En respuesta a las limitaciones de las condiciones meteorológicas en las áreas globales de cultivo de arroz y al alto costo de anotar muestras, este documento combina las características de retrodispersión de polarización Vertical-Vertical (VV) y polarización Vertical-Horizontal (VH) extraídas de imágenes de radar de apertura sintética (SAR) Sentinel-1 y las características de índices espectrales NDVI, NDWI y NDSI extraídas de imágenes multiespectrales Sentinel-2. Al aprovechar las ventajas de una Red Generativa Antagonista Semi-Supervisada Optimizada (SSGAN optimizada) para combinar el aprendizaje supervisado y semi-supervisado, la extracción de arroz se puede lograr con menos muestras de imágenes anotadas. Dentro del marco de SSGAN optimizado, introducimos una función de pérdida focal-antagonista para mejorar el proceso de aprendizaje para muestras desafiantes; el módulo generador emplea la arquitectura Deeplabv3+, utilizando una red Wide-ResNet como base e incorporando capas de abandono y convoluciones dilatadas para mejorar el campo receptivo y la eficiencia operativa. Los resultados experimentales indican que la SSGAN optimizada, especialmente cuando se utiliza una proporción de muestra etiquetada de 3/4, mejora significativamente la precisión de extracción de arroz, lo que resulta en un aumento del 5.39% en la Intersección Media sobre Unión (MIoU) y un aumento del 2.05% en la Exactitud General (OA) en comparación con la mayor precisión lograda antes de la optimización. Además, la integración de datos SAR y multiespectrales resulta en un OA del 93.29% y un MIoU del 82.10%, superando el rendimiento de datos de una sola fuente. Estos hallazgos proporcionan información valiosa para la extracción de información sobre el arroz en las regiones globales de cultivo de arroz.