篇(1)

　　摘要：農(nóng)作物遙感識別是地理學(xué)和生態(tài)學(xué)研究的前沿和熱點，多源數(shù)據(jù)在農(nóng)作遙感識別中日益發(fā)揮重要作用。筆者從多源數(shù)據(jù)融合的角度，歸納了2000年后多源數(shù)據(jù)在農(nóng)作物遙感識別中應(yīng)用的總體概況，系統(tǒng)梳理并提煉了當(dāng)前多源數(shù)據(jù)融合的主要融合技術(shù)和融合模式。圍繞與多源數(shù)據(jù)融合和農(nóng)作物遙感識別相關(guān)的關(guān)鍵詞，在Google學(xué)術(shù)、ISIWebofKnowledge和中國知網(wǎng)中對2000—2014年間國內(nèi)外發(fā)表的論文進(jìn)行檢索，并統(tǒng)計不同傳感器的使用頻率及結(jié)合方式。

　　研究表明，以提高空間分辨率為目標(biāo)的多源數(shù)據(jù)融合和以提高時間分辨率為目標(biāo)的多源數(shù)據(jù)融合技術(shù)是當(dāng)前的兩種主要方式，可以在一定程度上實現(xiàn)時空尺度的擴(kuò)展。前者的融合技術(shù)包括圖像融合、正態(tài)模糊分布神經(jīng)網(wǎng)絡(luò)模型、成分替換、半經(jīng)驗數(shù)據(jù)模型融合及多分辨率小波分解等，可以提升遙感數(shù)據(jù)的空間分解力和清晰度，較好弱化混合像元產(chǎn)生的影響，但農(nóng)作物光譜信息有一定程度的丟失或扭曲，農(nóng)作物空間分布局部細(xì)節(jié)信息與紋理特征依然會缺失。

　　后者的融合技術(shù)形式靈活多樣，可分為同源數(shù)據(jù)聯(lián)合擴(kuò)展時序的時空優(yōu)化技術(shù)和異源數(shù)據(jù)聯(lián)合擴(kuò)展時序的時空優(yōu)化技術(shù)，其可以有效排除短時間段內(nèi)農(nóng)作物生育期交叉，但易受不同遙感數(shù)據(jù)源間光譜反射率或植被指數(shù)轉(zhuǎn)換模型及光譜波段設(shè)置差異的影響。在融合模式方面，根據(jù)數(shù)據(jù)類型分為光學(xué)數(shù)據(jù)的融合、光學(xué)數(shù)據(jù)與微波數(shù)據(jù)的融合以及遙感與非遙感數(shù)據(jù)的融合，以實現(xiàn)衛(wèi)星資源優(yōu)勢互補(bǔ)為宗旨，充分挖掘不同類型農(nóng)作物在遙感數(shù)據(jù)上呈現(xiàn)的光譜、時間和空間特征差異信息。

　　同樣，農(nóng)作物遙感識別研究中的多源遙感數(shù)據(jù)融合也存在諸多挑戰(zhàn)，在未來一段時間內(nèi)，完善不同傳感器之間的合作、更深層次挖掘融合信息以及多尺度長時間序列的中高分辨率農(nóng)作物空間分布數(shù)據(jù)集的需求是多源數(shù)據(jù)融合的農(nóng)作物遙感識別研究的重點發(fā)展方向和亟待解決的問題。研究結(jié)果有助于更好地理解多源遙感數(shù)據(jù)融合的技術(shù)和模式，為摸清多源數(shù)據(jù)融合在農(nóng)作物識別中總體進(jìn)展提供支撐，同時也為其他多源數(shù)據(jù)融合研究提供借鑒。

　　關(guān)鍵詞：農(nóng)作物;多源數(shù)據(jù);融合;遙感;識別

　　農(nóng)作物空間分布是農(nóng)業(yè)生產(chǎn)活動對土地利用的表現(xiàn)形式，也是對自然資源高效利用及田間科學(xué)管理的最終結(jié)果[1-2]。及時準(zhǔn)確地識別農(nóng)作物空間分布不僅是區(qū)域農(nóng)作物長勢監(jiān)測、產(chǎn)量估測和災(zāi)情評估等的重要基礎(chǔ)，也是宏觀掌握糧食生產(chǎn)、指導(dǎo)農(nóng)業(yè)生產(chǎn)和調(diào)控農(nóng)產(chǎn)品貿(mào)易的依據(jù)[3-4]。遙感技術(shù)作為新型對地觀測技術(shù)，因宏觀性、綜合性和動態(tài)性的特點，迅速成為農(nóng)作物空間分布信息獲取的重要手段[5-6]。

　　因此，農(nóng)作物遙感識別研究具有重要的理論和實踐意義[7]。自美國Puredue大學(xué)首次將遙感數(shù)據(jù)用于農(nóng)作物監(jiān)測后，涌現(xiàn)了大量農(nóng)作物遙感識別的研究，LandsatTM[8-9]、MODIS[10-11]、QuickBird[12]等不同傳感器數(shù)據(jù)在農(nóng)作物空間分布及其動態(tài)變化提取中發(fā)揮了重要作用。事實上，單一遙感數(shù)據(jù)在實際應(yīng)用中呈現(xiàn)出復(fù)雜的時空異質(zhì)性和尺度敏感性的特征[13];同時，受農(nóng)作物光譜重疊與交叉、遙感影像時間分辨率與空間分辨率相互制約，以及成像過程諸多干擾因素的限制，基于單一數(shù)據(jù)源的農(nóng)作物識別效果往往不理想[14]。

　　因此，多源遙感數(shù)據(jù)融合在農(nóng)作物遙感識別中日益發(fā)揮重要作用，其在很大程度上彌補(bǔ)了單一數(shù)據(jù)和分類方法的缺陷[15]。近年來，國內(nèi)外很多學(xué)者開展了基于多源遙感數(shù)據(jù)融合的農(nóng)作物空間分布信息提取方法研究，但已有研究多是利用多時相、多空間分辨率的影像數(shù)據(jù)在象元層次上進(jìn)行融合，擴(kuò)展時空尺度，得到更豐富的作物光譜特性、空間異質(zhì)性信息以及作物鍵物候歷特征，提高作物識別能力和精度[16-17]。

　　雖然有關(guān)多源遙感數(shù)據(jù)融合的研究日益增多，但目前還沒有文獻(xiàn)對已有的研究進(jìn)行系統(tǒng)梳理和歸納，使得農(nóng)作物遙感識別中的多源數(shù)據(jù)融合研究總體進(jìn)展不清。基于此，本研究以作物識別/提取、高/中/低分辨率、制圖、Crop、Classification、Mapping等為關(guān)鍵詞，在Google學(xué)術(shù)、ISIWebofKnowledge和中國知網(wǎng)中對2000—2014年間國內(nèi)外發(fā)表的論文進(jìn)行檢索，共檢索到和多源數(shù)據(jù)融合相關(guān)的文獻(xiàn)297篇，在此基礎(chǔ)上試圖對農(nóng)作物遙感識別中的多源數(shù)據(jù)融合總體研究進(jìn)展進(jìn)行總結(jié)和評述。

