遥感技术在农作物应用论文范文2篇

篇(1)

　　摘要：农作物遥感识别是地理学和生态学研究的前沿和热点，多源数据在农作遥感识别中日益发挥重要作用。笔者从多源数据融合的角度，归纳了2000年后多源数据在农作物遥感识别中应用的总体概况，系统梳理并提炼了当前多源数据融合的主要融合技术和融合模式。围绕与多源数据融合和农作物遥感识别相关的关键词，在Google学术、ISIWebofKnowledge和中国知网中对2000—2014年间国内外发表的论文进行检索，并统计不同传感器的使用频率及结合方式。

　　研究表明，以提高空间分辨率为目标的多源数据融合和以提高时间分辨率为目标的多源数据融合技术是当前的两种主要方式，可以在一定程度上实现时空尺度的扩展。前者的融合技术包括图像融合、正态模糊分布神经网络模型、成分替换、半经验数据模型融合及多分辨率小波分解等，可以提升遥感数据的空间分解力和清晰度，较好弱化混合像元产生的影响，但农作物光谱信息有一定程度的丢失或扭曲，农作物空间分布局部细节信息与纹理特征依然会缺失。

　　后者的融合技术形式灵活多样，可分为同源数据联合扩展时序的时空优化技术和异源数据联合扩展时序的时空优化技术，其可以有效排除短时间段内农作物生育期交叉，但易受不同遥感数据源间光谱反射率或植被指数转换模型及光谱波段设置差异的影响。在融合模式方面，根据数据类型分为光学数据的融合、光学数据与微波数据的融合以及遥感与非遥感数据的融合，以实现卫星资源优势互补为宗旨，充分挖掘不同类型农作物在遥感数据上呈现的光谱、时间和空间特征差异信息。

　　同样，农作物遥感识别研究中的多源遥感数据融合也存在诸多挑战，在未来一段时间内，完善不同传感器之间的合作、更深层次挖掘融合信息以及多尺度长时间序列的中高分辨率农作物空间分布数据集的需求是多源数据融合的农作物遥感识别研究的重点发展方向和亟待解决的问题。研究结果有助于更好地理解多源遥感数据融合的技术和模式，为摸清多源数据融合在农作物识别中总体进展提供支撑，同时也为其他多源数据融合研究提供借鉴。

　　关键词：农作物;多源数据;融合;遥感;识别

　　农作物空间分布是农业生产活动对土地利用的表现形式，也是对自然资源高效利用及田间科学管理的最终结果[1-2]。及时准确地识别农作物空间分布不仅是区域农作物长势监测、产量估测和灾情评估等的重要基础，也是宏观掌握粮食生产、指导农业生产和调控农产品贸易的依据[3-4]。遥感技术作为新型对地观测技术，因宏观性、综合性和动态性的特点，迅速成为农作物空间分布信息获取的重要手段[5-6]。

　　因此，农作物遥感识别研究具有重要的理论和实践意义[7]。自美国Puredue大学首次将遥感数据用于农作物监测后，涌现了大量农作物遥感识别的研究，LandsatTM[8-9]、MODIS[10-11]、QuickBird[12]等不同传感器数据在农作物空间分布及其动态变化提取中发挥了重要作用。事实上，单一遥感数据在实际应用中呈现出复杂的时空异质性和尺度敏感性的特征[13];同时，受农作物光谱重叠与交叉、遥感影像时间分辨率与空间分辨率相互制约，以及成像过程诸多干扰因素的限制，基于单一数据源的农作物识别效果往往不理想[14]。

　　因此，多源遥感数据融合在农作物遥感识别中日益发挥重要作用，其在很大程度上弥补了单一数据和分类方法的缺陷[15]。近年来，国内外很多学者开展了基于多源遥感数据融合的农作物空间分布信息提取方法研究，但已有研究多是利用多时相、多空间分辨率的影像数据在象元层次上进行融合，扩展时空尺度，得到更丰富的作物光谱特性、空间异质性信息以及作物键物候历特征，提高作物识别能力和精度[16-17]。

　　虽然有关多源遥感数据融合的研究日益增多，但目前还没有文献对已有的研究进行系统梳理和归纳，使得农作物遥感识别中的多源数据融合研究总体进展不清。基于此，本研究以作物识别/提取、高/中/低分辨率、制图、Crop、Classification、Mapping等为关键词，在Google学术、ISIWebofKnowledge和中国知网中对2000—2014年间国内外发表的论文进行检索，共检索到和多源数据融合相关的文献297篇，在此基础上试图对农作物遥感识别中的多源数据融合总体研究进展进行总结和评述。

