作物遙感精細(xì)識別與自動制圖研究進(jìn)展與展望

劉 哲 劉帝佑 朱德海 張 琳 昝糈莉 童 亮

(1.中國農(nóng)業(yè)大學(xué)土地科學(xué)與技術(shù)學(xué)院， 北京 100083；2.中國農(nóng)業(yè)大學(xué)農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)災(zāi)害遙感重點(diǎn)實(shí)驗(yàn)室， 北京 100083；3.中國農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院， 北京 100083)

0 引言

隨著全球人口的持續(xù)增長和氣候環(huán)境劇變，如何在確保糧食安全的同時(shí)兼顧社會、環(huán)境資源的可持續(xù)發(fā)展將是一個(gè)嚴(yán)峻的挑戰(zhàn)，也對農(nóng)業(yè)生產(chǎn)及經(jīng)營調(diào)控提出了更高的要求。自20世紀(jì)90年代以來許多學(xué)者開展了相關(guān)研究。結(jié)合衛(wèi)星導(dǎo)航系統(tǒng)[1]和地球衛(wèi)星觀測系統(tǒng)[2-4]，在農(nóng)業(yè)地塊上的單點(diǎn)變量監(jiān)測、作物生長模擬和產(chǎn)量估計(jì)方面取得了較大的進(jìn)展，“精準(zhǔn)農(nóng)業(yè)”的概念也同時(shí)被提出。隨著更多的新興技術(shù)與理念的出現(xiàn)，如生物技術(shù)、遙感技術(shù)、云計(jì)算、物聯(lián)網(wǎng)和人工智能，并逐漸應(yīng)用到農(nóng)業(yè)領(lǐng)域的各個(gè)環(huán)節(jié)，“智慧農(nóng)業(yè)”的概念成為新的時(shí)代共識[5]。而智慧農(nóng)業(yè)，以各個(gè)環(huán)節(jié)的數(shù)字信息流動為基礎(chǔ)，深度結(jié)合以人工智能為核心的分析與決策手段，在確保農(nóng)業(yè)糧食安全的同時(shí)兼顧環(huán)境與資源的可持續(xù)性，有助于真正實(shí)現(xiàn)農(nóng)業(yè)的可持續(xù)發(fā)展。

而在智慧農(nóng)業(yè)的各種場景中，不管是面向種植過程的作物長勢監(jiān)測、作物關(guān)鍵生育期的風(fēng)險(xiǎn)脅迫評估，面向收獲的成熟期預(yù)測、作物產(chǎn)量估計(jì)，還是面向宏觀調(diào)控的作物種植結(jié)構(gòu)調(diào)整與優(yōu)化等，作物類型識別與制圖數(shù)據(jù)產(chǎn)品都是各個(gè)農(nóng)業(yè)應(yīng)用場景的一種基礎(chǔ)支撐數(shù)據(jù)[6-8]。隨著遙感技術(shù)的發(fā)展，作物類型識別與制圖在國內(nèi)外也取得很大進(jìn)展。美國在1974年和1980年，分別制定了LACIE(Large area crop inventory experiment)和AgRISTARS(Agriculture and resources inventory surveys through aerospace remote sensing)計(jì)劃，開展全球范圍內(nèi)主要作物的識別、多種糧食作物的長勢監(jiān)測和產(chǎn)量估算；歐盟在1987年提出MARS(Monitoring agricultural with remote sensing)計(jì)劃，開展基于遙感的歐盟農(nóng)業(yè)統(tǒng)計(jì)及獲取作物相關(guān)信息；與此同時(shí)，其它國家如俄羅斯、法國、德國、日本等也有遙感作物識別相關(guān)的研究[9]。我國農(nóng)業(yè)遙感開始于1979年聯(lián)合國糧農(nóng)組織在中國農(nóng)業(yè)大學(xué)援建的“中國農(nóng)業(yè)遙感應(yīng)用與培訓(xùn)中心”，隨后在遙感作物識別、種植面積提取、作物長勢監(jiān)測與估產(chǎn)等方面發(fā)展和探索了系列技術(shù)方法[10-12]。

經(jīng)過幾十年的發(fā)展，基于遙感的作物類型識別與制圖取得快速發(fā)展，而隨著農(nóng)業(yè)發(fā)展進(jìn)入智慧農(nóng)業(yè)時(shí)代，對作物類型識別與制圖產(chǎn)品在空間范圍、實(shí)時(shí)性、產(chǎn)品精度等方面提出新的需求。而對地觀測技術(shù)的進(jìn)一步發(fā)展，如我國GF系列衛(wèi)星、歐空局的Sentinel系列衛(wèi)星，全球范圍的微小衛(wèi)星星座計(jì)劃(如Planlab等)，以及各種無人機(jī)平臺，為獲取全球覆蓋、無縫的高時(shí)空地表反射數(shù)據(jù)奠定了堅(jiān)實(shí)的數(shù)據(jù)基礎(chǔ)；與此同時(shí)，數(shù)字影像處理技術(shù)、機(jī)器學(xué)習(xí)，特別是深度學(xué)習(xí)為核心的人工智能技術(shù)的突破進(jìn)展，為獲得滿足智慧農(nóng)業(yè)需求的作物類型識別與制圖產(chǎn)品提供了新的方法與手段。

本文從3方面：小尺度、近實(shí)時(shí)、高精度的作物識別，大尺度、可靠精度的自動化作物制圖，由確認(rèn)監(jiān)測型向提前預(yù)判型和特定作物類型轉(zhuǎn)變的作物識別與制圖模式，來闡述智慧農(nóng)業(yè)時(shí)代的作物類型識別與制圖面臨的新需求和新變化，總結(jié)國內(nèi)外面對這些新變化所開展的研究工作以及存在的科學(xué)問題和技術(shù)難題，并對遙感作物識別與制圖研究與應(yīng)用予以展望。

