Timely and accurate mapping of paddy rice cultivation based on remote sensing technology is crucial and valuable for ensuring food security and sustainable environmental management. In most relevant studies, rice mapping was conducted using time-series images, but conventional rice mapping methods are not specifically designed for time-series data, making it difficult to extract the deep information contained in these data. To address these problems, in this paper, an automatic rice mapping method based on an integrated time-series gradient boosting tree (Auto-ITSGBT) is proposed using GF-6 WFV and Sentinel-2 MSI data. This method accounts for the local and overall shape features of time-series curves, and fully exploits the information related to phenological characteristics between time-series data. The proposed rice mapping method is tested and validated in three typical rice-producing areas, which are located in different provinces of China characterized by diverse climate conditions, planting times or topographies. The results show that the overall accuracy and Kappa coefficient of the method exceeded 95% and 0.93, respectively, at all study sites, respectively. Our method performs better than the existing competing methods, with an overall accuracy improvement of 2% to 4%. To identify the rice planting areas as early as possible, rice mapping was conducted by reducing the number of images one by one. The rice distribution map was obtained in mid-July with an overall accuracy of at least 90%, thus obtaining a spatial distribution map of rice with high accuracy before harvesting.

Parameters such as the leaf area index (LAI), canopy chlorophyll content (CCH), and canopy carotenoid content (CCA) are important indicators for evaluating the ecological functions of forests. Currently, rapidly developing unmanned aerial vehicles (UAV) equipped with hyperspectral technology provide advanced technical means for the real-time dynamic acquisition of regional vegetation canopy parameters. In this study, a hyperspectral sensor mounted on a UAV was used to acquire the data in the study area, and the canopy parameter estimation model of moso bamboo forests (MBF) was developed by combining the PROSAIL radiative transfer model and the machine learning regression algorithm (MLRA), inverted the canopy parameters such as LAI, CCH, and CCA. The method first utilized the extended Fourier amplitude sensitivity test (EFAST) method to optimize the global sensitivity analysis and parameters of the PROSAIL model, and the successive projections algorithm (SPA) was used to screen the characteristic wavebands for the inversion of MBF canopy parameter inversion. Then, the optimized PROSAIL model was used to construct the ‘LAI-CCH-CCA-canopy reflectance’ simulation dataset for the MBF; multilayer perceptron regressor (MLPR), extra tree regressor (ETR), and extreme gradient boosting regressor (XGBR) employed used to construct PROSAIL_MLPR, PROSAIL_ETR, and PROSAIL_XGBR, respectively, as the three hybrid models. Finally, the best hybrid model was selected and used to invert the spatial distribution of the MBF canopy parameters. The following results were obtained: Waveband sensitivity analysis reveals 400–490 and 710–1000 nm as critical for LAI, 540–650 nm for chlorophyll, and 490–540 nm for carotenoids. SPA narrows down the feature bands to 43 for LAI, 19 for CCH, and 9 for CCA. The three constructed hybrid models were able to achieve high-precision inversion of the three parameters of the MBF, the model fitting accuracy of PROSAIL_MLRA reached more than 95%, with lower RMSE values, and the PROSAIL_XGBR model yielded the best fitting results. Our study provides a novel method for the inversion of forest canopy parameters based on UAV hyperspectral data.