　　在归纳“有什么”多源数据基础上(总体概况，见第一章节)，重点阐明近10多年来基于多源遥感数据融合的农作物遥感识别“用什么”时空优化的方法(即融合技术，见第二章节)和“怎么用”信息源整合和替代(即融合模式，见第三章节)，讨论已有研究中存在的问题，并针对多源数据融合中以上3个关键环节展望未来发展趋势。

　　1农作物遥感识别中多源数据的应用概况

　　通过对检索的全部论文进行统计分析发现，目前国内外农作物遥感识别中使用的传感器以MODIS为代表的低分辨率(比例为34.7%)和以LandsatTM/ETM+为代表的中等分辨率(比例为35.0%)为主[18-21]。近年来，随着微波遥感蓬勃发展，星载合成孔径雷达(SAR)日益在农作物遥感识别中得到应用，其使用比例达到10.1%[22-23]。尤其值得一提的是，环境减灾小卫星星座HJ-1A/1B数据作为新的遥感数据源，中国国产卫星以5.1%的使用频率应用于农作物识别与监测领域[24]。

　　此外，QuickBird及其他类型的传感器在农作物识别中也得到使用，两者比例约为15.1%。同时不难发现，SAR数据多以融合的形式参与识别，而高空间分辨率QuickBird以单一的形式开展农作物识别居多，其他类型传感器用于单数据源研究和多源数据融合的比例基本相当。统计了近十多年3个不同阶段农作物识别中的单一数据源和多数据源使用情况。

　　可以看出，基于单数据源的农作物遥感识别文献数合计189篇，远高于基于多源数据的农作物遥感识别文献数(108篇)。因此，目前农作物遥感识别中仍然以单一数据源为主，但其有下降的趋势，与此同时，多源数据在农作物遥感识别中越来越多得到应用，呈明显的上升趋势。进一步统计分析发现，单一数据源更多应用于单一农作物的识别和提取，而多源数据在农作物种植结构提取中的应用要优于单数据源。

　　2多源遥感数据融合技术

　　农作物遥感识别原理总体上分为两类：一是基于农作物的光谱特征和空间异质性特征;二是基于农作物的物候特征。基于农作物光谱和空间纹理特征的识别方法易受分辨率的限制，“同物异谱”和“异物同谱”现象普遍存在。单一高分辨率数据的光谱信息不足，难以覆盖大区域范围;单一中分辨率数据源受传感器重访周期和云雨天气影响，数据获取频率低于理论周期;而单一低分辨率数据源混合像元现象严重[25-27]。

　　基于农作物季相节律和物候特征识别农作物类型需要利用时间序列遥感数据，然而，遥感数据的时间分辨率与空间分辨率之间相互制约，单一高时间分辨率遥感数据有助于精确区分作物生育周期，但通常空间分辨率低，刻画空间异质性能力差，而单一中高空间分辨率遥感数据很难获得覆盖作物整个生育期的长时间序列信息，重复观测能力低[28-29]。因此，农作物遥感识别中的多源遥感数据融合的关键任务是解决遥感数据的时空优化问题，提高农作物识别效率和识别精度[30-32]。

　　2.1以提高空间分辨率为目标的多源数据融合技术

　　中国农作物种植结构复杂多样、田块破碎，光谱混合现象严重，其准确识别对遥感数据的空间分辨率要求高[33]。针对低空间、高时间分辨率遥感数据对农作物生长过程动态变化描述的优势，引入中高空间分辨率遥感数据，通过数据融合可以有效提高对农作物空间分布细节描述的能力。图像融合是最为常见的以提高空间分辨率为目标的多源数据融合技术，将多源遥感数据按照一定规则进行运算、处理，获得一幅具有新的空间和波谱特征的合成影像[34]。

　　图像融合方法，如基于色彩相关技术的HIS变换法或基于统计方法的PCA、Brovey和小波变换等，可以广泛应用于不同传感器、不同空间分辨率以及不同时相的遥感数据，尤其在多时相的低空间分辨率遥感数据与中等空间分辨率遥感数据的融合方面应用较多。融合的对象不仅可以是光谱反射率、后向散射系数，还可以为时间序列植被指数，获得一幅具有新的空间特征的高分辨率合成影像。

　　图像融合技术在农作物遥感识别中的应用研究较多，取得了较好的效果。如蒋楠等[35]采用Brovey变换、IHS变换、高通滤波和小波变换4种融合方法对HJ-1A卫星多波段影像与ALOS卫星2.5m全色影像分别进行融合，得到了高空间分辨率多光谱影像，并选用最佳融合效果的小波变换法合成影像，进行江苏省金湖地区水稻识别，发现其估算精度比HJ-1A多光谱影像提高了12.39%。