1 小尺度、近實(shí)時(shí)和高精度作物識別

遙感技術(shù)的高速發(fā)展促使農(nóng)業(yè)生產(chǎn)和研究從傳統(tǒng)階段進(jìn)入精細(xì)化、定量化和機(jī)理化階段，尤其是高分辨率影像使得地物精細(xì)分類和監(jiān)測成為可能[13]。智慧農(nóng)業(yè)時(shí)代，人們希望能夠通過對農(nóng)業(yè)生產(chǎn)環(huán)境的智能感知與預(yù)警，實(shí)現(xiàn)農(nóng)業(yè)生產(chǎn)的種植精準(zhǔn)化、管理可視化、分析決策智能化，要實(shí)現(xiàn)該目標(biāo)除了需要大尺度的農(nóng)業(yè)遙感監(jiān)測支撐之外，還需要獲取村級乃至地塊級的農(nóng)作物生長信息。與大范圍的農(nóng)業(yè)監(jiān)測主要服務(wù)于宏觀決策不同，小尺度(農(nóng)田尺度或試驗(yàn)小區(qū))的農(nóng)情或表型信息可直接用于栽培管理優(yōu)化、育種決策分析等應(yīng)用，具有更大的應(yīng)用潛力[14-15]，但是對影像數(shù)據(jù)的時(shí)效性、空間分辨率、提取的作物信息的精度等都有更嚴(yán)格的要求。

目前用于小尺度農(nóng)情監(jiān)測的影像主要是高分辨率的衛(wèi)星影像以及無人機(jī)遙感影像[16-17]。ZARCO-TEJADA等[18]利用1m空間分辨率的ROSIS高光譜影像估算了西班牙南部地區(qū)橄欖樹林的葉面葉綠素含量；競霞等[19]利用高分辨率IKONOS影像提取一系列植被指數(shù)，包括增強(qiáng)植被指數(shù)(EVI)、再歸一化植被指數(shù)(RDVI)、差值植被指數(shù)(DVI)、修改型土壤調(diào)整植被指數(shù)(MSAVI)、歸一化植被指數(shù)(NDVI)等，有效地估測了棉花黃萎病的病情嚴(yán)重度；較多的學(xué)者研究表明，無人機(jī)影像相對衛(wèi)星影像而言，具有低成本、高時(shí)間、高空間分辨率的特點(diǎn)，在精細(xì)化的農(nóng)業(yè)管理方面更具優(yōu)勢[20]，例如小范圍的農(nóng)作物倒伏監(jiān)測[21]、農(nóng)作物的種植密度估計(jì)[22]等。

田間作物表型信息是揭示作物生長發(fā)育規(guī)律及其與環(huán)境關(guān)系的重要依據(jù)，準(zhǔn)確快速地獲取作物表型信息可以為現(xiàn)代農(nóng)業(yè)的發(fā)展提供技術(shù)支撐[23]。借力于光學(xué)傳感器的快速發(fā)展，小尺度的農(nóng)情監(jiān)測使非破壞性、快速實(shí)時(shí)地估計(jì)作物表型成為可能，當(dāng)前估算的表型特征主要包括：株高、葉面積指數(shù)(LAI)以及作物倒伏等。作物株高是反映作物生長狀態(tài)的有效指標(biāo)，與生物量、LAI產(chǎn)量等有顯著的相關(guān)關(guān)系。利用無人機(jī)獲取的可見光成像數(shù)據(jù)，通過構(gòu)建作物表面模型(CVMS)可以提取作物的株高信息[24-25]。光譜特征分析可以依據(jù)植物對光譜的吸收、反射特性識別植物的不同性狀，例如通過對光譜反射數(shù)據(jù)進(jìn)行經(jīng)驗(yàn)性處理構(gòu)建大量的植被指數(shù)可用于預(yù)測作物L(fēng)AI、生物量以及葉綠素含量等。歸一化植被指數(shù)、可見光大氣阻抗植被指數(shù)(Visible atmospherically resistant index, VARI)、修正的土壤調(diào)節(jié)植被指數(shù)可用于預(yù)測作物L(fēng)AI[16, 26-27]；再歸一化植被指數(shù)可用于預(yù)測作物生物量[28]。作物倒伏是常見的農(nóng)業(yè)自然災(zāi)害之一，基于遙感的農(nóng)業(yè)自然災(zāi)害監(jiān)測可以彌補(bǔ)傳統(tǒng)方法費(fèi)事費(fèi)力的缺點(diǎn)，有較好的應(yīng)用前景[29]。部分學(xué)者提出無人機(jī)影像中的紋理特征和顏色特征有利于區(qū)域尺度的倒伏評估[30-31]；HAN等[32]利用統(tǒng)計(jì)方法計(jì)算無人影像的各項(xiàng)特征因子，如紋理特征、光譜特征等，并通過構(gòu)建nomogram 預(yù)測北京市昌平區(qū)小湯山國家精準(zhǔn)農(nóng)業(yè)研究基地的玉米倒伏情況。

小尺度農(nóng)情監(jiān)測依賴于高分辨率的遙感影像，如今隨著傳感器技術(shù)的快速發(fā)展，我們能獲取大量的高時(shí)空分辨率遙感影像，但受限于計(jì)算機(jī)性能，遙感影像的快速處理仍存在問題；同時(shí)，通過遙感構(gòu)建的作物表型模型普適性較差，針對不同作物、不同種植區(qū)域存在參數(shù)乃至模型有效性的問題；而且遙感反演模型本身的誤差會降低作物表型信息解析精度，后期研究可以通過融合多源遙感信息、環(huán)境以及作物生理學(xué)知識提高作物表型反演精度[23]。

2 大尺度、可靠精度的自動化作物制圖

大尺度指區(qū)域、國家乃至全球尺度，該尺度下的作物識別與制圖產(chǎn)品更多服務(wù)于宏觀的應(yīng)用與決策，如作物的長勢監(jiān)測、災(zāi)害風(fēng)險(xiǎn)評估、產(chǎn)量預(yù)測以及作物種植結(jié)構(gòu)的監(jiān)測與優(yōu)化等。將遙感技術(shù)引入農(nóng)業(yè)領(lǐng)域，開展作物識別與制圖的研究與應(yīng)用，最初的目的是為了解決傳統(tǒng)作物抽樣調(diào)查無法獲得大范圍面狀的作物空間分布信息。但是受限于當(dāng)時(shí)的遙感技術(shù)發(fā)展水平，難以獲得高時(shí)空分辨率的遙感數(shù)據(jù)，因此大尺度的作物識別與制圖多采用MODIS數(shù)據(jù)，得到的通常是250、500、1 000 m的粗糙空間分辨率的作物識別與制圖產(chǎn)品[33-37]。