　　在歸納“有什么”多源數(shù)據(jù)基礎(chǔ)上(總體概況，見第一章節(jié))，重點闡明近10多年來基于多源遙感數(shù)據(jù)融合的農(nóng)作物遙感識別“用什么”時空優(yōu)化的方法(即融合技術(shù)，見第二章節(jié))和“怎么用”信息源整合和替代(即融合模式，見第三章節(jié))，討論已有研究中存在的問題，并針對多源數(shù)據(jù)融合中以上3個關(guān)鍵環(huán)節(jié)展望未來發(fā)展趨勢。

　　1農(nóng)作物遙感識別中多源數(shù)據(jù)的應(yīng)用概況

　　通過對檢索的全部論文進(jìn)行統(tǒng)計分析發(fā)現(xiàn)，目前國內(nèi)外農(nóng)作物遙感識別中使用的傳感器以MODIS為代表的低分辨率(比例為34.7%)和以LandsatTM/ETM+為代表的中等分辨率(比例為35.0%)為主[18-21]。近年來，隨著微波遙感蓬勃發(fā)展，星載合成孔徑雷達(dá)(SAR)日益在農(nóng)作物遙感識別中得到應(yīng)用，其使用比例達(dá)到10.1%[22-23]。尤其值得一提的是，環(huán)境減災(zāi)小衛(wèi)星星座HJ-1A/1B數(shù)據(jù)作為新的遙感數(shù)據(jù)源，中國國產(chǎn)衛(wèi)星以5.1%的使用頻率應(yīng)用于農(nóng)作物識別與監(jiān)測領(lǐng)域[24]。

　　此外，QuickBird及其他類型的傳感器在農(nóng)作物識別中也得到使用，兩者比例約為15.1%。同時不難發(fā)現(xiàn)，SAR數(shù)據(jù)多以融合的形式參與識別，而高空間分辨率QuickBird以單一的形式開展農(nóng)作物識別居多，其他類型傳感器用于單數(shù)據(jù)源研究和多源數(shù)據(jù)融合的比例基本相當(dāng)。統(tǒng)計了近十多年3個不同階段農(nóng)作物識別中的單一數(shù)據(jù)源和多數(shù)據(jù)源使用情況。

　　可以看出，基于單數(shù)據(jù)源的農(nóng)作物遙感識別文獻(xiàn)數(shù)合計189篇，遠(yuǎn)高于基于多源數(shù)據(jù)的農(nóng)作物遙感識別文獻(xiàn)數(shù)(108篇)。因此，目前農(nóng)作物遙感識別中仍然以單一數(shù)據(jù)源為主，但其有下降的趨勢，與此同時，多源數(shù)據(jù)在農(nóng)作物遙感識別中越來越多得到應(yīng)用，呈明顯的上升趨勢。進(jìn)一步統(tǒng)計分析發(fā)現(xiàn)，單一數(shù)據(jù)源更多應(yīng)用于單一農(nóng)作物的識別和提取，而多源數(shù)據(jù)在農(nóng)作物種植結(jié)構(gòu)提取中的應(yīng)用要優(yōu)于單數(shù)據(jù)源。

　　2多源遙感數(shù)據(jù)融合技術(shù)

　　農(nóng)作物遙感識別原理總體上分為兩類：一是基于農(nóng)作物的光譜特征和空間異質(zhì)性特征;二是基于農(nóng)作物的物候特征�；�于農(nóng)作物光譜和空間紋理特征的識別方法易受分辨率的限制，“同物異譜”和“異物同譜”現(xiàn)象普遍存在。單一高分辨率數(shù)據(jù)的光譜信息不足，難以覆蓋大區(qū)域范圍;單一中分辨率數(shù)據(jù)源受傳感器重訪周期和云雨天氣影響，數(shù)據(jù)獲取頻率低于理論周期;而單一低分辨率數(shù)據(jù)源混合像元現(xiàn)象嚴(yán)重[25-27]。

　　基于農(nóng)作物季相節(jié)律和物候特征識別農(nóng)作物類型需要利用時間序列遙感數(shù)據(jù)，然而，遙感數(shù)據(jù)的時間分辨率與空間分辨率之間相互制約，單一高時間分辨率遙感數(shù)據(jù)有助于精確區(qū)分作物生育周期，但通�？臻g分辨率低，刻畫空間異質(zhì)性能力差，而單一中高空間分辨率遙感數(shù)據(jù)很難獲得覆蓋作物整個生育期的長時間序列信息，重復(fù)觀測能力低[28-29]。因此，農(nóng)作物遙感識別中的多源遙感數(shù)據(jù)融合的關(guān)鍵任務(wù)是解決遙感數(shù)據(jù)的時空優(yōu)化問題，提高農(nóng)作物識別效率和識別精度[30-32]。

　　2.1以提高空間分辨率為目標(biāo)的多源數(shù)據(jù)融合技術(shù)

　　中國農(nóng)作物種植結(jié)構(gòu)復(fù)雜多樣、田塊破碎，光譜混合現(xiàn)象嚴(yán)重，其準(zhǔn)確識別對遙感數(shù)據(jù)的空間分辨率要求高[33]。針對低空間、高時間分辨率遙感數(shù)據(jù)對農(nóng)作物生長過程動態(tài)變化描述的優(yōu)勢，引入中高空間分辨率遙感數(shù)據(jù)，通過數(shù)據(jù)融合可以有效提高對農(nóng)作物空間分布細(xì)節(jié)描述的能力。圖像融合是最為常見的以提高空間分辨率為目標(biāo)的多源數(shù)據(jù)融合技術(shù)，將多源遙感數(shù)據(jù)按照一定規(guī)則進(jìn)行運算、處理，獲得一幅具有新的空間和波譜特征的合成影像[34]。

　　圖像融合方法，如基于色彩相關(guān)技術(shù)的HIS變換法或基于統(tǒng)計方法的PCA、Brovey和小波變換等，可以廣泛應(yīng)用于不同傳感器、不同空間分辨率以及不同時相的遙感數(shù)據(jù)，尤其在多時相的低空間分辨率遙感數(shù)據(jù)與中等空間分辨率遙感數(shù)據(jù)的融合方面應(yīng)用較多。融合的對象不僅可以是光譜反射率、后向散射系數(shù)，還可以為時間序列植被指數(shù)，獲得一幅具有新的空間特征的高分辨率合成影像。