　　以2008年河南省原阳县的玉米种植信息为识别目标，何馨[36]利用小波变换的方法将时间序列MODISNDVI与TMNDVI数据进行融合，获取30m分辨率的NDVI时间变化信息，构建主要秋季作物的NDVI标准时序生长曲线，以最小距离分类器进行分层分类，获得研究区内玉米种植面积总量信息和空间分布，总体精度达78.76%，该方法既保证作物生长过程中原有的光谱特征，使空间分辨率从250m提高至30m。

　　赵天杰等[37]基于12.5m分辨率ASAR-VV极化、PALSAR-HH极化以及30m分辨率TM的多光谱数据，使用MIMICS模型模拟北京昌平区玉米和果林的后向散射系数，构建了模糊神经网络模型，完成了双频多极化SAR数据与多光谱数据的整合，以93.54%的精度在12.5m分辨率尺度上开展了玉米种植分布识别，研究表明：多频段和多极化方式的融合方法可以利用不同的波谱频段提取农作物固有属性，在高空间分辨率尺度上提高农作物光谱分离性，为农作物类型识别提供有力支持。

　　以上研究表明，图像融合可以提高遥感数据的空间分辨率，与单源遥感数据相比，多源遥感数据融合后所提供的信息具有互补性和合作性，在农作物遥感识别方面呈现出较大的潜力。此外还有一些其他技术可以用于数据扩展，如STARFM模型[38]、成分替换[39]、半经验数据模型[40]、多分辨率小波分解[41]等融合技术实现了将不同分辨率的多源遥感数据进行整合，以提高空间分辨率，并且未来在农作物遥感识别中有广泛的应用前景。

　　以提高空间分辨率为目标的多源数据融合技术提升了影像的空间分解力和清晰度，一定程度上弱化了混合像元存在所产生的影响。多源遥感数据具有多样性和时相差异性特点，使得不同类型的农作物光谱信息在融合时均有一定程度的丢失与扭曲，而空间分辨率虽有所提高但其局部细节信息与纹理特征依然会缺失。因此，需要针对特定的地表覆盖状况，选取适当的融合算法与融合质量评价体系，以应对多源遥感数据上农作物种植分布呈现出复杂的时空异质性和尺度敏感性等特征。

　　2.2以提高时间分辨率为目标的多源数据融合技术

　　农作物具有明显的生长过程和季相变化特征[42]，利用这一特征，基于长时间序列的遥感数据，可以有效地进行农作物遥感识别与分类。因此，以提高“时间分辨率”为目标的多源数据融合在农作物遥感识别中日益得到应用，其通常按照时相顺序对可获取的不同空间和不同时间分辨率的多源遥感数据进行复合，扩展对地重复观测的频率，达到提高“时间分辨率”目的，有助于捕获农作物光谱可分的最佳时相，提高完整刻画农作物生长发育动态变化过程的能力。针对多期同源传感器数据进行时间插补，可以提高农作物观测的频率。

　　顾晓鹤等[43]针对省域尺度农作物识别中TM影像时相不一致和覆盖能力不足的问题，在长时间序列MODIS全覆盖影像的支持下，构建玉米生长过程的时序插补模型，将6景不同物候期的TM影像插补为玉米乳熟期的同期数据集，提高了中空间分辨率遥感数据的采集频率;邬明权等[44]基于时空融合技术，结合早期LandsatTM影像的纹理信息，以Landsat红波段和近红外波段为融合波段，从时序MODIS数据中提取水稻像元反射率时间变化特征，插补出既具备中分辨率影像高空间分辨率特征，又具备低空间分辨率高时间分辨率特征的水稻关键生育期数据，与真实影像的相关系数达到0.8以上，可以实现较高精度的水稻填图。

　　与传统的方法相比，时空融合技术是针对获取的前后两期中分辨率影像，从低分辨率时序影像中提取对应像元反射率的时间变化特征，从而获得时间段内任意一时间节点的中分辨率影像，提高“时间分辨率”。Singh[45-46]、Watts[47]、Wu[48]等均在不同的区域和尺度基于Landsat-MODIS像对，采用时空融合方法对小麦、水稻等主要作物进行提取，有效解决利用中等分辨率数据进行农作物识别时的关键期数据缺失问题，其推广应用效果较好。

　　此外，部分研究人员收集逐月内数据质量最好的历史存档卫星影像组建“光谱-时序”曲线，如Foerster等[49]在30m分辨率尺度上使用17年LandsatTM/ETM历史存档数据构建时序数据集，提取德国东北部12种主要作物NDVI时序参考曲线，为分层分类提供物候特征的依据。

