遙感耕地監(jiān)測現(xiàn)狀與方法綜述*

眭海剛，王建勛，華 麗，段志強(qiáng)，許貴林

(1.武漢大學(xué)測繪遙感信息工程國家重點(diǎn)實(shí)驗(yàn)室，湖北武漢 430079；2.華中農(nóng)業(yè)大學(xué)資源與環(huán)境學(xué)院，湖北武漢 430070；3.湖北省空間規(guī)劃研究院，湖北武漢 430064；4.廣西科學(xué)院數(shù)字孿生新技術(shù)研究院，廣西南寧 530007)

實(shí)時(shí)準(zhǔn)確的耕地空間分布與變化信息是促進(jìn)農(nóng)業(yè)信息化與現(xiàn)代化發(fā)展的重要前提，同時(shí)也對(duì)宏觀農(nóng)業(yè)政策制定、農(nóng)業(yè)規(guī)劃管理、農(nóng)業(yè)資源保護(hù)與可持續(xù)發(fā)展具有重大的戰(zhàn)略意義[1,2]。21世紀(jì)以來，黨中央和國務(wù)院相繼提出“基本農(nóng)田保護(hù)制度”“18億畝耕地紅線”“非農(nóng)化、非糧化”等相關(guān)政策，確保“舌尖上的安全”；同時(shí)，聯(lián)合國千年發(fā)展目標(biāo)(MDGs)也明確指出“消除極端貧窮和饑餓”的可持續(xù)發(fā)展目標(biāo)，呼吁全球政府與公民保護(hù)農(nóng)業(yè)資源，確保糧食安全供給。因此，精準(zhǔn)化、精細(xì)化耕地資源信息的獲取已成為全球可持續(xù)發(fā)展的重要議題，保護(hù)耕地資源刻不容緩[3]。

傳統(tǒng)的耕地監(jiān)測大多以行政區(qū)域?yàn)閱挝唬斯つ恳暯庾g與野外復(fù)核驗(yàn)證相結(jié)合的方式開展，盡管可以獲得較高的監(jiān)測精度，但是由于該方式耗時(shí)耗力，滿足不了大范圍、快速及時(shí)的農(nóng)業(yè)監(jiān)測需求[4]。遙感憑借其對(duì)地表信息觀測的周期性、宏觀性、時(shí)效性與經(jīng)濟(jì)性，已成為耕地監(jiān)測最有效的技術(shù)手段之一[5]。特別是目前航天航空遙感傳感器的多元化，以及信息處理與分析水平、智能化水平的大大提高，基于多源遙感數(shù)據(jù)的精細(xì)化耕地信息提取、強(qiáng)時(shí)效的動(dòng)態(tài)監(jiān)測已經(jīng)成為未來農(nóng)業(yè)遙感領(lǐng)域的重要方向[6]。

當(dāng)前，限制多源遙感影像耕地監(jiān)測發(fā)展與應(yīng)用的原因主要有以下3個(gè)方面：(1)“認(rèn)知不清”。耕地類型的多樣性體現(xiàn)在其形態(tài)與物候特征兩個(gè)方面。形態(tài)特征上，由于不同農(nóng)業(yè)區(qū)域地理環(huán)境的差異，耕地地塊的形狀大小呈現(xiàn)較大差異性，平原地區(qū)耕地地塊規(guī)整、連片，地塊邊界明顯；而丘陵山地區(qū)域耕地地塊破碎、分散，地塊邊界模糊。物候特征上，由于耕地直接承載單位作物類型多樣，作物種植結(jié)構(gòu)復(fù)雜，耕作措施差異使得耕地類內(nèi)光譜特征多變、紋理特征復(fù)雜。其高時(shí)空異質(zhì)性導(dǎo)致耕地要素在視覺感知與認(rèn)知過程中存在較大偏差；(2)“數(shù)據(jù)不全”?，F(xiàn)有遙感數(shù)據(jù)尺度多樣、模態(tài)復(fù)雜，易受云雨霧氣、傳感器等因素的影響，觀測數(shù)據(jù)往往存在時(shí)間“有縫”，空間“有洞”，單一遙感數(shù)據(jù)難以“時(shí)-空-譜”無縫表征具有復(fù)雜物候特征的耕地的動(dòng)態(tài)變化，數(shù)據(jù)不完整導(dǎo)致全方位、全周期、全維度認(rèn)知耕地地物存在巨大挑戰(zhàn)；(3)“方法不靈”。現(xiàn)有的各種耕地監(jiān)測方法大多適用于單一時(shí)空域，在面臨大范圍耕地監(jiān)測時(shí)，模型與方法的泛化能力弱，精度穩(wěn)定性差，普適性不高，理論與應(yīng)用之間存在巨大鴻溝，無法有效支撐重大工程應(yīng)用，例如全國第三次土地調(diào)查與地理國情監(jiān)測等工程90%以上解譯工作依然依靠人工目視判讀。因此，如何提高模型的解譯精度與泛化能力已經(jīng)成為當(dāng)前耕地監(jiān)測領(lǐng)域的關(guān)鍵問題。