　　圖像融合技術(shù)在農(nóng)作物遙感識別中的應(yīng)用研究較多，取得了較好的效果。如蔣楠等[35]采用Brovey變換、IHS變換、高通濾波和小波變換4種融合方法對HJ-1A衛(wèi)星多波段影像與ALOS衛(wèi)星2.5m全色影像分別進(jìn)行融合，得到了高空間分辨率多光譜影像，并選用最佳融合效果的小波變換法合成影像，進(jìn)行江蘇省金湖地區(qū)水稻識別，發(fā)現(xiàn)其估算精度比HJ-1A多光譜影像提高了12.39%。

　　以2008年河南省原陽縣的玉米種植信息為識別目標(biāo)，何馨[36]利用小波變換的方法將時間序列MODISNDVI與TMNDVI數(shù)據(jù)進(jìn)行融合，獲取30m分辨率的NDVI時間變化信息，構(gòu)建主要秋季作物的NDVI標(biāo)準(zhǔn)時序生長曲線，以最小距離分類器進(jìn)行分層分類，獲得研究區(qū)內(nèi)玉米種植面積總量信息和空間分布，總體精度達(dá)78.76%，該方法既保證作物生長過程中原有的光譜特征，使空間分辨率從250m提高至30m。

　　趙天杰等[37]基于12.5m分辨率ASAR-VV極化、PALSAR-HH極化以及30m分辨率TM的多光譜數(shù)據(jù)，使用MIMICS模型模擬北京昌平區(qū)玉米和果林的后向散射系數(shù)，構(gòu)建了模糊神經(jīng)網(wǎng)絡(luò)模型，完成了雙頻多極化SAR數(shù)據(jù)與多光譜數(shù)據(jù)的整合，以93.54%的精度在12.5m分辨率尺度上開展了玉米種植分布識別，研究表明：多頻段和多極化方式的融合方法可以利用不同的波譜頻段提取農(nóng)作物固有屬性，在高空間分辨率尺度上提高農(nóng)作物光譜分離性，為農(nóng)作物類型識別提供有力支持。

　　以上研究表明，圖像融合可以提高遙感數(shù)據(jù)的空間分辨率，與單源遙感數(shù)據(jù)相比，多源遙感數(shù)據(jù)融合后所提供的信息具有互補(bǔ)性和合作性，在農(nóng)作物遙感識別方面呈現(xiàn)出較大的潛力。此外還有一些其他技術(shù)可以用于數(shù)據(jù)擴(kuò)展，如STARFM模型[38]、成分替換[39]、半經(jīng)驗數(shù)據(jù)模型[40]、多分辨率小波分解[41]等融合技術(shù)實現(xiàn)了將不同分辨率的多源遙感數(shù)據(jù)進(jìn)行整合，以提高空間分辨率，并且未來在農(nóng)作物遙感識別中有廣泛的應(yīng)用前景。

　　以提高空間分辨率為目標(biāo)的多源數(shù)據(jù)融合技術(shù)提升了影像的空間分解力和清晰度，一定程度上弱化了混合像元存在所產(chǎn)生的影響。多源遙感數(shù)據(jù)具有多樣性和時相差異性特點，使得不同類型的農(nóng)作物光譜信息在融合時均有一定程度的丟失與扭曲，而空間分辨率雖有所提高但其局部細(xì)節(jié)信息與紋理特征依然會缺失。因此，需要針對特定的地表覆蓋狀況，選取適當(dāng)?shù)娜诤纤惴ㄅc融合質(zhì)量評價體系，以應(yīng)對多源遙感數(shù)據(jù)上農(nóng)作物種植分布呈現(xiàn)出復(fù)雜的時空異質(zhì)性和尺度敏感性等特征。

　　2.2以提高時間分辨率為目標(biāo)的多源數(shù)據(jù)融合技術(shù)

　　農(nóng)作物具有明顯的生長過程和季相變化特征[42]，利用這一特征，基于長時間序列的遙感數(shù)據(jù)，可以有效地進(jìn)行農(nóng)作物遙感識別與分類。因此，以提高“時間分辨率”為目標(biāo)的多源數(shù)據(jù)融合在農(nóng)作物遙感識別中日益得到應(yīng)用，其通常按照時相順序?qū)�可獲取的不同空間和不同時間分辨率的多源遙感數(shù)據(jù)進(jìn)行復(fù)合，擴(kuò)展對地重復(fù)觀測的頻率，達(dá)到提高“時間分辨率”目的，有助于捕獲農(nóng)作物光譜可分的最佳時相，提高完整刻畫農(nóng)作物生長發(fā)育動態(tài)變化過程的能力。針對多期同源傳感器數(shù)據(jù)進(jìn)行時間插補(bǔ)，可以提高農(nóng)作物觀測的頻率。

　　顧曉鶴等[43]針對省域尺度農(nóng)作物識別中TM影像時相不一致和覆蓋能力不足的問題，在長時間序列MODIS全覆蓋影像的支持下，構(gòu)建玉米生長過程的時序插補(bǔ)模型，將6景不同物候期的TM影像插補(bǔ)為玉米乳熟期的同期數(shù)據(jù)集，提高了中空間分辨率遙感數(shù)據(jù)的采集頻率;鄔明權(quán)等[44]基于時空融合技術(shù)，結(jié)合早期LandsatTM影像的紋理信息，以Landsat紅波段和近紅外波段為融合波段，從時序MODIS數(shù)據(jù)中提取水稻像元反射率時間變化特征，插補(bǔ)出既具備中分辨率影像高空間分辨率特征，又具備低空間分辨率高時間分辨率特征的水稻關(guān)鍵生育期數(shù)據(jù)，與真實影像的相關(guān)系數(shù)達(dá)到0.8以上，可以實現(xiàn)較高精度的水稻填圖。

　　與傳統(tǒng)的方法相比，時空融合技術(shù)是針對獲取的前后兩期中分辨率影像，從低分辨率時序影像中提取對應(yīng)像元反射率的時間變化特征，從而獲得時間段內(nèi)任意一時間節(jié)點的中分辨率影像，提高“時間分辨率”。Singh[45-46]、Watts[47]、Wu[48]等均在不同的區(qū)域和尺度基于Landsat-MODIS像對，采用時空融合方法對小麥、水稻等主要作物進(jìn)行提取，有效解決利用中等分辨率數(shù)據(jù)進(jìn)行農(nóng)作物識別時的關(guān)鍵期數(shù)據(jù)缺失問題，其推廣應(yīng)用效果較好。

　　此外，部分研究人員收集逐月內(nèi)數(shù)據(jù)質(zhì)量最好的歷史存檔衛(wèi)星影像組建“光譜-時序”曲線，如Foerster等[49]在30m分辨率尺度上使用17年LandsatTM/ETM歷史存檔數(shù)據(jù)構(gòu)建時序數(shù)據(jù)集，提取德國東北部12種主要作物NDVI時序參考曲線，為分層分類提供物候特征的依據(jù)。