　　3多源遥感数据融合模式

　　不同遥感探测器具有独特的成像机理和成像方式，每种遥感数据在农作物识别中具有各自的适用范围和局限性，任何单一数据源都不能全面地反映农作物的时空特性[53]。如农作物在可见光-近红外波段特征显著，但光学遥感数据易受云雨天气的影响，数据保障率低;与光学传感器相比，微波遥感能全天时、全天候实时观测，并且其空间分辨率不受观测距离的限制，但雷达图像相干斑噪声影响存在，农作物识别精度有限[54]。

　　而农作物遥感识别主要基于不同类型农作物在遥感数据上呈现的光谱、时间和空间特征差异实现信息挖掘[55-56]。因此，“用什么”数据源融合以实现卫星资源优势互补成为农业遥感应用中的研究热点。总的来说，根据数据类型可以将多源遥感数据融合模式分为光学数据的融合、光学数据与微波数据的融合以及遥感与非遥感数据的融合。

　　4存在问题与展望

　　近年来，服务于农作物遥感识别的多源遥感数据融合研究取得了长足进展，极大推动了农业遥感的发展。但是，现有的研究还存在一些不足，成为将来重点的发展方向。一是如何完善不同传感器之间的协同，实现现有卫星资源有效利用是多源遥感数据融合研究面临的基础问题。研究发现，单一遥感数据难以同时兼顾高光谱、高空间和高时间分辨率的特性，多源遥感数据融合和协同一定程度上排除“同物异谱，同谱异物”现在的有效途径。

　　然而，不同传感器数据协同涉及多源信息数据处理、图像理解等多学科知识，是一个理论性与实用性兼具的研究领域，面临着很多挑战。一方面，具有不同的光谱分辨率、空间分辨率、时间分辨率、极化方式与方向的多源遥感数据，其传感器太阳光照角度、观测视角以及云的条件随时间而异，探测波段和光谱响应函数存在显著差异，因此，多源数据融合需要消除异源反射率间系统性误差及抑制农作物的双向反射率信息中噪声的数据处理过程，以复原农作物光谱及植被指数真实的动态响应。

　　甚至未来新型传感器的设计与开发需要考虑与现有卫星资源产品的兼容性。另一方面，多源遥感数据尺度转换技术和标准化技术研究需要加强，因为农作物遥感识别研究不能独立于时间尺度和空间尺度上发展，而需要结合多源遥感数据各异的特点，通过时空优化技术方法形成一套综合性的、面向业务化运行的多源数据集。

　　二是怎样更深层次地挖掘多源遥感信息，产出综合性的协同效应是需要解决的关键问题。无论是以提高空间分辨率为目标的多源遥感数据融合，还是以提高时间分辨率为目标的多源遥感数据融合，前人对农作物的时相特征和空间特征的融合开展了深入研究，为更全面的农作物遥感识别提供依据。

　　然而，受信息挖掘方法和技术局限，多源遥感数据的不同探测波段刻画出的农作物波谱响应特性，用于描述农作物类型类内和类间的一致性和差异性深层次信息挖掘不充分。此外，不同信息源挖掘的分类特征难以服从统一的概率分布模型是多源数据融合模式共性问题。基于此，优化分类策略是使多源数据产生综合性协同效应的有效途径，可以采用多层次控制的多分类器融合法，也可以尝试改进和发展以自动、定量为特点的分类模型，最大限度集中单一遥感信息源的优势，提高识别方法的普适性与可操作性，将多源信息更加紧密协同，有效地提升农作物类型的分类精度。

　　三是在平衡识别准确性、时效性和可操作性的基础上，多尺度长时间序列的农作物空间分布数据集是多源遥感数据融合技术应用的重要趋势。多源数据融合在一定程度上增强了农作物在物候特征或数学特征上的差异信息，有助于排除短时间段内不同农作物类型生育期交叉的影响，为实现不同国家全覆盖、不同区域多尺度监测及粮食安全高风险区域和国家农作物生产力布局分析提供途径。

　　目前，基于多源数据融合的全球尺度土地覆盖数据集的空间分辨率普遍偏低，且农用地空间分布识别能力有限，通常融合技术的复杂性和识别的精度性方面缺乏科学评价。需要强调的是，针对面向对象的识别研究在精度评价时需引入了基于地块精度评价体系。此外，采用空间采样与面积统计误差双重精度评价标准，对农作物类型识别及面积提取的精度评价更加全面、客观。还有研究随机选出一定数量的样本图斑，采用分层随机采样的方式开展精度评价。

　　随着遥感识别作物类型更精细化、种植结构更复杂及时空动态监测发展，中高分辨率农作物分布数据集为满足农业遥感多方面、多层次的应用需求提供可能，但科学合理的农作物识别精度验证也是技术难题。在此，需要强调的是根据研究对象、区域范围、研究目标选择数据和方法，广义的融合技术包括融合策略和数据融合方法，因此，有必要考虑识别结果的时效性和可信度[83]。

　　References

　　[1]唐华俊,吴文斌,杨鹏,周清波,陈仲新.农作物空间格局遥感监测研究进展.中国农业科学.2010,43(14):2879-2888.TangHJ,WuWB,YangP,ZhouQB,ChenZX.Recentprogressesinmonitoringcropspatialpatternsbyusingremotesensingtechnologies.ScientiaAgriculturaSinica,2010,43(14):2879-2888.(inChinese)

　　[2]OzdoganM.ThespatialdistributionofcroptypesfromMODISdata:temporalunmixingusingindependentcomponentanalysis.RemoteSensingofEnvironment,2010,114(6):1190-1204.