為此，本文通過總結(jié)與歸納國內(nèi)外學(xué)者對(duì)耕地監(jiān)測領(lǐng)域的相關(guān)研究，梳理耕地相關(guān)監(jiān)測內(nèi)容，歸納遙感耕地監(jiān)測分類體系，回顧遙感耕地監(jiān)測領(lǐng)域技術(shù)方法的演化歷程，總結(jié)當(dāng)前主流的耕地監(jiān)測方法，揭示不同農(nóng)業(yè)區(qū)域、尺度區(qū)域與分類單元的監(jiān)測應(yīng)用現(xiàn)狀，并指出多源遙感數(shù)據(jù)耕地監(jiān)測面臨的挑戰(zhàn)及可能的發(fā)展趨勢(shì)。

1 監(jiān)測內(nèi)容

當(dāng)前，較為權(quán)威的耕地定義來源于我國《土地利用現(xiàn)狀分類》[7]，即耕地是指種植農(nóng)作物的土地，包括熟地，新開發(fā)、復(fù)墾、整理地，休閑地(含輪歇地、輪作地)；以種植農(nóng)作物(含蔬菜)為主，間有零星果樹、桑樹或其他樹木的土地。耕地監(jiān)測可以提供耕地空間分布及其變化的定量與定性信息，從研究內(nèi)容上看主要涵蓋耕地信息提取與耕地變化檢測兩部分內(nèi)容，前者主要是從海量遙感數(shù)據(jù)中利用耕地的顯著特性區(qū)分耕地與其他地類的過程，包含對(duì)耕地的空間分布、形態(tài)面積等信息的獲取，側(cè)重于“是否存在，如何存在”；后者主要是從不同時(shí)期的遙感影像中定量分析和確定耕地信息變化的特征與過程，包含耕地變化類型、變化量以及變化趨勢(shì)等，側(cè)重于“是否變化，如何變化”。研究較為廣泛的是耕地提取研究領(lǐng)域，研究目標(biāo)主要包括水田[8,9]、水澆地/灌溉田[10]、旱地[11]等二級(jí)類的提取[12],以及坡耕地[13]、梯田[14]、溫室大棚[15]、蝦稻田[16]等特殊耕地識(shí)別。由于耕地是農(nóng)作物的直接承載體，所以耕地自身在生長周期內(nèi)也呈現(xiàn)出強(qiáng)烈的動(dòng)態(tài)變化，加上不同時(shí)期遙感影像的獲取時(shí)間點(diǎn)不同導(dǎo)致耕地呈現(xiàn)出明顯的“偽變化”[17]。因此，耕地變化檢測研究相比提取研究來說甚少，特別是針對(duì)高空間分辨率影像的精細(xì)變化檢測，現(xiàn)有的涉及耕地變化檢測研究大多基于長時(shí)序中低分辨率數(shù)據(jù)開展，主要研究目標(biāo)包括土地利用/覆蓋變化規(guī)律分析，耕地撂荒與棄耕監(jiān)測等[18-21]。在面向工程化應(yīng)用時(shí)，如何快速發(fā)現(xiàn)耕地變化并輔助實(shí)現(xiàn)耕地基礎(chǔ)地理數(shù)據(jù)的更新是一項(xiàng)重要的工作，因此創(chuàng)新與發(fā)展耕地變化檢測方法流程，實(shí)現(xiàn)耕地類內(nèi)與類間變化信息的準(zhǔn)確獲取是未來研究的關(guān)鍵問題。未來研究不僅包括耕地專題化監(jiān)測，更重要的是監(jiān)測其類內(nèi)或類間的變化，捕捉到其變化信息。

