高分系列卫星数据与北京二号数据均为一级产品数据，首先利用ENVI软件进行正射校正、辐射定标、大气校正以及图像融合处理，并利用ArcGIS软件进行地理配准，结合水稻生长物候信息与实地勘测数据进行常州市新北区孟河镇水稻种植分布真实图制作，以及分类训练样本集与验证样本的绘制。
获取的Sentinel-2数据为二级产品数据，该数据为大气校正后产品，利用SNAP软件进行重采样处理，并进行NDVI、REP指数计算；针对多时相NDVI和REP指数数据集，进行波段组合和数据增强处理；使用多分类器对孟河镇区域影像进行分类处理，针对分类结果进行分类精度评定进行数据集和分类器优选，随后进行大范围长江沿岸（江苏段）水稻种植区提取；经分类后处理，最终预测2020年长江沿岸（江苏段）水稻种植区分布的矢量数据集。详细处理步骤如下：
（1）数据预处理。高分系列数据、北京二号数据依次进行几何校正、辐射定标、大气校正、图像融合，获得高空间分辨率的影像数据，用以进行孟河镇水稻种植区解译。通过SNAP软件针对Sentinel-2的采样工具进行空间分辨率重采样，通过重采样处理，12个波段分辨率均为10 m，便于后续指数计算等处理；
（2）指数计算。利用SNAP软件中植被辐射指数模块计算NDVI、REP指数。计算公式如下：
\(\mathit{NDVI}=\left(NI{R}_{2}-RE{D}_{1}\right)/\left(NI{R}_{2}+RE{D}_{1}\right)\) （1）
\(\mathit{REP}=705+35*\left(\left(RE{D}_{1}+NI{R}_{1}/2-RE{D}_{2}\right)/\left(RE{D}_{3}-RE{D}_{2}\right)\right)\) （2）
式中\(RE{D}_{1}\)表示第四波段，\(RE{D}_{2}\)表示第五波段，\(RE{D}_{3}\)表示第六波段，\(\text{NI}{\text{R}}_{1}\)表示第七波段，\(NI{R}_{2}\)表示第八波段。
（3）指数计算与通道组合。利用ENVI软件将各期NDVI、REP数据分别进行差值处理，并将各时相的两类指数以及对应的差值影像数据进行通道组合。
（4）训练集与验证集制作。结合融合后的高分系列和北京二号数据与实地勘测数据，绘制常州市新北区孟河镇水稻种植区真实分布图。并以此为参考利用ENVI软件随机勾画60个具有典型特征的水稻种植区域地块作为分类训练集样本，将试验区其他水稻种植地块作为验证集样本。验证集样本空间分布如图3所示，共计1332个。
（5）图像裁剪与拉伸增强。结合孟河镇区域矢量数据对各项数据集进行裁剪、拉伸增强显示，并叠加孟河镇水稻矢量进行目视判断，进行分类数据集的初步筛选。
（6）数据分类与精度评定。结合步骤（4）中的训练样本集与步骤（5）中目视效果较好的数据集，采用最小距离法、最大似然法、神经网络法和支持向量机法分别进行分类处理。其中神经网络分类算法采用BP（Back Propagation）神经网络，活化函数为对数，迭代次数为100，隐藏层为1，均方根误差值为0.1，权重调节速度为0.2，训练贡献阈值为0.9；SVM核函数为多项式，核心多项式次数为2，偏置为1，gamma为0.333，惩罚参数为100，分级处理等级为0，概率阈值为0。并结合孟河镇水稻种植区验证集数据进行精度评价，包括总体分类精度和kappa系数。
（7）长江沿岸（江苏段）水稻分类。对比步骤6中的孟河镇水稻种植区域不同提取结果的分类精度，进行多时相数据通道组合数据集和分类器的优选，从而进行全局应用
[21-22]，预测2020年长江沿岸（江苏段）水稻种植区分布情况，并选取5453个水稻种植地块样本进行分类精度评定，验证样本空间分布图如图4所示。
（8）水稻种植区分布矢量数据集制作。针对全局分类结果数据进行矢量化，利用ArcGIS软件进行矢量面积计算，剔除小面积碎斑区域，最终得到2020年长江沿岸（江苏段）水稻种植区分布矢量结果。