　　[3]陈水森,柳钦火,陈良富,李静,刘强.粮食作物播种面积遥感监测研究进展.农业工程学报.2005,21(6):166-171.

　　农业方向刊物推荐：农业机械学报(月刊)创刊于1957年，是由中国科协主管、中国农业机械学会和中国农业机械化科学研究院主办的唯一综合性学术期刊, 农业工程类中文核心期刊，美国工程信息公司(EI)和美国化学文摘社(CA)收录期刊。

篇(2)

　　摘要：及时准确掌握农作物种植制度时空分布信息，对于确保国家粮食安全与农业结构合理具有重要意义。随着时序遥感影像质量的不断提高，基于时序遥感数据的农作物种植制度研究备受关注。本文从研究框架、遥感特征参数以及数据产品等角度，分析了基于时序遥感数据的农作物种植制度最新研究进展。研究发现：①前农作物种植制度研究框架，主要包括耕地复种指数和农作物制图等相关内容，其问题在于需要高质量耕地分布数据支撑以及易将热带亚热带湿润区撂荒地误判为农作物等;②于红边和短波红外的新型多维度光谱指数，有助于更好地揭示农作物生长发育过程，大尺度农作物时序遥感制图取得了系列研究成果，但需要应对不同作物光谱差异细微、同种作物在不同区域和年份存在明显类内异质性的挑战;③尺度中高分辨率耕地复种指数产品不断丰富，但其时效性和时空连续性有待加强;④欧美少数国家外，目前农作物分布数据产品覆盖的作物类型有限，我国大尺度农作物种植制度数据产品欠缺，特别是复杂多熟制农业区。随着多源遥感数据时空谱分辨率的不断提高以及云计算平台性能的不断发展，我们对以下方面进行了研究展望：①新研究框架，建立直接提取耕作区、农作物种植模式的农作物种植制度一体化遥感监测技术框架;②一步加强新型多维度遥感指数及其物候特征指标设计，拓展农作物种植制度监测的遥感特征参数;③立作物种植制度变化遥感监测技术，实现多年信息连续自动提取。

　　关键词：农作物种植制度;时序遥感;复种指数;农作物物候;自动制图;耕地抛荒;光谱指数;时空连续

　　1引言

　　作物种植制度包括耕地复种指数(CroppingIndex,CI)和种植结构等相关内容。作为作物种植制度的重要组成部分，耕地复种指数遥感监测为农作物制图的基础。复种，作为一种最直接有效提高产量的耕作方式，在全国特别是亚洲国家普遍采用[1]。我国为世界上耕地复种面积最大的国家，将近一半耕地实施复种，并且随着气候变暖我国耕地复种潜力明显增加[2-3]。

　　适当提高复种集约用地，有助于缓解人地矛盾同时稳步提高粮食产量[2,4]。然而，长期高强度集约化利用(Intensification)将导致过渡消耗耕地肥力，从而制约耕地资源的可持续利用。作为世界人口最多的发展中国家，我国政府高度重视粮食生产，先后出台了系列强有力的农业扶持政策，对于促进粮食生产起到了基础保障作用。然而，我国粮食生产的结构性矛盾日益突出，表现为：三大粮食作物播种面积持续攀升，玉米供过于求并且库存高企，大豆的对外依存度持续攀升。

　　随着我国经济快速发展和社会转型，我国作物种植制度变化日益频繁。大尺度中高分辨率现势性强的农作物种植制度时空分布信息，对于确保我国粮食安全并且持续推进供给侧结构性改革至关重要[5-6]。遥感，为获取大尺度农作物种植制度时空分布变化信息的唯一可行方式。随着遥感大数据时代的来临，越来越多较高时空分辨率时序遥感数据全球免费开放获取，为农业遥感领域带来了前所未有的机遇。