在智慧農(nóng)業(yè)時(shí)代，對大尺度的作物識別與制圖產(chǎn)品有了更高的要求，首先需要這些產(chǎn)品具有更高空間分辨率，如從30 m 到10 m[38]?？焖侔l(fā)展的遙感技術(shù)為獲取大范圍、高時(shí)空分辨遙感數(shù)據(jù)奠定了堅(jiān)實(shí)的數(shù)據(jù)基礎(chǔ)；同時(shí)云計(jì)算和機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等人工智能技術(shù)為海量遙感存儲管理及分析計(jì)算奠定了存儲、計(jì)算與分析基礎(chǔ)。因此，數(shù)據(jù)與存儲、計(jì)算與分析能力的發(fā)展為獲取大范圍、高空間分辨率、可靠精度的作物識別與制圖產(chǎn)品帶來巨大的機(jī)遇，同時(shí)也帶來“時(shí)空大數(shù)據(jù)”、分類方法適應(yīng)性等關(guān)鍵問題與難題。

2.1 大范圍遙感數(shù)據(jù)獲取、存儲管理與計(jì)算分析

開展大范圍高空間分辨率的遙感作物識別與制圖，在數(shù)據(jù)處理、存儲管理與計(jì)算分析等方面都面臨著新的挑戰(zhàn)。過去大范圍作物識別與制圖產(chǎn)品使用的MODIS數(shù)據(jù)，寬幅大、空間分辨率小，覆蓋一個(gè)大區(qū)域需要的數(shù)據(jù)量相對不大，而制作高空間分辨率的作物識別與制圖產(chǎn)品，目前符合條件的遙感數(shù)據(jù)源有GF-1 WFV、Sentinel-2和Landsat-8，全覆蓋一個(gè)大區(qū)域的數(shù)據(jù)量將是海量的。以京津冀地區(qū)(約21.7156萬km2)2017年全覆蓋影像數(shù)據(jù)為例，如圖1和表1所示，從MODIS、Landsat-8、GF-1 WFV到Sentinel-2，數(shù)據(jù)的時(shí)空分辨率越來越高，其數(shù)據(jù)量也急劇增長，就全年數(shù)據(jù)量而言，Sentinel-2大約是MODIS 8 d合成地表反射率數(shù)據(jù)的250倍。除了海量數(shù)據(jù)之外，遙感數(shù)據(jù)在用于作物識別研究前，還需要一系列復(fù)雜、繁瑣的預(yù)處理過程(如輻射定標(biāo)、大氣校正、云檢測以及幾何配準(zhǔn)等步驟)，而傳統(tǒng)的單機(jī)、人工處理模式在人力成本和時(shí)間成本上都是無法接受的。因此，適應(yīng)海量遙感空間大數(shù)據(jù)存儲管理與計(jì)算分析的新工具、新平臺成為迫切的需求。

圖1 4種遙感數(shù)據(jù)在京津冀地區(qū)的全覆蓋示意圖Fig.1 Full coverage of four remote sensing data in Beijing-Tianjin-Hebei region

Google Earth Engine(GEE)是當(dāng)下空間大數(shù)據(jù)平臺中最為知名的平臺，是Google公司推出的一個(gè)基于云環(huán)境下全球尺度的地理空間分析平臺。該平臺上開放了PB級的空間數(shù)據(jù)，包含幾十種矢量和柵格數(shù)據(jù)集，如行政邊界數(shù)據(jù)、MODIS、Landsat和Sentinel遙感數(shù)據(jù)等；Google數(shù)據(jù)中心還為GEE平臺提供了內(nèi)在的并行計(jì)算訪問，使之具有強(qiáng)大的計(jì)算能力，用戶可以通過互聯(lián)網(wǎng)調(diào)用API形式訪問和使用GEE平臺的數(shù)據(jù)與計(jì)算能力[39-41]。當(dāng)前，全球范圍的科學(xué)家基于GEE開展了很多科學(xué)研究，如PATEL等[42]基于GEE開展了多年的居住區(qū)和人口制圖，JOHANSEN 等[43]基于GEE在澳大利亞開展了植被制圖，LEE等[44]基于GEE開展了油棕探測研究。當(dāng)然，也有不少學(xué)者在GEE上開展大范圍的作物識別與制圖相關(guān)研究工作[45-48]。除此之外，全球還有不少科研團(tuán)隊(duì)在海量多源數(shù)據(jù)的時(shí)空框架設(shè)計(jì)方面開展了相關(guān)研究與應(yīng)用。如澳大利亞地球科學(xué)局LEWIS等[49]通過將OpenStack搭建在澳大利亞國立大學(xué)國家計(jì)算中心的超級計(jì)算機(jī)上，建立了數(shù)據(jù)立方體，在地表水資源觀測、多源數(shù)據(jù)融合和水資源質(zhì)量監(jiān)測等方面進(jìn)行了廣泛應(yīng)用。浙江大學(xué)戚將輝等[50]利用大數(shù)據(jù)技術(shù)與智能化思想，研究空間信息組織模型，探索構(gòu)建了一個(gè)智能化的空間信息立方體，滿足空間信息發(fā)現(xiàn)和智能化預(yù)測等應(yīng)用需求。YE等[51]設(shè)計(jì)了RDCRMG格網(wǎng)體系，可對多源柵格數(shù)據(jù)進(jìn)行切分和統(tǒng)一編碼，實(shí)現(xiàn)了多源遙感數(shù)據(jù)的格網(wǎng)化存儲、管理和計(jì)算；同時(shí)YAO等[52-53]研究了基于Hadoop大數(shù)據(jù)平臺的矢量數(shù)據(jù)空間劃分方法和編碼規(guī)則，實(shí)現(xiàn)了全國尺度的矢量數(shù)據(jù)計(jì)算和可視化。

表1 京津冀地區(qū)2017年4種遙感數(shù)據(jù)信息統(tǒng)計(jì)Tab.1 Statistical information of four remote sensing data in 2017 in Beijing-Tianjin-Hebei region

綜上所述，在大范圍開展可靠精度的遙感作物識別與制圖面臨著海量數(shù)據(jù)預(yù)處理、存儲管理和分析計(jì)算的問題，而類似GEE這種同時(shí)提供數(shù)據(jù)與計(jì)算能力的新型空間大數(shù)據(jù)云平臺，使得大范圍、可靠精度的作物識別與制圖成為可能。

2.2 適應(yīng)大范圍遙感作物識別的方法與方案

基于遙感數(shù)據(jù)實(shí)現(xiàn)作物識別與制圖，主要實(shí)施過程為：針對目標(biāo)對象從遙感數(shù)據(jù)中尋找合適的區(qū)分特征，將區(qū)分特征作為某種分類算法的輸入?yún)?shù)，經(jīng)過運(yùn)算后獲得某個(gè)時(shí)空范圍內(nèi)的作物分布結(jié)果。由此可見，除了遙感數(shù)據(jù)外，基于遙感的作物識別主要考慮兩個(gè)要素：區(qū)分特征和分類算法?？偨Y(jié)國內(nèi)外的遙感作物分類研究可知，從遙感數(shù)據(jù)中常被選為區(qū)分特征的有：光譜及其衍生指數(shù)信息、紋理信息、時(shí)間序列的閾值和變化信息。而分類算法的選擇則與計(jì)算機(jī)領(lǐng)域的發(fā)展密切相關(guān)。