數(shù)據(jù)源作為耕地監(jiān)測的基礎(chǔ)，其模態(tài)、時(shí)空分辨率的不同，對(duì)耕地信息研究的描述也不同，因此，耕地監(jiān)測中不同數(shù)據(jù)源具有不同的應(yīng)用領(lǐng)域與適用條件。數(shù)據(jù)源主要來源于衛(wèi)星遙感數(shù)據(jù)，一方面，Landsat、MODIS、Sentinel等中低分辨率數(shù)據(jù)依然是利用率最高的數(shù)據(jù)源[22-25]，加上 “Google Earth Engine”等一系列云平臺(tái)的出現(xiàn)，全球/區(qū)域農(nóng)田信息監(jiān)測得到更加廣泛的應(yīng)用與實(shí)踐[26]；另一方面，在視覺上能夠清晰辨識(shí)地表要素分布的高空間分辨率數(shù)據(jù)，為耕地精細(xì)化監(jiān)測提供有力的數(shù)據(jù)支撐，QuickBird、WorldView、SPOT等高空間分辨率數(shù)據(jù)也逐漸被應(yīng)用至耕地監(jiān)測中[27-30]。在地理國情監(jiān)測、全國土地調(diào)查等重大工程項(xiàng)目實(shí)施中，我國自主研制的資源系列、高分系列衛(wèi)星發(fā)揮了不可替代的作用[31-33]。此外，針對(duì)中低緯度地區(qū)受云雨天氣影響導(dǎo)致光學(xué)遙感影像可利用性不足的問題，合成孔徑雷達(dá)(SAR)數(shù)據(jù)穿透性以及不受光照和大氣條件限制的特性，有力改善了光學(xué)衛(wèi)星遙感乏力的困境，其后向散射性對(duì)水體地物較為敏感，可以利用時(shí)序數(shù)據(jù)對(duì)水田等信息進(jìn)行監(jiān)測，但由于其特殊的成像機(jī)理，SAR數(shù)據(jù)存在大量的斑點(diǎn)噪聲，并且其預(yù)處理過程也極為復(fù)雜[34-36]；針對(duì)耕地上作物類型復(fù)雜多樣導(dǎo)致的光譜特征混淆等現(xiàn)象，“圖譜合一”的高光譜遙感依靠其豐富的光譜波段信息，使得不同農(nóng)作物的光譜屬性探測能力大大增強(qiáng)，但數(shù)據(jù)量大、冗余信息多，信噪比低，成本昂貴等問題限制了其大范圍應(yīng)用[37,38]；在中小尺度耕地監(jiān)測中，機(jī)動(dòng)靈活的無人機(jī)遙感數(shù)據(jù)也可以實(shí)現(xiàn)耕地監(jiān)測“定制化”應(yīng)用[39]。在數(shù)據(jù)源使用上，遙感數(shù)據(jù)的多元化以及可獲得性為遙感耕地監(jiān)測提供了更多的數(shù)據(jù)源選擇。傳統(tǒng)的耕地監(jiān)測主要是以單一數(shù)據(jù)源為主，包含以中低分辨率數(shù)據(jù)為基礎(chǔ)開展的大范圍/區(qū)域監(jiān)測，以及高空間分辨率數(shù)據(jù)為基礎(chǔ)的小區(qū)域農(nóng)田監(jiān)測等，耕地的物候特性與空間形態(tài)特性并不能有效顧及。因此，針對(duì)單一數(shù)據(jù)源空間分辨率或時(shí)間分辨率不能兼顧導(dǎo)致無法表征耕地及其作物光譜變化規(guī)律的問題，眾多學(xué)者逐漸以多源遙感數(shù)據(jù)為基礎(chǔ)開展研究，主要通過整合多種模態(tài)、多種類型分辨率數(shù)據(jù)的優(yōu)勢(shì)，實(shí)現(xiàn)多源數(shù)據(jù)的協(xié)同觀測。例如：聯(lián)合光學(xué)衛(wèi)星與SAR衛(wèi)星多模態(tài)數(shù)據(jù)實(shí)現(xiàn)多區(qū)域的耕地監(jiān)測[40,41]；中分辨率時(shí)序數(shù)據(jù)與高空間分辨率數(shù)據(jù)結(jié)合使用實(shí)現(xiàn)小農(nóng)區(qū)域的作物精細(xì)化制圖[42]等。