　　本文认真梳理了基于时序遥感数据的农作物种植制度研究进展，旨在推进在大尺度长时序遥感数据支撑背景下的农业遥感技术发展。在耕地复种指数和农作物分布遥感监测方面，此前已有不少学者分别从科学问题、遥感监测方法以及未来发展趋势等方面，开展了深入细致的研究综述[7-12]。本文分别从耕地复种指数、农作物种植结构遥感监测两方面内容，分析了基于时序遥感数据的农作物种植制度最新研究进展，阐述农作物种植制度研究面临的挑战以及未来发展趋势等。与以往相关综述所不同的是，本文侧重从农作物种植制度研究框架、遥感特征参数以及相关数据产品等角度展开综述。

　　2耕地复种指数遥感监测研究进展

　　耕地复种指数遥感监测研究框架与面临的挑战耕地复种指数遥感监测研究，历来备受关注[11]。本文主要侧重对耕地复种指数遥感监测研究框架研究进展分析。在现有耕地复种指数遥感监测研究框架中，通常包括以下3个步骤：①首先，评估选取研究区土地利用/覆盖数据集，提取耕地空间分布图层;②然后，在耕地区域内，剔除耕地复种指数为零(CI=0)，即耕地休耕或撂荒区域，在此基础上获得耕作区域(CI≥1);③在耕作区域内，基于平滑的遥感时序数据集，选取合适的耕地复种指数遥感监测方法，进行作物熟制判别(判别CI=1,2,3or4?)[13]。

　　最后，基于不同农作物生长期开展农作物制图，获得农作物种植制度。基于目前农作物种植制度常规研究框架中，在第一个步骤中，耕地空间分布数据质量是关键[13]。在第二个研究步骤中，撂荒或休耕区域信息提取方法通常相对比较简单。例如，通常将植被指数峰值小于某个阈值(如EVI<0.35或者NDVI<0.5)区域，设定为撂荒地或非耕作区(UncroppedRegion)[14-15]。

　　然而，南方湿润区耕地撂荒后通常荒草丛生，其植被指数峰值和农作物并无明显差异，因此容易将热带亚热带湿润区耕地撂荒判别为单季农作物从而导致过高估计耕地复种指数。并且，由于耕地抛荒后的影像特征复杂多样，和撂荒前播种农作物类型以及撂荒后植被覆盖情况密切相关，因此基于常规遥感监测方法难以实现耕地撂荒区域信息有效提取[16]。在第3个研究步骤中，耕地复种指数遥感监测方法，主要包括曲线特征对比法、峰值法、线性混合模型法、生长周期判别法、小波特征图谱法等[7,17-18]。

　　上述耕地复种指数遥感监测方法，在如何有效地获取农作物生长周期方面，分别提出了各自的研究策略。有关耕地复种指数遥感监测方法及其各自的优缺点，已有不少深入全面的研究综述[7-9]，本文不再赘述。目前耕地复种指数监测所采用的遥感时序数据集，通常主要为NDVI、EVI等常规植被指数数据[14,17,19]。在耕地复种指数遥感所需的支撑数据集方面，面临以下问题与挑战：

　　①需要高精度耕地分布数据图层，但目前的土地利用/覆盖产品通常难以满足高时效精准监测的需求[12];②地面调查参考点位数据极其匮乏，尤其是休耕/撂荒地等相关信息，全世界除日本外其他国家尚未见有关耕地抛荒的官方数据报道;③需要高时间、高空间分辨率的时序遥感影像，需要扩展耕地复种指数遥感监测数据基础，不仅仅限于常规植被指数时序数据[1]。

　　在普遍实施多熟制的热带亚热带湿润区(如东南亚、南美热带雨林区等)，光学影像通常容易受到云干扰，时序遥感数据可获得性不理想，给基于植被指数时序特征的遥感监测方法带来严峻挑战[17,20-21]。农作物种植制度遥感监测，需要“双高”乃至“三高”(高时空谱)时序遥感影像数据，其原因在于：①高时间分辨率时序遥感影像，才能确保有效地获取能区分不同熟制区域的季节性差异，实现耕作区信息提取;②世界上很多发展中国家(如中国以及很多非洲国家)，仍以小农农业为主，地块破碎，耕地撂荒集中于山区，需要较高空间分辨率的时序遥感影像数据，才能有效地缓解混合像元问题[11,22-23]。

　　2.2大尺度耕地复种指数数据产品研究进展

　　在全球尺度上，澳大利亚学者利用2000年左右国家或次国家尺度26种不同农作物种植区域、全球耕地分布以及作物收割面积，确定多熟制种植分布区域，首次获得全球30弧分多熟制种植分布图[24]。中科院空天院吴炳方研究团队，最新发布了全球30m分辨率的2016—2018年耕地复种指数均值分布数据产品(GCI30)[17]。