在區(qū)分特征中，光譜及其衍生指數(shù)的信息相對容易獲得也是最常用的。陳思寧等[35]基于MODIS數(shù)據(jù)利用波譜分析方法對東北三省作物類型的空間分布進(jìn)行了研究。鄭利娟[54]針對GF-1 PMS數(shù)據(jù)，對融合后的2 m數(shù)據(jù)采用多特征的面向?qū)ο蠓诸惙椒ㄟM(jìn)行作物類型區(qū)分，取得了較好的分類效果。FORKUOR等[55]利用RapidEye和TerraSAR-X數(shù)據(jù)融合后的光譜信息進(jìn)行農(nóng)作物分類。UPADHYAY等[56]對DigitalGlobe的WorldView-2多光譜數(shù)據(jù)集中的新增附加波段進(jìn)行評估，發(fā)現(xiàn)WorldView-2中原有的第5、7波段和新增的第4、6、8波段對于作物識別非常重要。用紋理信息作為區(qū)分特征進(jìn)行作物分類研究，通常在高分辨率(米級或亞米級以下)的影像數(shù)據(jù)上能獲得較好的分類效果[57]，但是在一個(gè)作物生育期內(nèi)，獲取大范圍全覆蓋的高分辨率非常困難，因此紋理信息通常在小范圍的分類理論方法探索研究中使用。張超等[58]針對制種玉米種植特點(diǎn)，在新疆維吾爾自治區(qū)奇臺縣坎爾孜鄉(xiāng)，通過利用多時(shí)相1 m分辨率GF-2 PAN遙感影像的EVI 數(shù)據(jù)結(jié)合Sobel邊緣檢測算子和Hough 變換方法進(jìn)行紋理特征提取，實(shí)現(xiàn)了制種玉米地的識別。CHUANG等[59]在臺灣地區(qū)中部，利用WorldView-2影像的波段信息和灰度共生矩陣(GLCM)紋理信息獲得80個(gè)變量作為分類算法的輸入，實(shí)現(xiàn)了亞熱帶地區(qū)的茶樹識別。隨著國內(nèi)外對地觀測技術(shù)的發(fā)展，具有高時(shí)空分辨率(時(shí)間分辨率在4～5 d或更高，空間分辨率在10～30 m，如GF-1、Sentinel-2)衛(wèi)星數(shù)據(jù)越來越多，能反映作物在一個(gè)生育期內(nèi)生長變化的時(shí)間序列信息越來越受到關(guān)注且被大量使用。黃健熙等[60]使用GF-1 WFV數(shù)據(jù)構(gòu)建多時(shí)相多植被指數(shù)特征，對黑龍江省黑河市嫩江縣進(jìn)行了主要農(nóng)作物面積提取。賀鵬等[61]使用多時(shí)相GF-1數(shù)據(jù)，對黑龍江農(nóng)墾趙光農(nóng)場開展作物分類研究。TATSUMI等[62]利用Landsat 7影像的EVI時(shí)間序列特征進(jìn)行了遙感作物分類，發(fā)現(xiàn)EVI的總和、方差以及多樣性對作物分類精度有很大的影響。INGLADA等[63]在法國西南部，使用Sentinel-1和Landsat-8的融合時(shí)間序列特征，開展了早期作物識別研究，發(fā)現(xiàn)融合SAR數(shù)據(jù)可以規(guī)避可見光影像受云的影響。而隨著小衛(wèi)星群對地觀測技術(shù)的進(jìn)一步發(fā)展，大范圍全覆蓋的高時(shí)空分辨率數(shù)據(jù)將越來越多，多種區(qū)分特征協(xié)同是一種趨勢，也將會進(jìn)一步促進(jìn)大范圍作物分類的研究與應(yīng)用。

遙感作物分類算法與數(shù)字影像處理、機(jī)器學(xué)習(xí)等領(lǐng)域的發(fā)展密切相關(guān)。機(jī)器學(xué)習(xí)屬于人工智能的范疇，從20世紀(jì)50年代到現(xiàn)在，人工智能的發(fā)展經(jīng)歷多個(gè)階段，形成了不同的學(xué)派[64],而遙感分類算法往往傾向使用在某個(gè)時(shí)段處于主流的算法?；谶b感開展作物分類研究從2000年以來逐漸增多，在這期間使用較多的分類算法有決策樹[65-67]、貝葉斯[68]、神經(jīng)網(wǎng)絡(luò)[69-71]、支持向量機(jī)[71-74]和隨機(jī)森林[62]。自2010年以來，深度學(xué)習(xí)在人工智能領(lǐng)域迅猛發(fā)展，將深度學(xué)習(xí)用于遙感作物分類的研究也迅速增加，在多數(shù)場景下能夠比經(jīng)典算法獲得更優(yōu)的分類效果[75-76]。

然而，在大尺度的場景下，因?yàn)檫b感衛(wèi)星的軌道參數(shù)、云遮擋等因素而導(dǎo)致的遙感影像數(shù)據(jù)覆蓋狀態(tài)在時(shí)空維度上存在不平衡、不規(guī)則的問題；加之不同地區(qū)物候、農(nóng)事活動的差異而導(dǎo)致作物生育期和生長狀態(tài)的不同，從而有可能擴(kuò)大類內(nèi)差異，縮小類間差異，進(jìn)而增大遙感作物分類識別的難度[46,77-78]。當(dāng)前遙感作物識別中常用的區(qū)分特征、分類方法并不能很好地解決上述問題，對此，PETITJEAN等[77]引入語音識別領(lǐng)域的DTW(Dynamic time warping)算法，能夠有效克服大范圍下遙感影像時(shí)間序列不規(guī)則的問題。YOU等[79]和WANG等[80]從遙感時(shí)間序列影像中提取像素的頻譜直方圖，以此作為深度卷積神經(jīng)網(wǎng)絡(luò)的輸入進(jìn)行產(chǎn)量估算研究，這些研究從遙感數(shù)據(jù)中獲取的頻譜直方圖有別于前述的3種區(qū)分特征，而且這種直方圖特征很適合當(dāng)前在計(jì)算機(jī)視覺領(lǐng)域取得突破性進(jìn)展的深度卷積神經(jīng)網(wǎng)絡(luò)，為從遙感數(shù)據(jù)中獲取區(qū)分特征提出一種新的思路，很有借鑒意義。