　　3多源遙感數(shù)據(jù)融合模式

　　不同遙感探測器具有獨特的成像機(jī)理和成像方式，每種遙感數(shù)據(jù)在農(nóng)作物識別中具有各自的適用范圍和局限性，任何單一數(shù)據(jù)源都不能全面地反映農(nóng)作物的時空特性[53]。如農(nóng)作物在可見光-近紅外波段特征顯著，但光學(xué)遙感數(shù)據(jù)易受云雨天氣的影響，數(shù)據(jù)保障率低;與光學(xué)傳感器相比，微波遙感能全天時、全天候?qū)崟r觀測，并且其空間分辨率不受觀測距離的限制，但雷達(dá)圖像相干斑噪聲影響存在，農(nóng)作物識別精度有限[54]。

　　而農(nóng)作物遙感識別主要基于不同類型農(nóng)作物在遙感數(shù)據(jù)上呈現(xiàn)的光譜、時間和空間特征差異實現(xiàn)信息挖掘[55-56]。因此，“用什么”數(shù)據(jù)源融合以實現(xiàn)衛(wèi)星資源優(yōu)勢互補(bǔ)成為農(nóng)業(yè)遙感應(yīng)用中的研究熱點�？偟膩碚f，根據(jù)數(shù)據(jù)類型可以將多源遙感數(shù)據(jù)融合模式分為光學(xué)數(shù)據(jù)的融合、光學(xué)數(shù)據(jù)與微波數(shù)據(jù)的融合以及遙感與非遙感數(shù)據(jù)的融合。

　　4存在問題與展望

　　近年來，服務(wù)于農(nóng)作物遙感識別的多源遙感數(shù)據(jù)融合研究取得了長足進(jìn)展，極大推動了農(nóng)業(yè)遙感的發(fā)展。但是，現(xiàn)有的研究還存在一些不足，成為將來重點的發(fā)展方向。一是如何完善不同傳感器之間的協(xié)同，實現(xiàn)現(xiàn)有衛(wèi)星資源有效利用是多源遙感數(shù)據(jù)融合研究面臨的基礎(chǔ)問題。研究發(fā)現(xiàn)，單一遙感數(shù)據(jù)難以同時兼顧高光譜、高空間和高時間分辨率的特性，多源遙感數(shù)據(jù)融合和協(xié)同一定程度上排除“同物異譜，同譜異物”現(xiàn)在的有效途徑。

　　然而，不同傳感器數(shù)據(jù)協(xié)同涉及多源信息數(shù)據(jù)處理、圖像理解等多學(xué)科知識，是一個理論性與實用性兼具的研究領(lǐng)域，面臨著很多挑戰(zhàn)。一方面，具有不同的光譜分辨率、空間分辨率、時間分辨率、極化方式與方向的多源遙感數(shù)據(jù)，其傳感器太陽光照角度、觀測視角以及云的條件隨時間而異，探測波段和光譜響應(yīng)函數(shù)存在顯著差異，因此，多源數(shù)據(jù)融合需要消除異源反射率間系統(tǒng)性誤差及抑制農(nóng)作物的雙向反射率信息中噪聲的數(shù)據(jù)處理過程，以復(fù)原農(nóng)作物光譜及植被指數(shù)真實的動態(tài)響應(yīng)。

　　甚至未來新型傳感器的設(shè)計與開發(fā)需要考慮與現(xiàn)有衛(wèi)星資源產(chǎn)品的兼容性。另一方面，多源遙感數(shù)據(jù)尺度轉(zhuǎn)換技術(shù)和標(biāo)準(zhǔn)化技術(shù)研究需要加強(qiáng)，因為農(nóng)作物遙感識別研究不能獨立于時間尺度和空間尺度上發(fā)展，而需要結(jié)合多源遙感數(shù)據(jù)各異的特點，通過時空優(yōu)化技術(shù)方法形成一套綜合性的、面向業(yè)務(wù)化運行的多源數(shù)據(jù)集。

　　二是怎樣更深層次地挖掘多源遙感信息，產(chǎn)出綜合性的協(xié)同效應(yīng)是需要解決的關(guān)鍵問題。無論是以提高空間分辨率為目標(biāo)的多源遙感數(shù)據(jù)融合，還是以提高時間分辨率為目標(biāo)的多源遙感數(shù)據(jù)融合，前人對農(nóng)作物的時相特征和空間特征的融合開展了深入研究，為更全面的農(nóng)作物遙感識別提供依據(jù)。

　　然而，受信息挖掘方法和技術(shù)局限，多源遙感數(shù)據(jù)的不同探測波段刻畫出的農(nóng)作物波譜響應(yīng)特性，用于描述農(nóng)作物類型類內(nèi)和類間的一致性和差異性深層次信息挖掘不充分。此外，不同信息源挖掘的分類特征難以服從統(tǒng)一的概率分布模型是多源數(shù)據(jù)融合模式共性問題�；�于此，優(yōu)化分類策略是使多源數(shù)據(jù)產(chǎn)生綜合性協(xié)同效應(yīng)的有效途徑，可以采用多層次控制的多分類器融合法，也可以嘗試改進(jìn)和發(fā)展以自動、定量為特點的分類模型，最大限度集中單一遙感信息源的優(yōu)勢，提高識別方法的普適性與可操作性，將多源信息更加緊密協(xié)同，有效地提升農(nóng)作物類型的分類精度。

　　三是在平衡識別準(zhǔn)確性、時效性和可操作性的基礎(chǔ)上，多尺度長時間序列的農(nóng)作物空間分布數(shù)據(jù)集是多源遙感數(shù)據(jù)融合技術(shù)應(yīng)用的重要趨勢。多源數(shù)據(jù)融合在一定程度上增強(qiáng)了農(nóng)作物在物候特征或數(shù)學(xué)特征上的差異信息，有助于排除短時間段內(nèi)不同農(nóng)作物類型生育期交叉的影響，為實現(xiàn)不同國家全覆蓋、不同區(qū)域多尺度監(jiān)測及糧食安全高風(fēng)險區(qū)域和國家農(nóng)作物生產(chǎn)力布局分析提供途徑。

　　目前，基于多源數(shù)據(jù)融合的全球尺度土地覆蓋數(shù)據(jù)集的空間分辨率普遍偏低，且農(nóng)用地空間分布識別能力有限，通常融合技術(shù)的復(fù)雜性和識別的精度性方面缺乏科學(xué)評價。需要強(qiáng)調(diào)的是，針對面向?qū)ο蟮淖R別研究在精度評價時需引入了基于地塊精度評價體系。此外，采用空間采樣與面積統(tǒng)計誤差雙重精度評價標(biāo)準(zhǔn)，對農(nóng)作物類型識別及面積提取的精度評價更加全面、客觀。還有研究隨機(jī)選出一定數(shù)量的樣本圖斑，采用分層隨機(jī)采樣的方式開展精度評價。