　　这些全球尺度的耕地复种指数数据产品，为支撑在可持续发展框架下实施粮食安全倡议具有重要意义。然而，由于全球不同农业系统的复杂性以及植被指数时序数据可获得性差异(如热带亚热带湿润区多云多雨，光学影像时序数据收到严重干扰)，全球耕地复种指数数据产品精度存在很大的不确定性[17]。虽然耕地复种指数在粮食生产中的重要性得到高度关注，但大尺度长时序耕地复种指数数据产品依然相对匮乏[25]。在洲际和国家尺度上，耕地复种指数相关研究由来已久，积累了较为丰富的研究成果与数据产品[4]。

　　然而，目前相关数据集，主要分布在亚洲和中国，集中在个别或少数年份，跨年代逐年时空连续数据产品相对匮乏[1,25]。虽然近年来逐渐涌现出国家尺度长时序耕地复种指数时空分布数据成果，但多为截至2018年以前、低分辨率(如500m)的数据产品。随着“三高”时序遥感影像数据的不断丰富以及GoogleEarthEngine(GEE)等云计算服务能力的加强，大尺度高精度高时效耕地复种指数数据产品必将逐步涌现。

　　3农作物种植结构遥感监测研究进展

　　3.1农作物时序遥感特征参数研究进展

　　分析获取有效的遥感特征参数，是地表覆盖遥感制图的关键要素[29]。基于多波段信息的光谱指数，如植被指数，为植被生长状态监测提供有用信息，有助于提高遥感分类精度[30]。然而，基于可见光和近红外波段的常规植被指数，很难剥离不同农作物、不同物候期的光谱差异[31]。

　　因此，有必要充分有效利用短波红外和红边波段等光谱信息，拓展农作物时序遥感特征参数。红边波段(680~750nm)存在很强的叶绿素吸收和叶片反射[32]，与植被光合作用能力密切相关，能有效监测植被结构与功能属性。最近研究表明，红边波段能用于揭示叶面积和营养元素含量等变化信息[33]。短波红外波段，对植被叶片含水量敏感，能有效地揭示植被叶片含水量变化[34]。例如，Sentinel-2MSI数据的第一和第三红边波段，分别与叶绿素含量和叶片结构变化密切相关，用于监测植被物候变化也非常有效[35]。相比红边和短波红外反射率而言，在此基础上构建的多维度新型光谱指数，对于揭示不同农作物生长发育过程特性更为有效[36]。

　　例如，叶绿素[37-38]、类胡萝卜素[39-40]、花青素[41]、氮营养指数[42]、水体指数[43]、干物质指数[44]、作物残留物[45]等系列光谱指数。叶绿素、类胡萝卜素和花青素3大植被色素，对植被生长发育中发挥重要作用[46]。叶绿素，是植被光合作用能力和生长发育阶段的指示器[37]。类胡萝卜素，作为植被叶绿体第二大色素，具有吸收传递光能和光保护功能[39]。花青素，作为第三类重要的植被色素，植被呈色物质大部分与之相关[41]。不同色素在农作物不同生长阶段发挥重要作用，色素含量随着农作物生长发育呈现规律性变化，最近研究表明植被色素变化能更好地估计植被光合物候[46]。

　　3.2基于物候的大尺度农作物自动制图研究进展及其所面临的挑战

　　农作物种植结构，可以基于不同农作物分布图或结合抽样统计的方式获取[54]。建立高效的农作物遥感监测方法，获得小试验区或者整个研究区农作物分布数据的质量，是开展农作物种植结构研究的关键。目前大部分农作物时序遥感制图方法，需要依赖每种农作物实地调研训练数据。收集地面调查数据成本高耗时长，难以实现大尺度自动推广应用[55]。随着机器学习算法的迅速发展，在遥感分类领域中发挥越来越重要作用[56]。

　　深度学习技术，具有自适应提取高维特征的优势。深度学习技术在遥感领域的应用，已有不少深入全面的研究综述[57-58]，本文不再详细阐述。随着大数据时代的来临，基于深度学习技术的农作物遥感制图方法，已经成为农业遥感领域极具应用前景的热点研究方向。然而，包括深度学习在内的基于训练数据驱动的算法，不足之处在于大尺度推广应用时通常需要增加新的训练样本数据，否则可能导致由于不同区域或年份农作物时序信号存在差异而难以正确判别[59]。

　　3.3大尺度农作物时空分布数据产品研究进展

　　全球尺度农作物分布数据产品，多通过遥感与统计数据相结合，提供了基于10km网格内主要农作物占耕地的百分比数据[73]。这些全球农作物空间分布产品，多为基于农作物统计信息的空间化表达，统计数据时效性不足，难以满足行业应用需求。