綜上所述，在大范圍開展可靠精度的遙感作物識別與制圖面臨著因遙感數(shù)據(jù)覆蓋的不平衡、不規(guī)則和因物候、農(nóng)事差異帶來的生育期、生長狀態(tài)不同導(dǎo)致作物分類識別難度增大的問題，需要進(jìn)一步發(fā)展新的區(qū)分特征和更加魯棒的分類方法。

2.3 科學(xué)、高效的樣本獲取與充分利用

上述分類算法都是采用監(jiān)督分類策略，必須有地面樣本數(shù)據(jù)輔助訓(xùn)練和驗(yàn)證。當(dāng)前的研究中，地面樣本數(shù)據(jù)主要有兩種獲取途徑：從高分辨率影像中目視解譯和開展地面調(diào)查。而從影像中解譯地表覆蓋相對容易，但是解譯作物類型卻很困難，在這種情況下地面調(diào)查往往必不可少。所以，當(dāng)面向大范圍實(shí)施作物分類，大量的地面輔助樣本數(shù)據(jù)的獲取必將帶來大量的人力、物力、財(cái)力消耗。因此如何科學(xué)且高效地?cái)U(kuò)大地面樣本量，成為目前大范圍遙感分類研究與應(yīng)用中亟待解決的問題。該領(lǐng)域的研究團(tuán)隊(duì)主要從優(yōu)化樣本采集、提高樣本獲取自動化水平和充分利用歷史積累數(shù)據(jù)方面解決遙感作物分類的地面樣本需求。

樣本數(shù)量、樣點(diǎn)位置選擇的好壞不僅關(guān)系到資源的有效利用，而且對后續(xù)研究結(jié)果產(chǎn)生重大影響[81]。針對這一問題，國內(nèi)外均進(jìn)行了科學(xué)采集樣本的研究與應(yīng)用，美國大面積農(nóng)作物估產(chǎn)計(jì)劃(LACIE)、農(nóng)業(yè)和資源空間遙感調(diào)查計(jì)劃(AgRISTARS)，以及歐盟的農(nóng)業(yè)遙感監(jiān)測計(jì)劃(MARS，CROP4CAST)，均建立了相應(yīng)的空間抽樣方案[82]。吳炳方等[83]提出了基于農(nóng)作物種植結(jié)構(gòu)區(qū)劃，采用整群抽樣和樣條采樣技術(shù)相結(jié)合的解決思路科學(xué)采集樣本，進(jìn)行農(nóng)作物播種面積的估算。張煥雪等[84]開展了抽樣率、格網(wǎng)大小、樣本空間分布對湖南省晚稻面積估算精度的敏感性定量分析，為農(nóng)作物種植面積監(jiān)測空間抽樣方案的選取以及確定特定的抽樣方案可以達(dá)到的面積估算水平提供了理論支撐。王迪等[85]對現(xiàn)行農(nóng)作物播種面積空間抽樣技術(shù)體系的研究發(fā)現(xiàn)，在進(jìn)行抽樣時(shí)以分縣冬小麥播種面積大小為分層標(biāo)志的分層抽樣方法效率最高?？茖W(xué)采集樣本不僅包括通過抽樣技術(shù)獲得科學(xué)的樣本空間分布，還包括不同作物類型合理的比例分配。張煥雪等[86]以黑龍江紅星農(nóng)場為研究區(qū)，基于少量已有地面調(diào)查數(shù)據(jù)，快速獲取2 016個(gè)玉米樣本、1 512個(gè)大豆樣本、504個(gè)小麥樣本，利用環(huán)境星CCD數(shù)據(jù)的NDVI時(shí)間序列在對象尺度上進(jìn)行決策樹訓(xùn)練，獲得了較滿意的分類精度。楊閆君等[87]利用GF-1數(shù)據(jù)構(gòu)建的NDVI時(shí)間序列，將1 050個(gè)樣本等比例分配為水稻、花生、冬小麥-夏玉米3種作物類型，使用多種分類方法對河北省唐山市南部區(qū)域進(jìn)行了分類研究，結(jié)果顯示，支持向量機(jī)的分類效果最好，總體精度達(dá)到96.33%。

GONG等[88]在進(jìn)行全球土地覆蓋監(jiān)測研究中，利用Global Analyst、Global Mapper的擴(kuò)展功能以及Google Earth開發(fā)了土地覆蓋的樣本數(shù)據(jù)庫系統(tǒng)，研究人員在該系統(tǒng)上通過參考2010年MODIS EVI時(shí)間序列信息和Google Earth的高分辨率影像，以人機(jī)交互的方式高效獲取大量的樣本數(shù)據(jù)。此后，在該樣本數(shù)據(jù)庫系統(tǒng)的基礎(chǔ)上，又增加了在光譜空間存在顯著差異的新樣本單元，建成包含各地主要季節(jié)物候信息的動態(tài)普適樣本訓(xùn)練數(shù)據(jù)庫，這些樣本可用于多種數(shù)據(jù)制圖且分類精度較高[89]。

在現(xiàn)有作物分類研究中，當(dāng)季樣本數(shù)據(jù)往往僅用于當(dāng)季作物分類，很少用于下一季甚至后幾季，使得每個(gè)生育期的作物分類都需要重新開展地面樣本數(shù)據(jù)采集，這也是造成采樣成本高的主要原因之一。部分學(xué)者在作物種植結(jié)構(gòu)相對穩(wěn)定的區(qū)域，探索使用歷史樣本用于當(dāng)季作物分類的方法?；跉v史樣本的遙感作物分類目前有兩種思路，一種是基于年際間同種作物的光譜相似性進(jìn)行分類。如MASSEY等[90]將美國劃分為12個(gè)生態(tài)區(qū)，使用MODIS的NDVI數(shù)據(jù)，基于歷史樣本得到不同作物不同時(shí)相的光譜區(qū)間，進(jìn)而應(yīng)用于當(dāng)季作物的分類，分類精度與使用當(dāng)年樣本進(jìn)行分類時(shí)相當(dāng)。HAO等[91]以新疆博樂和瑪納斯為實(shí)驗(yàn)區(qū)，使用ABNet方法充分利用歷史地面參考數(shù)據(jù)建立主要作物的NDVI時(shí)間序列參考曲線，開展當(dāng)年作物分類，與利用當(dāng)年樣本分類相比，博樂市基于歷史參考曲線精度低3.08%，而瑪納斯高0.61%。另一種思路是通過歷史樣本數(shù)據(jù)創(chuàng)造當(dāng)季作物的“訓(xùn)練樣本”，基于此樣本對當(dāng)年進(jìn)行分類而不實(shí)地采集樣本。如MUHAMMAD等[92]基于MODIS EVI時(shí)間序列數(shù)據(jù)和2008—2013年的地面參考數(shù)據(jù)，使用ABNet分類器和其它年份的地面樣本對美國堪薩斯州各年主要作物冬小麥、玉米、大豆、高粱和苜蓿進(jìn)行分類，總體精度介于74.4%～81.9%之間。PETITJEAN等[77]提出使用DTW算法解決大面積作物分類時(shí)影像時(shí)間維的不規(guī)則以及樣本時(shí)序性的缺失問題，使用歷史樣本進(jìn)行聚類分析再應(yīng)用于次年的分類中，次年可以不重新采集樣本數(shù)據(jù)。HAO等[93]利用美國堪薩斯州的歷史分類結(jié)果CDL數(shù)據(jù)提取假設(shè)樣本，并利用ABNet方法基于準(zhǔn)確性篩選假設(shè)樣本，得到“訓(xùn)練樣本”對當(dāng)季作物進(jìn)行分類，獲得了較好的分類精度。