　　隨著遙感識別作物類型更精細(xì)化、種植結(jié)構(gòu)更復(fù)雜及時空動態(tài)監(jiān)測發(fā)展，中高分辨率農(nóng)作物分布數(shù)據(jù)集為滿足農(nóng)業(yè)遙感多方面、多層次的應(yīng)用需求提供可能，但科學(xué)合理的農(nóng)作物識別精度驗證也是技術(shù)難題。在此，需要強(qiáng)調(diào)的是根據(jù)研究對象、區(qū)域范圍、研究目標(biāo)選擇數(shù)據(jù)和方法，廣義的融合技術(shù)包括融合策略和數(shù)據(jù)融合方法，因此，有必要考慮識別結(jié)果的時效性和可信度[83]。

　　References

　　[1]唐華俊,吳文斌,楊鵬,周清波,陳仲新.農(nóng)作物空間格局遙感監(jiān)測研究進(jìn)展.中國農(nóng)業(yè)科學(xué).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]陳水森,柳欽火,陳良富,李靜,劉強(qiáng).糧食作物播種面積遙感監(jiān)測研究進(jìn)展.農(nóng)業(yè)工程學(xué)報.2005,21(6):166-171.

　　農(nóng)業(yè)方向刊物推薦：農(nóng)業(yè)機(jī)械學(xué)報(月刊)創(chuàng)刊于1957年，是由中國科協(xié)主管、中國農(nóng)業(yè)機(jī)械學(xué)會和中國農(nóng)業(yè)機(jī)械化科學(xué)研究院主辦的唯一綜合性學(xué)術(shù)期刊, 農(nóng)業(yè)工程類中文核心期刊，美國工程信息公司(EI)和美國化學(xué)文摘社(CA)收錄期刊。

篇(2)

　　摘要：及時準(zhǔn)確掌握農(nóng)作物種植制度時空分布信息，對于確保國家糧食安全與農(nóng)業(yè)結(jié)構(gòu)合理具有重要意義。隨著時序遙感影像質(zhì)量的不斷提高，基于時序遙感數(shù)據(jù)的農(nóng)作物種植制度研究備受關(guān)注。本文從研究框架、遙感特征參數(shù)以及數(shù)據(jù)產(chǎn)品等角度，分析了基于時序遙感數(shù)據(jù)的農(nóng)作物種植制度最新研究進(jìn)展。研究發(fā)現(xiàn)：①前農(nóng)作物種植制度研究框架，主要包括耕地復(fù)種指數(shù)和農(nóng)作物制圖等相關(guān)內(nèi)容，其問題在于需要高質(zhì)量耕地分布數(shù)據(jù)支撐以及易將熱帶亞熱帶濕潤區(qū)撂荒地誤判為農(nóng)作物等;②于紅邊和短波紅外的新型多維度光譜指數(shù)，有助于更好地揭示農(nóng)作物生長發(fā)育過程，大尺度農(nóng)作物時序遙感制圖取得了系列研究成果，但需要應(yīng)對不同作物光譜差異細(xì)微、同種作物在不同區(qū)域和年份存在明顯類內(nèi)異質(zhì)性的挑戰(zhàn);③尺度中高分辨率耕地復(fù)種指數(shù)產(chǎn)品不斷豐富，但其時效性和時空連續(xù)性有待加強(qiáng);④歐美少數(shù)國家外，目前農(nóng)作物分布數(shù)據(jù)產(chǎn)品覆蓋的作物類型有限，我國大尺度農(nóng)作物種植制度數(shù)據(jù)產(chǎn)品欠缺，特別是復(fù)雜多熟制農(nóng)業(yè)區(qū)。隨著多源遙感數(shù)據(jù)時空譜分辨率的不斷提高以及云計算平臺性能的不斷發(fā)展，我們對以下方面進(jìn)行了研究展望：①新研究框架，建立直接提取耕作區(qū)、農(nóng)作物種植模式的農(nóng)作物種植制度一體化遙感監(jiān)測技術(shù)框架;②一步加強(qiáng)新型多維度遙感指數(shù)及其物候特征指標(biāo)設(shè)計，拓展農(nóng)作物種植制度監(jiān)測的遙感特征參數(shù);③立作物種植制度變化遙感監(jiān)測技術(shù)，實現(xiàn)多年信息連續(xù)自動提取。

　　關(guān)鍵詞：農(nóng)作物種植制度;時序遙感;復(fù)種指數(shù);農(nóng)作物物候;自動制圖;耕地拋荒;光譜指數(shù);時空連續(xù)

　　1引言

　　作物種植制度包括耕地復(fù)種指數(shù)(CroppingIndex,CI)和種植結(jié)構(gòu)等相關(guān)內(nèi)容。作為作物種植制度的重要組成部分，耕地復(fù)種指數(shù)遙感監(jiān)測為農(nóng)作物制圖的基礎(chǔ)。復(fù)種，作為一種最直接有效提高產(chǎn)量的耕作方式，在全國特別是亞洲國家普遍采用[1]。我國為世界上耕地復(fù)種面積最大的國家，將近一半耕地實施復(fù)種，并且隨著氣候變暖我國耕地復(fù)種潛力明顯增加[2-3]。

　　適當(dāng)提高復(fù)種集約用地，有助于緩解人地矛盾同時穩(wěn)步提高糧食產(chǎn)量[2,4]。然而，長期高強(qiáng)度集約化利用(Intensification)將導(dǎo)致過渡消耗耕地肥力，從而制約耕地資源的可持續(xù)利用。作為世界人口最多的發(fā)展中國家，我國政府高度重視糧食生產(chǎn)，先后出臺了系列強(qiáng)有力的農(nóng)業(yè)扶持政策，對于促進(jìn)糧食生產(chǎn)起到了基礎(chǔ)保障作用。然而，我國糧食生產(chǎn)的結(jié)構(gòu)性矛盾日益突出，表現(xiàn)為：三大糧食作物播種面積持續(xù)攀升，玉米供過于求并且?guī)齑娓咂螅�大豆的對外依存度持續(xù)攀升。

　　隨著我國經(jīng)濟(jì)快速發(fā)展和社會轉(zhuǎn)型，我國作物種植制度變化日益頻繁。大尺度中高分辨率現(xiàn)勢性強(qiáng)的農(nóng)作物種植制度時空分布信息，對于確保我國糧食安全并且持續(xù)推進(jìn)供給側(cè)結(jié)構(gòu)性改革至關(guān)重要[5-6]。遙感，為獲取大尺度農(nóng)作物種植制度時空分布變化信息的唯一可行方式。隨著遙感大數(shù)據(jù)時代的來臨，越來越多較高時空分辨率時序遙感數(shù)據(jù)全球免費開放獲取，為農(nóng)業(yè)遙感領(lǐng)域帶來了前所未有的機(jī)遇。

