重要。由于过去几十年的遥感和训练数据的可用性有限，利用卫星图像绘制稻田的历史地图具有挑战性。已经提出使用基于物候学的算法来绘制稻田地图，因为它们可以在移栽阶段利用稻田的特征光谱特征，并且不需要训练数据。然而，为了有效地将基于物候学的算法用于大面积的历史水稻制图，我们需要结合能够处理不可用数据（例如云量）和可用图像数量空间不一致的自动化方法对于每个像素。在这里，我们提出将基于像素的物候算法与所有可用 Landsat 图像的时间聚合相结合，以生成 1980 年代以来日本稻田的国家级历史地图。我们使用从 Google 地球引擎中大量图像的光谱指数得出的时间聚合指标（中位数、百分位数等），以最大限度地减少图像可用性不一致的问题，并减少异常值在基于物候学的算法中的影响。我们制作了 1985-89 年、1990-94 年、1995-99 年、2000-04 年、2005-09 年、2010-14 年和 2015-19 年期间的七幅稻田地图。经视觉解释的航空摄影验证后，整体地图的准确度在 83% 到 95% 之间。我们发现在国家一级稻田面积减少了 23%，尽管各县之间的变化差异很大。在这里，我们展示了自 1980 年代以来日本第一张可免费获得的历史稻田地图，以及源代码和一个 Web 应用程序，该应用程序可以探索与衍生的稻田面积变化相关的地图和数据。时间聚合的应用有望解决大量卫星数据的空白，减少数据异常值的问题，并为基于物候的作物检测算法提供历史 Landsat 档案的有效利用。我们的地图可以极大地帮助研究人员、环保主义者和政策制定者研究稻田变化的驱动因素和后果，我们的方法可以外推到世界其他地区的大尺度稻田地图。在这里，我们展示了自 1980 年代以来日本第一张可免费获得的历史稻田地图，以及源代码和一个 Web 应用程序，该应用程序可以探索与衍生的稻田面积变化相关的地图和数据。时间聚合的应用有望解决大量卫星数据的空白，减少数据异常值的问题，并为基于物候的作物检测算法提供历史 Landsat 档案的有效利用。我们的地图可以极大地帮助研究人员、环保主义者和政策制定者研究稻田变化的驱动因素和后果，我们的方法可以外推到世界其他地区的大尺度稻田地图。在这里，我们展示了自 1980 年代以来日本第一张可免费获得的历史稻田地图，以及源代码和一个 Web 应用程序，该应用程序可以探索与衍生的稻田面积变化相关的地图和数据。时间聚合的应用有望解决大量卫星数据的空白，减少数据异常值的问题，并为基于物候的作物检测算法提供历史 Landsat 档案的有效利用。我们的地图可以极大地帮助研究人员、环保主义者和政策制定者研究稻田变化的驱动因素和后果，我们的方法可以外推到世界其他地区的大尺度稻田地图。连同源代码，以及一个 Web 应用程序，可以探索与衍生稻田区域变化相关的地图和数据。时间聚合的应用有望解决大量卫星数据的空白，减少数据异常值的问题，并为基于物候的作物检测算法提供历史 Landsat 档案的有效利用。我们的地图可以极大地帮助研究人员、环保主义者和政策制定者研究稻田变化的驱动因素和后果，我们的方法可以外推到世界其他地区的大尺度稻田地图。连同源代码，以及一个 Web 应用程序，可以探索与衍生稻田区域变化相关的地图和数据。时间聚合的应用有望解决大量卫星数据的空白，减少数据异常值的问题，并为基于物候的作物检测算法提供历史 Landsat 档案的有效利用。我们的地图可以极大地帮助研究人员、环保主义者和政策制定者研究稻田变化的驱动因素和后果，我们的方法可以外推到世界其他地区的大尺度稻田地图。时间聚合的应用有望解决大量卫星数据的空白，减少数据异常值的问题，并为基于物候的作物检测算法提供历史 Landsat 档案的有效利用。我们的地图可以极大地帮助研究人员、环保主义者和政策制定者研究稻田变化的驱动因素和后果，我们的方法可以外推到世界其他地区的大尺度稻田地图。时间聚合的应用有望解决大量卫星数据的空白，减少数据异常值的问题，并为基于物候的作物检测算法提供历史 Landsat 档案的有效利用。我们的地图可以极大地帮助研究人员、环保主义者和政策制定者研究稻田变化的驱动因素和后果，我们的方法可以外推到世界其他地区的大尺度稻田地图。