綜上所述，在大范圍開展可靠精度的遙感作物識別與制圖面臨著海量地面樣本需求帶來的大量勞力、時(shí)間和財(cái)力消耗的問題。目前已經(jīng)有學(xué)者從樣本獲取的科學(xué)性與高效性做出探索，一定程度上解決了大范圍、少作物或小范圍、多作物的作物遙感分類問題，但是對于任一給定區(qū)域，特別是大范圍區(qū)域，對于至少需要多少樣本量，不同作物樣點(diǎn)在時(shí)間、空間上如何分布，才能確保主要作物分類精度，還缺少有效的測算方法和明確結(jié)論。如何充分利用歷史積累的樣本數(shù)據(jù)，國內(nèi)外也有學(xué)者開始研究，但是對于如何使用歷史積累數(shù)據(jù)才能保證遙感作物識別與制圖產(chǎn)品的準(zhǔn)確性與可用性尚未形成共識，需要進(jìn)一步拓展研究。

3 作物識別模式由確認(rèn)監(jiān)測型向提前預(yù)判型和特定作物探測型轉(zhuǎn)變

目前，遙感作物識別與制圖模式還處于確認(rèn)監(jiān)測階段，即在已知的作物種植區(qū)，獲取作物一個(gè)生育期內(nèi)的遙感數(shù)據(jù)和實(shí)地樣本數(shù)據(jù)，經(jīng)過訓(xùn)練、識別和驗(yàn)證得到種植區(qū)生育期內(nèi)的農(nóng)作物種植的空間分布。但是這種確認(rèn)型監(jiān)測，大都需要使用整個(gè)生育期的遙感數(shù)據(jù)，在生育期即將結(jié)束或已經(jīng)結(jié)束后才能獲得目標(biāo)區(qū)域的作物種植分布和面積，存在一定的滯后性。隨著智慧農(nóng)業(yè)發(fā)展的需要，針對主要糧食和經(jīng)濟(jì)作物，在一個(gè)生育期內(nèi)，越早獲得作物的空間分布信息對農(nóng)業(yè)的經(jīng)營管理、作物估產(chǎn)、災(zāi)害預(yù)警方面的指導(dǎo)決策越有利[94-95]，也更具現(xiàn)實(shí)意義[96]；針對特定的作物，在不確定種植與否或精準(zhǔn)的空間位置的情況下，能通過遙感作物識別的方式探測和確定精準(zhǔn)種植位置與面積，對于國家農(nóng)業(yè)補(bǔ)貼、農(nóng)業(yè)保險(xiǎn)，相關(guān)部門的監(jiān)管、執(zhí)法和維護(hù)市場秩序穩(wěn)定等都具有重要意義。

對于遙感作物識別與制圖的模式轉(zhuǎn)變，國內(nèi)外已有學(xué)者關(guān)注到，并開展了初步研究。針對提前預(yù)判識別，目前主要有兩種思路，一是根據(jù)不同作物在物候上的差異，從先驗(yàn)知識和遙感數(shù)據(jù)中尋找早期識別的作物特征，從而能在生長發(fā)育早期的遙感數(shù)據(jù)中使用該特征達(dá)到早期預(yù)判識別的目的。DONG等[97]基于水稻在移栽期獨(dú)特的光譜特征，提出使用時(shí)間序列Landsat圖像和基于物候的水稻自動提取算法。另一種是在某個(gè)目標(biāo)區(qū)域，使用歷史積累的樣本數(shù)據(jù)構(gòu)建參考庫或訓(xùn)練分類模型，在當(dāng)季作物生育期的早期遙感數(shù)據(jù)中應(yīng)用參考庫或分類模型，從而實(shí)現(xiàn)早期預(yù)判識別。HAO等[91]在中國新疆博樂縣和瑪納斯縣，使用2006—2010年的地面參考數(shù)據(jù)和MODIS的NDVI數(shù)據(jù)，構(gòu)建參考NDVI時(shí)間序列，對2011年Landsat-5和環(huán)境衛(wèi)星融合的30m影像和構(gòu)建的參考NDVI時(shí)間序列進(jìn)行系列轉(zhuǎn)換，最終用于作物識別，在沒用2011年樣本的情況下整體精度達(dá)85%左右。在此基礎(chǔ)上，郝鵬宇等[95]在美國堪薩斯州，基于2006—2013年的MODIS EVI時(shí)間序列數(shù)據(jù)和crop data layer數(shù)據(jù)獲得2014年的“潛在”訓(xùn)練樣本，使用這些樣本和2014年的Landat 30m NDVI數(shù)據(jù)進(jìn)行了作物識別，總體分類精度為94.02%，并探討了使用短時(shí)間序列數(shù)據(jù)提前獲得作物識別結(jié)果的可行性。MUHAMMAD等[92，98]根據(jù)往年的樣本和遙感數(shù)據(jù)，在中國新疆和美國堪薩斯州進(jìn)行作物分類實(shí)驗(yàn)，總體精度80%。