2 監(jiān)測分類體系

本文通過梳理遙感耕地監(jiān)測領(lǐng)域相關(guān)研究成果，從任務(wù)類型、數(shù)據(jù)種類、先驗(yàn)信息、區(qū)域特性、分析尺度、分類單元等不同的監(jiān)測角度，總結(jié)以下遙感耕地監(jiān)測分類體系：從監(jiān)測任務(wù)類型來分，遙感耕地監(jiān)測分為耕地提取方法與耕地變化檢測方法；從監(jiān)測數(shù)據(jù)種類來分，主要分為中低分辨率數(shù)據(jù)監(jiān)測、高分辨率數(shù)據(jù)監(jiān)測以及多源數(shù)據(jù)監(jiān)測；從監(jiān)測先驗(yàn)信息來分，根據(jù)是否有先驗(yàn)數(shù)據(jù)可以分為非監(jiān)督學(xué)習(xí)方法、監(jiān)督學(xué)習(xí)方法，先驗(yàn)信息可以來源于公開數(shù)據(jù)集、基底數(shù)據(jù)庫等；從監(jiān)測區(qū)域特性來分，可以分為集約型農(nóng)業(yè)區(qū)域監(jiān)測與粗放型農(nóng)業(yè)區(qū)域監(jiān)測；從監(jiān)測分析尺度來分，大致可以分為全球/大范圍耕地監(jiān)測、區(qū)域尺度耕地監(jiān)測以及中小尺度耕地監(jiān)測；從監(jiān)測最小單元來分，可以分為像元級(jí)耕地監(jiān)測與對(duì)象級(jí)耕地監(jiān)測等。

3 方法歷程

遙感耕地監(jiān)測方法的發(fā)展歷程也是對(duì)地觀測技術(shù)、人工智能等領(lǐng)域的發(fā)展史，遙感數(shù)據(jù)源的豐富，人工智能領(lǐng)域的新崛起，深深影響了遙感耕地監(jiān)測方法的發(fā)展歷程。通過對(duì)現(xiàn)有遙感耕地監(jiān)測領(lǐng)域方法上的梳理，總結(jié)以下4個(gè)典型的發(fā)展階段(圖1)：

圖1 遙感耕地監(jiān)測方法發(fā)展歷程

(1)第一階段：早期遙感耕地監(jiān)測受限于數(shù)據(jù)源與計(jì)算機(jī)發(fā)展水平，以統(tǒng)計(jì)變化與分析[43-45]、無監(jiān)督分類[46-48]、邊緣檢測[49,50]等方法為主，主要原理是對(duì)遙感影像中的像素進(jìn)行差異性統(tǒng)計(jì)，實(shí)現(xiàn)相似像元的聚類，以便對(duì)所屬耕地地塊或地塊邊界進(jìn)行描述。