　　本文認(rèn)真梳理了基于時序遙感數(shù)據(jù)的農(nóng)作物種植制度研究進(jìn)展，旨在推進(jìn)在大尺度長時序遙感數(shù)據(jù)支撐背景下的農(nóng)業(yè)遙感技術(shù)發(fā)展。在耕地復(fù)種指數(shù)和農(nóng)作物分布遙感監(jiān)測方面，此前已有不少學(xué)者分別從科學(xué)問題、遙感監(jiān)測方法以及未來發(fā)展趨勢等方面，開展了深入細(xì)致的研究綜述[7-12]。本文分別從耕地復(fù)種指數(shù)、農(nóng)作物種植結(jié)構(gòu)遙感監(jiān)測兩方面內(nèi)容，分析了基于時序遙感數(shù)據(jù)的農(nóng)作物種植制度最新研究進(jìn)展，闡述農(nóng)作物種植制度研究面臨的挑戰(zhàn)以及未來發(fā)展趨勢等。與以往相關(guān)綜述所不同的是，本文側(cè)重從農(nóng)作物種植制度研究框架、遙感特征參數(shù)以及相關(guān)數(shù)據(jù)產(chǎn)品等角度展開綜述。

　　2耕地復(fù)種指數(shù)遙感監(jiān)測研究進(jìn)展

　　耕地復(fù)種指數(shù)遙感監(jiān)測研究框架與面臨的挑戰(zhàn)耕地復(fù)種指數(shù)遙感監(jiān)測研究，歷來備受關(guān)注[11]。本文主要側(cè)重對耕地復(fù)種指數(shù)遙感監(jiān)測研究框架研究進(jìn)展分析。在現(xiàn)有耕地復(fù)種指數(shù)遙感監(jiān)測研究框架中，通常包括以下3個步驟：①首先，評估選取研究區(qū)土地利用/覆蓋數(shù)據(jù)集，提取耕地空間分布圖層;②然后，在耕地區(qū)域內(nèi)，剔除耕地復(fù)種指數(shù)為零(CI=0)，即耕地休耕或撂荒區(qū)域，在此基礎(chǔ)上獲得耕作區(qū)域(CI≥1);③在耕作區(qū)域內(nèi)，基于平滑的遙感時序數(shù)據(jù)集，選取合適的耕地復(fù)種指數(shù)遙感監(jiān)測方法，進(jìn)行作物熟制判別(判別CI=1,2,3or4?)[13]。

　　最后，基于不同農(nóng)作物生長期開展農(nóng)作物制圖，獲得農(nóng)作物種植制度。基于目前農(nóng)作物種植制度常規(guī)研究框架中，在第一個步驟中，耕地空間分布數(shù)據(jù)質(zhì)量是關(guān)鍵[13]。在第二個研究步驟中，撂荒或休耕區(qū)域信息提取方法通常相對比較簡單。例如，通常將植被指數(shù)峰值小于某個閾值(如EVI<0.35或者NDVI<0.5)區(qū)域，設(shè)定為撂荒地或非耕作區(qū)(UncroppedRegion)[14-15]。

　　然而，南方濕潤區(qū)耕地撂荒后通�；牟輩采�，其植被指數(shù)峰值和農(nóng)作物并無明顯差異，因此容易將熱帶亞熱帶濕潤區(qū)耕地撂荒判別為單季農(nóng)作物從而導(dǎo)致過高估計耕地復(fù)種指數(shù)。并且，由于耕地拋荒后的影像特征復(fù)雜多樣，和撂荒前播種農(nóng)作物類型以及撂荒后植被覆蓋情況密切相關(guān)，因此基于常規(guī)遙感監(jiān)測方法難以實現(xiàn)耕地撂荒區(qū)域信息有效提取[16]。在第3個研究步驟中，耕地復(fù)種指數(shù)遙感監(jiān)測方法，主要包括曲線特征對比法、峰值法、線性混合模型法、生長周期判別法、小波特征圖譜法等[7,17-18]。

　　上述耕地復(fù)種指數(shù)遙感監(jiān)測方法，在如何有效地獲取農(nóng)作物生長周期方面，分別提出了各自的研究策略。有關(guān)耕地復(fù)種指數(shù)遙感監(jiān)測方法及其各自的優(yōu)缺點，已有不少深入全面的研究綜述[7-9]，本文不再贅述。目前耕地復(fù)種指數(shù)監(jiān)測所采用的遙感時序數(shù)據(jù)集，通常主要為NDVI、EVI等常規(guī)植被指數(shù)數(shù)據(jù)[14,17,19]。在耕地復(fù)種指數(shù)遙感所需的支撐數(shù)據(jù)集方面，面臨以下問題與挑戰(zhàn)：

　�、傩枰�高精度耕地分布數(shù)據(jù)圖層，但目前的土地利用/覆蓋產(chǎn)品通常難以滿足高時效精準(zhǔn)監(jiān)測的需求[12];②地面調(diào)查參考點位數(shù)據(jù)極其匱乏，尤其是休耕/撂荒地等相關(guān)信息，全世界除日本外其他國家尚未見有關(guān)耕地拋荒的官方數(shù)據(jù)報道;③需要高時間、高空間分辨率的時序遙感影像，需要擴(kuò)展耕地復(fù)種指數(shù)遙感監(jiān)測數(shù)據(jù)基礎(chǔ)，不僅僅限于常規(guī)植被指數(shù)時序數(shù)據(jù)[1]。

　　在普遍實施多熟制的熱帶亞熱帶濕潤區(qū)(如東南亞、南美熱帶雨林區(qū)等)，光學(xué)影像通常容易受到云干擾，時序遙感數(shù)據(jù)可獲得性不理想，給基于植被指數(shù)時序特征的遙感監(jiān)測方法帶來嚴(yán)峻挑戰(zhàn)[17,20-21]。農(nóng)作物種植制度遙感監(jiān)測，需要“雙高”乃至“三高”(高時空譜)時序遙感影像數(shù)據(jù)，其原因在于：①高時間分辨率時序遙感影像，才能確保有效地獲取能區(qū)分不同熟制區(qū)域的季節(jié)性差異，實現(xiàn)耕作區(qū)信息提取;②世界上很多發(fā)展中國家(如中國以及很多非洲國家)，仍以小農(nóng)農(nóng)業(yè)為主，地塊破碎，耕地撂荒集中于山區(qū)，需要較高空間分辨率的時序遙感影像數(shù)據(jù)，才能有效地緩解混合像元問題[11,22-23]。