針對特定作物的探測識別，目前的研究還不多，與這種需求比較專業(yè)和小眾有關(guān)。例如，針對罌粟的識別，陸永帥等[99]利用機(jī)載多光譜數(shù)據(jù)，提出基于深度置信網(wǎng)絡(luò)模型罌粟識別算法，建立面向罌粟識別的模型，提前識別罌粟的種植分布，可節(jié)省人工地面識別排查非法種植罌粟的大量人力物力，為禁毒工作提供支持。又如，針對部分企業(yè)和商販在我國西北玉米核心制種區(qū)私自繁制種子，導(dǎo)致種子供應(yīng)嚴(yán)重過剩、非法種子流通猖獗等監(jiān)管難題，劉哲等[58，100-102]從2015年開始，利用高時(shí)空分辨率的GF-1、Landsat等衛(wèi)星遙感數(shù)據(jù)，在新疆和甘肅玉米制種地區(qū)，探索準(zhǔn)確、客觀、早期、定量的制種玉米空間分布和種植面積提取方法，制種玉米的識別精度在90%以上，為確保農(nóng)業(yè)供種安全、增強(qiáng)市場監(jiān)管能力和促進(jìn)種業(yè)健康發(fā)展提供了新的思路和方法。

4 總結(jié)與展望

在智慧農(nóng)業(yè)信息流中充當(dāng)基礎(chǔ)支撐數(shù)據(jù)的作物分布數(shù)據(jù)顯得越來越重要，同時(shí)也對作物分布數(shù)據(jù)的時(shí)效性、空間覆蓋程度、空間分辨率和精度等提出了更高的要求。近年來，對地觀測系統(tǒng)，云計(jì)算、物聯(lián)網(wǎng)和人工智能等數(shù)字技術(shù)的蓬勃發(fā)展，為遙感作物識別與制圖提供了豐富的數(shù)據(jù)和強(qiáng)大的存儲、計(jì)算能力，在全球范圍內(nèi)極大地促進(jìn)了遙感作物識別與制圖研究和應(yīng)用。但是，隨著實(shí)際應(yīng)用中對作物分布數(shù)據(jù)提出的更高要求以及越來越豐富的遙感數(shù)據(jù)，遙感作物識別與制圖也面臨著新的問題。本文最后從加強(qiáng)科學(xué)研究與加快應(yīng)用落地的角度展開展望。

4.1 加強(qiáng)多學(xué)科交叉和對作物種植環(huán)境的理解

多學(xué)科、多技術(shù)以及多應(yīng)用領(lǐng)域交叉，是遙感天然的屬性，遙感作物識別與制圖是遙感在農(nóng)業(yè)領(lǐng)域發(fā)揮作用的具體體現(xiàn)之一。針對作物類型分布產(chǎn)品的新需求、更加豐富的數(shù)據(jù)等現(xiàn)狀與趨勢，需要新的區(qū)分特征、更魯棒的分類算法以及更深刻的農(nóng)業(yè)種植場景的理解。研究者可以增加對作物生物結(jié)構(gòu)、生物活動及其相應(yīng)的物理電磁過程的理解，由此尋找新區(qū)分特征的靈感，熒光遙感就是一個(gè)很好的例子；盡管目前遙感作物分類的研究已經(jīng)得到計(jì)算科學(xué)的很多支持，特別是圖像識別領(lǐng)域，但是還應(yīng)該把交叉的視野放到更寬的計(jì)算機(jī)應(yīng)用領(lǐng)域，如PETITJEAN等[77]從語音識別領(lǐng)域引入DTW算法解決遙感時(shí)間序列不規(guī)則的問題；而深入了解農(nóng)業(yè)種植場景有利于制定高效、針對性強(qiáng)的作物識別方案，如劉哲等[58, 100-102]深入考察我國制種玉米的農(nóng)事過程，根據(jù)純合玉米植株相對雜交植株矮小、瘦弱以及生產(chǎn)過程母本去雄和除父本行的現(xiàn)象，找到結(jié)合光譜特征與紋理特征的制種玉米地的識別方案。

4.2 發(fā)展天空地一體多源協(xié)同的數(shù)據(jù)研究與應(yīng)用體系

太空、天空、近地及地面的遙感數(shù)據(jù)平臺產(chǎn)生了豐富的數(shù)據(jù)資源，而且不同平臺、不同波段的遙感傳感器都有各自的優(yōu)勢與劣勢；與此同時(shí)，互聯(lián)網(wǎng)、物聯(lián)網(wǎng)以及農(nóng)業(yè)領(lǐng)域多年的數(shù)字化發(fā)展，也積累了不少農(nóng)業(yè)氣象、種植生產(chǎn)、土地利用等方面的數(shù)據(jù)。這些不同來源且依舊不斷增加的天空地?cái)?shù)據(jù)，既為行業(yè)應(yīng)用提供了豐富的數(shù)據(jù)基礎(chǔ)，也促進(jìn)了多源協(xié)同的技術(shù)需求。在遙感作物識別與制圖的研究與應(yīng)用中，研究者可以融合地面輔助數(shù)據(jù)與先驗(yàn)知識，如地表覆蓋數(shù)據(jù)和生態(tài)區(qū)劃數(shù)據(jù)，對待分類識別的空間作一個(gè)場景區(qū)分，降低分類識別場景的復(fù)雜性，在不同場景采用不同數(shù)據(jù)與分類算法組合。研究者也可以在區(qū)分特征上，采用不同電磁波段的遙感數(shù)據(jù)，如豐富的可見光遙感數(shù)據(jù)、不受云雨天氣影響的SAR數(shù)據(jù)，組合得到優(yōu)勢互補(bǔ)的區(qū)分特征集。研究者還可以根據(jù)不同分類算法的適應(yīng)性，選擇相對應(yīng)的數(shù)據(jù)和場景，用某些分類算法結(jié)果作為另一個(gè)算法輸入，通過這種算法層級的信息傳遞最終得到滿足需要的作物分布數(shù)據(jù)；如在小范圍、超高分辨率(米級或亞米級以下)的影像數(shù)據(jù)比較容易獲得，結(jié)合面向?qū)ο蟮牟呗酝ǔ？梢垣@得較優(yōu)的分類精度；不少研究表明，大多數(shù)情況下，深度學(xué)習(xí)算法在分類問題上要比其它機(jī)器學(xué)習(xí)算法表現(xiàn)得更加優(yōu)異，但是它需要海量的訓(xùn)練樣本；因此，在大范圍上開展高精度的作物識別制圖之前，可采用超高分辨的影像數(shù)據(jù)、面向?qū)ο蟛呗约由现С窒蛄繖C(jī)或者隨機(jī)森林等算法，得到高精度的作物識別結(jié)果，然后，使用該作物識別結(jié)果與高分辨率的影像數(shù)據(jù)(如GF-1、Sentinel-2)制作深度學(xué)習(xí)的訓(xùn)練數(shù)據(jù)集，在大范圍上用高分辨率影像加上深度學(xué)習(xí)算法，最終得到大范圍、高精度的作物識別與制圖產(chǎn)品。