(2)第二階段：推動(dòng)耕地遙感監(jiān)測領(lǐng)域發(fā)展的第一次契機(jī)來源于智能化處理方法的發(fā)展，與早期以無監(jiān)督算法相比，監(jiān)督算法為遙感耕地監(jiān)測帶來了生機(jī)，特別是最大似然法[51]、決策樹[52]、支持向量機(jī)[53,54]、隨機(jī)森林[11]、貝葉斯網(wǎng)絡(luò)[13]、神經(jīng)網(wǎng)絡(luò)[55]等為主的機(jī)器學(xué)習(xí)算法的應(yīng)用。此外，另一主要驅(qū)動(dòng)因素來源于高空間分辨率遙感影像的商業(yè)化，面向?qū)ο笥跋穹治黾夹g(shù)的出現(xiàn)，使得耕地監(jiān)測的基本單元從像素逐漸過渡到對(duì)象。與像素相比，對(duì)象更能體現(xiàn)出地物的輪廓特征與存在形式，特別是具有形狀特性的耕地地塊。因此，越來越多學(xué)者聚焦于圖像分割優(yōu)化研究，區(qū)域增長分割算法[14,56,57]、邊緣檢測分割算法[58-60]等又一次推動(dòng)了耕地監(jiān)測智能化的提升。

(3)第三階段：在機(jī)器學(xué)習(xí)與面向?qū)ο笥跋穹治?Object-Based Image Analysis,OBIA)技術(shù)的影響下，研究人員對(duì)耕地要素的認(rèn)知逐漸向以光譜為基礎(chǔ)的物候?qū)W分析方法轉(zhuǎn)移，在光譜分析算法上，以線性光譜分解[61]、光譜角制圖[62]、三角剖分法[63]等為主的方法逐漸在各個(gè)尺度分辨率數(shù)據(jù)上得到應(yīng)用；在光譜匹配算法上，通過統(tǒng)計(jì)與分析耕地內(nèi)不同農(nóng)業(yè)作物的物候特征，確定耕地子類的特征相似性與差異性，從而實(shí)現(xiàn)區(qū)域性農(nóng)田的精準(zhǔn)制圖與評(píng)估[18,64]；在物候曲線匹配算法上，以諧波分析模型(Harmonic model)[17]、動(dòng)態(tài)時(shí)間規(guī)整(Dynamic Time Warping,DTW)系列算法[65,66]為主的方法在農(nóng)業(yè)土地利用分類、作物類型精準(zhǔn)劃分以及棄耕撂荒檢測等領(lǐng)域展現(xiàn)出巨大潛力。但由于耕地本身受多樣的作物類型或復(fù)雜的種植結(jié)構(gòu)的影響，基于“譜”的方法實(shí)際上是對(duì)其覆蓋物“農(nóng)作物”物候特征的更加細(xì)致的描述。此外，以光譜特征與對(duì)象級(jí)分類單元為基礎(chǔ)，多種算法集成分類的方法，例如：多尺度分層分類法[14]、多算法集成法[28,67,68]以及針對(duì)全球土地利用覆蓋研發(fā)的像素-對(duì)象-知識(shí)(POK-based)分類體系法[3,69],也在耕地提取或相關(guān)領(lǐng)域得到驗(yàn)證，為后續(xù)耕地監(jiān)測提供良好的思路。

(4)第四階段：近年來，深度學(xué)習(xí)的快速發(fā)展為耕地資源要素智能監(jiān)測領(lǐng)域注入新的活力。以稀疏自編碼[70]、卷積神經(jīng)網(wǎng)絡(luò)[33]、循環(huán)神經(jīng)網(wǎng)絡(luò)[71]、深度神經(jīng)網(wǎng)絡(luò)[72]為主的深度學(xué)習(xí)法，以及注意力機(jī)制引導(dǎo)[73]、多類型網(wǎng)絡(luò)嵌套[74,75]、知識(shí)描述[76]等混合方法在耕地地塊識(shí)別、耕地邊界劃分和農(nóng)作物分類領(lǐng)域得到廣泛應(yīng)用。與其他領(lǐng)域相比，基于深度學(xué)習(xí)技術(shù)的遙感耕地監(jiān)測方法還略顯稚嫩，模型精度與適用性還有待提高，但隨著人工智能技術(shù)的不斷發(fā)展，此領(lǐng)域也必將值得更深的探索以及更加顯著的發(fā)展。