　　2.2大尺度耕地復(fù)種指數(shù)數(shù)據(jù)產(chǎn)品研究進(jìn)展

　　在全球尺度上，澳大利亞學(xué)者利用2000年左右國家或次國家尺度26種不同農(nóng)作物種植區(qū)域、全球耕地分布以及作物收割面積，確定多熟制種植分布區(qū)域，首次獲得全球30弧分多熟制種植分布圖[24]。中科院空天院吳炳方研究團(tuán)隊，最新發(fā)布了全球30m分辨率的2016—2018年耕地復(fù)種指數(shù)均值分布數(shù)據(jù)產(chǎn)品(GCI30)[17]。

　　這些全球尺度的耕地復(fù)種指數(shù)數(shù)據(jù)產(chǎn)品，為支撐在可持續(xù)發(fā)展框架下實施糧食安全倡議具有重要意義。然而，由于全球不同農(nóng)業(yè)系統(tǒng)的復(fù)雜性以及植被指數(shù)時序數(shù)據(jù)可獲得性差異(如熱帶亞熱帶濕潤區(qū)多云多雨，光學(xué)影像時序數(shù)據(jù)收到嚴(yán)重干擾)，全球耕地復(fù)種指數(shù)數(shù)據(jù)產(chǎn)品精度存在很大的不確定性[17]。雖然耕地復(fù)種指數(shù)在糧食生產(chǎn)中的重要性得到高度關(guān)注，但大尺度長時序耕地復(fù)種指數(shù)數(shù)據(jù)產(chǎn)品依然相對匱乏[25]。在洲際和國家尺度上，耕地復(fù)種指數(shù)相關(guān)研究由來已久，積累了較為豐富的研究成果與數(shù)據(jù)產(chǎn)品[4]。

　　然而，目前相關(guān)數(shù)據(jù)集，主要分布在亞洲和中國，集中在個別或少數(shù)年份，跨年代逐年時空連續(xù)數(shù)據(jù)產(chǎn)品相對匱乏[1,25]。雖然近年來逐漸涌現(xiàn)出國家尺度長時序耕地復(fù)種指數(shù)時空分布數(shù)據(jù)成果，但多為截至2018年以前、低分辨率(如500m)的數(shù)據(jù)產(chǎn)品。隨著“三高”時序遙感影像數(shù)據(jù)的不斷豐富以及GoogleEarthEngine(GEE)等云計算服務(wù)能力的加強(qiáng)，大尺度高精度高時效耕地復(fù)種指數(shù)數(shù)據(jù)產(chǎn)品必將逐步涌現(xiàn)。

　　3農(nóng)作物種植結(jié)構(gòu)遙感監(jiān)測研究進(jìn)展

　　3.1農(nóng)作物時序遙感特征參數(shù)研究進(jìn)展

　　分析獲取有效的遙感特征參數(shù)，是地表覆蓋遙感制圖的關(guān)鍵要素[29]�；�于多波段信息的光譜指數(shù)，如植被指數(shù)，為植被生長狀態(tài)監(jiān)測提供有用信息，有助于提高遙感分類精度[30]。然而，基于可見光和近紅外波段的常規(guī)植被指數(shù)，很難剝離不同農(nóng)作物、不同物候期的光譜差異[31]。

　　因此，有必要充分有效利用短波紅外和紅邊波段等光譜信息，拓展農(nóng)作物時序遙感特征參數(shù)。紅邊波段(680~750nm)存在很強(qiáng)的葉綠素吸收和葉片反射[32]，與植被光合作用能力密切相關(guān)，能有效監(jiān)測植被結(jié)構(gòu)與功能屬性。最近研究表明，紅邊波段能用于揭示葉面積和營養(yǎng)元素含量等變化信息[33]。短波紅外波段，對植被葉片含水量敏感，能有效地揭示植被葉片含水量變化[34]。例如，Sentinel-2MSI數(shù)據(jù)的第一和第三紅邊波段，分別與葉綠素含量和葉片結(jié)構(gòu)變化密切相關(guān)，用于監(jiān)測植被物候變化也非常有效[35]。相比紅邊和短波紅外反射率而言，在此基礎(chǔ)上構(gòu)建的多維度新型光譜指數(shù)，對于揭示不同農(nóng)作物生長發(fā)育過程特性更為有效[36]。

　　例如，葉綠素[37-38]、類胡蘿卜素[39-40]、花青素[41]、氮營養(yǎng)指數(shù)[42]、水體指數(shù)[43]、干物質(zhì)指數(shù)[44]、作物殘留物[45]等系列光譜指數(shù)。葉綠素、類胡蘿卜素和花青素3大植被色素，對植被生長發(fā)育中發(fā)揮重要作用[46]。葉綠素，是植被光合作用能力和生長發(fā)育階段的指示器[37]。類胡蘿卜素，作為植被葉綠體第二大色素，具有吸收傳遞光能和光保護(hù)功能[39]�；ㄇ嗨�，作為第三類重要的植被色素，植被呈色物質(zhì)大部分與之相關(guān)[41]。不同色素在農(nóng)作物不同生長階段發(fā)揮重要作用，色素含量隨著農(nóng)作物生長發(fā)育呈現(xiàn)規(guī)律性變化，最近研究表明植被色素變化能更好地估計植被光合物候[46]。

　　3.2基于物候的大尺度農(nóng)作物自動制圖研究進(jìn)展及其所面臨的挑戰(zhàn)

　　農(nóng)作物種植結(jié)構(gòu)，可以基于不同農(nóng)作物分布圖或結(jié)合抽樣統(tǒng)計的方式獲取[54]。建立高效的農(nóng)作物遙感監(jiān)測方法，獲得小試驗區(qū)或者整個研究區(qū)農(nóng)作物分布數(shù)據(jù)的質(zhì)量，是開展農(nóng)作物種植結(jié)構(gòu)研究的關(guān)鍵。目前大部分農(nóng)作物時序遙感制圖方法，需要依賴每種農(nóng)作物實地調(diào)研訓(xùn)練數(shù)據(jù)。收集地面調(diào)查數(shù)據(jù)成本高耗時長，難以實現(xiàn)大尺度自動推廣應(yīng)用[55]。隨著機(jī)器學(xué)習(xí)算法的迅速發(fā)展，在遙感分類領(lǐng)域中發(fā)揮越來越重要作用[56]。