4.3 探索樣本多元化、智能化的獲取與共享機(jī)制

當(dāng)前遙感作物識別研究和應(yīng)用中，能夠得到相對可靠且穩(wěn)定分類識別效果的分類算法都是監(jiān)督型的算法，即便是非監(jiān)督的算法，在驗(yàn)證階段依舊需要地面樣本數(shù)據(jù)支撐，所以地面樣本數(shù)據(jù)在遙感作物識別中仍是不可或缺的；另外，隨著對作物識別制圖產(chǎn)品需要更實(shí)時(shí)，覆蓋范圍更大，意味著地面樣本數(shù)據(jù)的需求量將會進(jìn)一步增加。在這種形勢下，依靠當(dāng)前常用的實(shí)地采樣、人工在高分辨率從影像目視解譯的手段難以滿足日益增長的樣本需求。因此，結(jié)合當(dāng)下各領(lǐng)域的前沿進(jìn)展，發(fā)展多元化、智能化的地面樣本獲取與共享機(jī)制勢在必行?？梢詮囊韵?個(gè)方面加以探索：①增強(qiáng)與農(nóng)業(yè)相關(guān)的行業(yè)和單位合作。隨著農(nóng)業(yè)分工的愈發(fā)精細(xì)，在田間活動的，除了第一線的種植戶，還有一些相關(guān)群體，如農(nóng)機(jī)類、植保類以及經(jīng)常到田間檢查、考察的部門、單位等。如果能設(shè)計(jì)一些互益、共贏的機(jī)制以及交互簡單、智能的工具(如手機(jī)APP、微信小程序等，可采用語音交互)，將這些資源納入樣本獲取的渠道，可以產(chǎn)生海量的地面樣本數(shù)據(jù)。②增強(qiáng)與互聯(lián)網(wǎng)平臺合作。近些年互聯(lián)網(wǎng)飛速發(fā)展，除了很多普及程度高的大平臺外，也產(chǎn)生了許多小眾但是有特色的平臺。比如，專用于識別花草植被的平臺“形色”、“花伴侶”、“微軟識花”等。這些平臺通常都擁有定位功能，在不泄漏用戶信息的前提下，可以和這些平臺合作獲取與作物相關(guān)的信息。③利用眾包和公眾參與模式。眾包模式在一些創(chuàng)意設(shè)計(jì)行業(yè)已經(jīng)相當(dāng)成熟，在作物樣本采集方面，可以和一些導(dǎo)航平臺合作，以眾包的模式發(fā)布一些作物識別的任務(wù)。也可以搭建田間樣本共享平臺，吸引感興趣的公眾參與其中，如俄克拉荷馬大學(xué)的“Earth Observation and Modeling Facility”搭建的“Global Geo-Referenced Field Photo Library”。④增強(qiáng)人機(jī)協(xié)同的智能化樣本生產(chǎn)。以當(dāng)下的人工智能技術(shù)完全自動化的樣本采集尚有難度，但是可以開發(fā)人機(jī)交互的智能樣本生產(chǎn)系統(tǒng)來提高樣本獲取的數(shù)量和效率。如使用歷史樣本訓(xùn)練深度學(xué)習(xí)模型，用于當(dāng)年的定點(diǎn)識別，將識別的可能結(jié)果和一些指標(biāo)、區(qū)分特征可視化，相關(guān)人員則根據(jù)模式識別和一些區(qū)分特征做進(jìn)一步確認(rèn)。

4.4 增強(qiáng)數(shù)據(jù)與計(jì)算能力的受眾范圍和可獲得性

可以預(yù)見，未來可用于遙感作物識別與制圖的數(shù)據(jù)會越來越多，計(jì)算能力也會越來越強(qiáng)，但是數(shù)據(jù)和計(jì)算能力的可獲得性在學(xué)術(shù)界和工業(yè)界仍存在不對等。如一些國家資助的遙感數(shù)據(jù)源僅在某個(gè)范圍公開，超出則需要系列復(fù)雜的申請，有的還需要收費(fèi)；計(jì)算能力的不對等也比較突出，一些研究經(jīng)費(fèi)不是很充足的團(tuán)隊(duì)很難獲得開展研究所需的計(jì)算能力。相對而言，部分組織(如NASA、ESA)和跨國企業(yè)(如Google、Amazon)的數(shù)據(jù)和計(jì)算能力共享方式值得借鑒，對于全球的用戶，只要經(jīng)過簡單的注冊，都能免費(fèi)獲取眾多的遙感數(shù)據(jù)資源；Google推出的Google Earth Engine更是向全球用戶提供免費(fèi)的數(shù)據(jù)和計(jì)算資源。隨著國內(nèi)遙感數(shù)據(jù)源越來越多，在國內(nèi)數(shù)據(jù)不上傳Google等國外公司平臺的情況下，急需國家相關(guān)部門單獨(dú)或與國內(nèi)大公司合作，推出類似GEE的平臺，以促進(jìn)遙感數(shù)據(jù)與計(jì)算能力“平民化”，推動遙感研究應(yīng)用快速發(fā)展。

4.5 形成作物識別成果的共享規(guī)范和門戶通道

作物類型分布數(shù)據(jù)作為農(nóng)業(yè)和國土資源領(lǐng)域眾多應(yīng)用的基礎(chǔ)數(shù)據(jù)，具有廣闊的應(yīng)用空間。然而，當(dāng)前國內(nèi)尚未有公開的作物類型分布數(shù)據(jù)產(chǎn)品，導(dǎo)致了眾多研究工作在開展前首先需要進(jìn)行作物識別與制圖。因此，聯(lián)合國內(nèi)農(nóng)業(yè)遙感相關(guān)的知名大學(xué)、研究院所或者相關(guān)政府部門，生產(chǎn)和發(fā)布全國性的作物分布相關(guān)的數(shù)據(jù)產(chǎn)品十分必要。該數(shù)據(jù)的基礎(chǔ)性，意味著其潛在用戶有可能不熟悉遙感作物識別，因此需要形成作物識別相關(guān)產(chǎn)品的基本數(shù)據(jù)規(guī)范，同時(shí)搭建共享門戶通道，提升該系列數(shù)據(jù)產(chǎn)品的社會價(jià)值。