4 目前主流監(jiān)測方法

4.1 基于物候?qū)W分析的大尺度耕地制圖

基于物候?qū)W分析的大尺度耕地制圖研究主要利用30-250 m等中低分辨率數(shù)據(jù)，通過波段分析或植被敏感指數(shù)計(jì)算，選擇適合耕地的物候?qū)W特征表達(dá)，并開發(fā)適用于大尺度的自動(dòng)耕地提取算法。Thenkabail等[77]基于多種傳感器遙感數(shù)據(jù)與輔助數(shù)據(jù)，利用纓帽變換指數(shù)、MODIS-NDVI時(shí)序特征等，開發(fā)出一種自動(dòng)化的耕地分類算法(ACCA)，生成了塔吉克斯坦共和國的耕地面積、灌溉面積以及非灌溉面積等多種真實(shí)耕地?cái)?shù)據(jù)層(Overall Accuracy,OA≥96.2%)，為后續(xù)國家快速、準(zhǔn)確生成年際監(jiān)測圖提供技術(shù)支撐；Yan等[59]利用多時(shí)相Landsat數(shù)據(jù)，通過計(jì)算每周的歸一化差值植被指數(shù)(Normalized Difference Vegetation Index,NDVI)的最大值，實(shí)現(xiàn)了美國3個(gè)州作物田塊的自動(dòng)提取，研究表明利用多時(shí)相數(shù)據(jù)可以有效刻畫耕地的作物輪作與植被狀態(tài)的年際變化(OA=90.1%)，對(duì)于大面積耕地自動(dòng)提取具有重要的借鑒意義；Xiong等[26]針對(duì)非洲農(nóng)業(yè)區(qū)域的異質(zhì)性與碎片化，開發(fā)出一種基于MODIS-NDVI數(shù)據(jù)的自動(dòng)化農(nóng)田制圖算法(ACMA)，通過收集多源的知識(shí)，生成了覆蓋整個(gè)非洲大陸的參考耕地?cái)?shù)據(jù)層，盡管缺乏足夠多的參考數(shù)據(jù)(OA≥91%)，但ACMA在繪制大面積耕地范圍上展現(xiàn)出巨大的優(yōu)勢(shì)。準(zhǔn)確的耕地資源信息的掌握對(duì)于緩解糧食安全危機(jī)與全球生態(tài)評(píng)估至關(guān)重要，受年際內(nèi)耕地地面實(shí)地狀況信息難以獲取，區(qū)域耕地內(nèi)作物生長日歷不同導(dǎo)致的物候特征難以提取，以及耕地內(nèi)農(nóng)作物自身呈現(xiàn)時(shí)空動(dòng)態(tài)變化的影響，精確繪制年復(fù)一年/季復(fù)一季的耕地空間分布十分困難[26]。因此，一方面，如何利用已有的耕地?cái)?shù)據(jù)、全球土地利用等這些先驗(yàn)數(shù)據(jù)，實(shí)現(xiàn)大范圍耕地要素的快速更新，對(duì)于宏觀掌握全球土地利用資源至關(guān)重要；另一方面，充分發(fā)揮當(dāng)前多種數(shù)據(jù)源的優(yōu)勢(shì)(MODIS、Landsat、Sentinel-2以及高空間分辨率數(shù)據(jù)等)，實(shí)現(xiàn)大尺度耕地綜合制圖更加精細(xì)化、準(zhǔn)確化、自動(dòng)化的表達(dá)也是今后研究的重要領(lǐng)域。