　　深度學(xué)習(xí)技術(shù)，具有自適應(yīng)提取高維特征的優(yōu)勢。深度學(xué)習(xí)技術(shù)在遙感領(lǐng)域的應(yīng)用，已有不少深入全面的研究綜述[57-58]，本文不再詳細(xì)闡述。隨著大數(shù)據(jù)時代的來臨，基于深度學(xué)習(xí)技術(shù)的農(nóng)作物遙感制圖方法，已經(jīng)成為農(nóng)業(yè)遙感領(lǐng)域極具應(yīng)用前景的熱點研究方向。然而，包括深度學(xué)習(xí)在內(nèi)的基于訓(xùn)練數(shù)據(jù)驅(qū)動的算法，不足之處在于大尺度推廣應(yīng)用時通常需要增加新的訓(xùn)練樣本數(shù)據(jù)，否則可能導(dǎo)致由于不同區(qū)域或年份農(nóng)作物時序信號存在差異而難以正確判別[59]。

　　3.3大尺度農(nóng)作物時空分布數(shù)據(jù)產(chǎn)品研究進(jìn)展

　　全球尺度農(nóng)作物分布數(shù)據(jù)產(chǎn)品，多通過遙感與統(tǒng)計數(shù)據(jù)相結(jié)合，提供了基于10km網(wǎng)格內(nèi)主要農(nóng)作物占耕地的百分比數(shù)據(jù)[73]。這些全球農(nóng)作物空間分布產(chǎn)品，多為基于農(nóng)作物統(tǒng)計信息的空間化表達(dá)，統(tǒng)計數(shù)據(jù)時效性不足，難以滿足行業(yè)應(yīng)用需求。

　　美國地質(zhì)勘探局資助的GFSAD30項目利用多傳感器遙感數(shù)據(jù)，提供全球尺度農(nóng)田動態(tài)信息，農(nóng)作物類型識別精度能達(dá)到1km。在國家尺度上，美國農(nóng)業(yè)部生產(chǎn)覆蓋全美30m農(nóng)田數(shù)據(jù)集(CroplandDataLayer(CDL)product)[74](表2)。加拿大利用監(jiān)督分類方法獲取國家尺度年度作物類型分布信息[75-76]。但是，國家尺度中等分辨率(30m)業(yè)務(wù)化運行的農(nóng)作物分布數(shù)據(jù)產(chǎn)品，目前僅局限于美國、加拿大等少數(shù)歐美國家[76]。

　　4研究展望

　　4.1創(chuàng)新農(nóng)作物種植制度研究框架

　　耕地復(fù)種指數(shù)和作物類型信息獲取，為土地變化科學(xué)領(lǐng)域最具挑戰(zhàn)性的任務(wù)[67]。如何有效識別撂荒地，依然屬于復(fù)種指數(shù)遙感監(jiān)測的盲區(qū)[12]。截止目前為止，全球農(nóng)作物空間分布產(chǎn)品分辨率和空間精度相對較低，難以滿足行業(yè)應(yīng)用需求。實現(xiàn)中高分辨率農(nóng)作物種植制度遙感監(jiān)測的業(yè)務(wù)化運行，依然任重道遠(yuǎn)。因此，有必要創(chuàng)新農(nóng)作物種植制度研究框架。

　　(1)創(chuàng)建不依賴現(xiàn)有耕地分布數(shù)據(jù)、直接提取耕作區(qū)域的遙感監(jiān)測框架與方法。雖然全國乃至全球土地利用/覆蓋數(shù)據(jù)產(chǎn)品越來越豐富，但通常并未提供實際耕作區(qū)或休耕地分布信息[81]。休耕或撂荒耕地，在土地利用變化科學(xué)領(lǐng)域通常屬于被遺忘的角落�；�于目前耕地復(fù)種指數(shù)遙感監(jiān)測方法框架，撂荒或休耕區(qū)域信息提取方法通常相對比較簡單。由于城市化進(jìn)程等多種因素導(dǎo)致耕地時空格局持續(xù)變化，以及由于多種農(nóng)作物種植制度差異引起耕地光譜特征復(fù)雜多樣，耕地空間分布數(shù)據(jù)精度、時效性以及時空連續(xù)性依然有待提高[12,82]。擺脫對現(xiàn)有耕地分布數(shù)據(jù)的依賴，系統(tǒng)分析不同作物類型以及作物與非作物類型的時序光譜差異，建立直接提取國家尺度耕作區(qū)域的耕作區(qū)專題制圖方法。

　　(2)建立涵蓋不同熟制和農(nóng)作物種植模式的新型農(nóng)作物種植制度一體化遙感監(jiān)測框架與技術(shù)方法。雖然在耕地復(fù)種指數(shù)和農(nóng)作物分布制圖方面分別均有不少研究進(jìn)展和相關(guān)數(shù)據(jù)產(chǎn)品，但全面考慮不同作物熟制和多種農(nóng)作物類型的相關(guān)研究與數(shù)據(jù)產(chǎn)品依然非常罕見。由于農(nóng)作物種植模式多樣性(比如：冬小麥-玉米、冬小麥-水稻、冬小麥-大豆、雙季稻、煙葉-水稻、稻稻菜等)、農(nóng)作物物候與農(nóng)作物長勢差異等多方面因素，同一熟制下植被指數(shù)時序特征復(fù)雜多變[83]。

　　隨著人民生活水平的提高與飲食結(jié)構(gòu)的變化，農(nóng)作物產(chǎn)品種類不斷豐富多樣，對農(nóng)作物遙感監(jiān)測提出了新要求。在農(nóng)作物種植制度遙感監(jiān)測研究主題方面，從少數(shù)大宗農(nóng)作物到覆蓋更多農(nóng)作物種植模式的大尺度長時序自動制圖，依然是今后需要長期努力的發(fā)展方向[84]。

　　未來可以嘗試拋棄目前常用的耕地掩膜-剔除撂荒區(qū)-熟制識別-農(nóng)作物制圖按步驟分別實施策略，建立農(nóng)作物種植制度一體化遙感監(jiān)測技術(shù)框架，實現(xiàn)涵蓋不同熟制與農(nóng)作物類型的農(nóng)作物種植制度一體化信息提取。加強(qiáng)新型多維度遙感指數(shù)及物候指標(biāo)設(shè)計，融合多源數(shù)據(jù)拓展時序遙感特征參數(shù)創(chuàng)新農(nóng)作物種植制度研究框架，實現(xiàn)農(nóng)作物種植制度一體化信息提取，關(guān)鍵在于拓展農(nóng)作物種植制度監(jiān)測的時序遙感特征參數(shù)。多源遙感數(shù)據(jù)融合，有助于形成更高維度的時空譜遙感大數(shù)據(jù)，提升特征提取與綜合應(yīng)用能力[12,85]。

　　參考文獻(xiàn)(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]楊婷,趙文利,王哲怡,等.基于遙感影像NDVI數(shù)據(jù)的中國種植制度分布變化[J].中國農(nóng)業(yè)科學(xué),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]閆慧敏,劉紀(jì)遠(yuǎn),曹明奎.近20年中國耕地復(fù)種指數(shù)的時空變化[J].地理學(xué)報,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*，閆超，黃穩(wěn)清