Forest age plays a crucial role in assessing forest structure, carbon sinks, and other ecological functions. How to estimate forest age by satellite remote sensing data has been a hot research topic. This study focused on the forests of Zhejiang Province, utilizing Landsat 5 as the remote sensing data source to extract distribution information of broadleaf and coniferous forests. Then, the remote sensing feature variables were screened, and the age of broadleaf forests and coniferous forests was estimated by using the multiple linear regression model MLR, the machine learning model (K-nearest neighbor method regression model KNN, support vector regression model SVR), and the ensemble learning model (adaptive boosting model AdaBoost, random forest model RF, and eXtreme gradient boosting XGBoost). After analyzing the forest age estimation results from different models, the best-performing model was selected to create a spatial distribution map of forest age in Zhejiang Province. The study shows that the ensemble machine learning model can better realize the remote sensing inversion of forest age. The optimal model for broadleaf forests is the XGBoost model, with a coefficient of determination R2 of 0.832, a root mean square error (RMSE) of 5.823a and a relative root mean square error (rRMSE) of 21.009%. And the top model for coniferous forests is the RF model, with R2 of 0.800, RMSE of 5.076a and rRMSE of 19.782%. Compared with the MLR model, the best broadleaf and coniferous forest age inversion models improved the R2 by 75.120% and 82.500%, and reduced the RMSE by 52.674% and 47.540%, and reduced the rRMSE by 52.703% and 47.480% respectively. Additionally, the analysis revealed that 50% of the remote sensing feature variables involved in forest age inversion are texture features, indicating that texture is an important feature variable for the construction of forest age remote sensing inversion models.

Timely and accurate mapping of paddy rice cultivation is crucial for estimating rice production and optimizing land utilization. Optical images are essential data source for paddy rice mapping, but it is susceptible to cloud contamination. Existing methods struggle to effectively utilize clear-sky pixel information in optical images containing clouds, which impacts the accuracy of paddy rice mapping under cloudy conditions. To address the above problems, we propose an automatic decision-level fusion rice mapping method of optical and synthetic aperture radar (SAR) images based on cloud coverage (the Auto-OSDF method). The method effectively utilizes clear-sky pixels in images containing clouds and leverages the advantages of SAR features in heavily clouded regions. We tested and validated the Auto-OSDF method in Xiangyin County, Hunan Province, and analyzed the impact of different cloud coverage levels (10% to 50%) on the accuracy of rice mapping based on this method. The results indicate that, as cloud coverage increases, the rice mapping accuracy of the Auto-OSDF method is not significantly affected, with overall accuracy and Kappa coefficients both above 93% and 0.90, respectively. To show the value of the proposed method in large-scale applications, we further mapped paddy rice in the entire Hunan Province, and the overall accuracy and Kappa coefficient were 92.47% and 0.87, respectively. The results obtained by the Auto-OSDF method show an average R2 of 0.926 compared to municipal-level statistical planting areas. The above study demonstrates that the Auto-OSDF method is capable of achieving stable and high-precision rice mapping under cloud contamination interference.

Land Use and Cover Change (LUCC) has emerged as a primary driver of terrestrial carbon storage changes. However, the contributions of LUCC to Above-Ground Carbon (AGC) storage in subtropical forests remain unclear due to the complex and diverse LUCC trajectory. Quantitative assessment of the impact of different LUCC trajectories on carbon storage is essential for regional carbon cycle mechanisms. Therefore, this study focuses on Zhejiang Province, a representative subtropical forest region in China, to accurately assess the contribution of LUCC to AGC storage changes from 1984 to 2019. We first mapped the land cover patterns using the random forest and spatiotemporal filtering algorithm and then applied these patterns to drive an optimized BIOME-BGC model to simulate the spatiotemporal distribution of AGC density. Finally, the LUCC trajectories were classified into three categories: afforestation, deforestation, and forest type transformations. Their contributions to AGC changes were isolated and analyzed through the trajectory analysis. The results demonstrated that the forest area of Zhejiang Province increased from 5.35 × 106 ha to 6.83 × 106 ha (+27.66%) and the total forest AGC storage increased from 80.52 Tg C to 124.16 Tg C (+54.19%) between 1984 and 2019. The increase in forest AGC due to LUCC amounted to 31.26 Tg C, contributing 71.63% to the total. Specifically, the afforestation, deforestation, and forest type transformations contributed 82.37%, −17.27%, and 6.53% to the change in AGC, respectively. Overall, the afforestation within the LUCC trajectories was the primary contributing factor to the growth of forest AGC in Zhejiang Province from 1984 to 2019. This study obtained accurate LUCC and AGC data, clarifying the contribution of different LUCC trajectories and providing a better understanding of the responses of the forest carbon storage to LUCC dynamics.