　　美国地质勘探局资助的GFSAD30项目利用多传感器遥感数据，提供全球尺度农田动态信息，农作物类型识别精度能达到1km。在国家尺度上，美国农业部生产覆盖全美30m农田数据集(CroplandDataLayer(CDL)product)[74](表2)。加拿大利用监督分类方法获取国家尺度年度作物类型分布信息[75-76]。但是，国家尺度中等分辨率(30m)业务化运行的农作物分布数据产品，目前仅局限于美国、加拿大等少数欧美国家[76]。

　　4研究展望

　　4.1创新农作物种植制度研究框架

　　耕地复种指数和作物类型信息获取，为土地变化科学领域最具挑战性的任务[67]。如何有效识别撂荒地，依然属于复种指数遥感监测的盲区[12]。截止目前为止，全球农作物空间分布产品分辨率和空间精度相对较低，难以满足行业应用需求。实现中高分辨率农作物种植制度遥感监测的业务化运行，依然任重道远。因此，有必要创新农作物种植制度研究框架。

　　(1)创建不依赖现有耕地分布数据、直接提取耕作区域的遥感监测框架与方法。虽然全国乃至全球土地利用/覆盖数据产品越来越丰富，但通常并未提供实际耕作区或休耕地分布信息[81]。休耕或撂荒耕地，在土地利用变化科学领域通常属于被遗忘的角落。基于目前耕地复种指数遥感监测方法框架，撂荒或休耕区域信息提取方法通常相对比较简单。由于城市化进程等多种因素导致耕地时空格局持续变化，以及由于多种农作物种植制度差异引起耕地光谱特征复杂多样，耕地空间分布数据精度、时效性以及时空连续性依然有待提高[12,82]。摆脱对现有耕地分布数据的依赖，系统分析不同作物类型以及作物与非作物类型的时序光谱差异，建立直接提取国家尺度耕作区域的耕作区专题制图方法。

　　(2)建立涵盖不同熟制和农作物种植模式的新型农作物种植制度一体化遥感监测框架与技术方法。虽然在耕地复种指数和农作物分布制图方面分别均有不少研究进展和相关数据产品，但全面考虑不同作物熟制和多种农作物类型的相关研究与数据产品依然非常罕见。由于农作物种植模式多样性(比如：冬小麦-玉米、冬小麦-水稻、冬小麦-大豆、双季稻、烟叶-水稻、稻稻菜等)、农作物物候与农作物长势差异等多方面因素，同一熟制下植被指数时序特征复杂多变[83]。

　　随着人民生活水平的提高与饮食结构的变化，农作物产品种类不断丰富多样，对农作物遥感监测提出了新要求。在农作物种植制度遥感监测研究主题方面，从少数大宗农作物到覆盖更多农作物种植模式的大尺度长时序自动制图，依然是今后需要长期努力的发展方向[84]。

　　未来可以尝试抛弃目前常用的耕地掩膜-剔除撂荒区-熟制识别-农作物制图按步骤分别实施策略，建立农作物种植制度一体化遥感监测技术框架，实现涵盖不同熟制与农作物类型的农作物种植制度一体化信息提取。加强新型多维度遥感指数及物候指标设计，融合多源数据拓展时序遥感特征参数创新农作物种植制度研究框架，实现农作物种植制度一体化信息提取，关键在于拓展农作物种植制度监测的时序遥感特征参数。多源遥感数据融合，有助于形成更高维度的时空谱遥感大数据，提升特征提取与综合应用能力[12,85]。

　　参考文献(References)：

　　[1]GrayJ,FriedlM,FrolkingS,etal.MappingAsiancroppingintensitywithMODIS[J].IEEEJournalofSelectedTopicsinAppliedEarthObservationsandRemoteSensing,2014,7(8):3373-3379.DOI:10.1109/JSTARS.2014.2344630

　　[2]WuW,YuQ,YouL,etal.Globalcroppingintensitygaps:Increasingfoodproductionwithoutcroplandexpansion[J].LandUsePolicy,2018,76:515-525.DOI:10.1016/j.landusepol.2018.02.032

　　[3]杨婷,赵文利,王哲怡,等.基于遥感影像NDVI数据的中国种植制度分布变化[J].中国农业科学,2015,48(10):1915-1925.[YangT,ZhaoWL,WangZY,etal.ChangesofcroppingsysteminChinabasedonremotelysensedNDVIdata[J].ScientiaAgriculturaSinica,2015,48(10):1915-1925.]DOI:10.3864/j.issn.0578-1752.2015.10.005

　　[4]闫慧敏,刘纪远,曹明奎.近20年中国耕地复种指数的时空变化[J].地理学报,2005,(4):559-566.[YanHM,LiuJY,CaoMK,etal.RemotelysensedmultiplecroppingindexvariationsinChinaduring1981-2000[J].ActaGeographicaSinica,2005,(4):559-566.]DOI:10.11821/xb200504004

　　作者：邱炳文*，闫超，黄稳清