4.2 集成機(jī)器學(xué)習(xí)與對(duì)象級(jí)分割的耕地監(jiān)測

基于機(jī)器學(xué)習(xí)與面向?qū)ο笥跋穹治鱿嘟Y(jié)合的耕地監(jiān)測框架，是區(qū)域尺度或中小區(qū)域尺度下耕地監(jiān)測最主流的方法，其應(yīng)用范圍包括耕地地塊提取、棄耕撂荒地檢測、作物類型分類以及相關(guān)農(nóng)業(yè)措施監(jiān)測等。Massey等[78]基于Google Earth Enginee平臺(tái)，開發(fā)了一種遞歸層次分割算法(RHSeg)與隨機(jī)森林分類器相結(jié)合的大尺度耕地監(jiān)測流程，利用光譜、指數(shù)、地形等特征制作了北美大陸30 m的耕地覆蓋圖(OA>90%)，并指出該流程適用于更詳細(xì)的產(chǎn)品制作(作物類型、種植強(qiáng)度)與更高空間分辨率的耕地制圖；Yin等[79]開發(fā)出一種基于時(shí)空分割與隨機(jī)森林相結(jié)合的撂荒地檢測流程，利用多時(shí)相對(duì)象的光譜特征針對(duì)俄羅斯與格魯吉亞等區(qū)域開展研究(OA= 97%±1%)，結(jié)果表明時(shí)空分割方法與機(jī)器學(xué)習(xí)算法相結(jié)合是一種穩(wěn)健性較好的撂荒地檢測方法；Lebourgeois等[42]基于Sentine-2、PLEIADES以及DEM等多種數(shù)據(jù)源，提出了一種隨機(jī)森林與OBIA相結(jié)合的小農(nóng)區(qū)域作物類型識(shí)別策略，基于光譜、紋理、指數(shù)等多項(xiàng)特征開展馬達(dá)加斯加農(nóng)作物類型劃分(OA=91.7%)，并分析不同數(shù)據(jù)源、不同特征的貢獻(xiàn)程度，結(jié)果表明在時(shí)序分析的基礎(chǔ)上加上對(duì)象級(jí)分割能大大提高監(jiān)測精度。此外，支持向量機(jī)、決策樹等多種機(jī)器學(xué)習(xí)算法與均值漂移分割、分水嶺分割等多種圖像分割算法也在耕地監(jiān)測中被廣泛應(yīng)用[59,80-83]。該模式的最大特點(diǎn)在于整體流程易于操作，適用于多種分辨率數(shù)據(jù)并且可以獲得較好的監(jiān)測效果。但在影像分割中，分割尺度難以把握，不同區(qū)域的耕地形態(tài)差異大，同一區(qū)域不同地形下耕地地塊差異更大，分割方法所獲得的對(duì)象單元與人們對(duì)實(shí)際目標(biāo)地物的形態(tài)往往并不匹配，進(jìn)而導(dǎo)致對(duì)象級(jí)的分類結(jié)果無法轉(zhuǎn)換成具有實(shí)際地理實(shí)體意義的解譯成果；另一方面在特征工程建設(shè)上，對(duì)于機(jī)器學(xué)習(xí)算法來說，特征越多，給出的參考信息就越多，準(zhǔn)確性會(huì)得到提升，但特征多意味著計(jì)算復(fù)雜，每個(gè)特征在訓(xùn)練樣本上就會(huì)稀疏，也會(huì)限制其精度的提升。因此，一方面需建立地理分區(qū)的策略，將研究區(qū)域根據(jù)耕地分布形態(tài)進(jìn)行大致劃分，利用不同的分割尺度實(shí)現(xiàn)“分而治之”；另一方面，通過特征選擇，選擇可控的計(jì)算能力之內(nèi)最有效的特征組合，逐步提升機(jī)器學(xué)習(xí)算法的適用性。

4.3 深度學(xué)習(xí)驅(qū)動(dòng)的耕地智能化監(jiān)測

在區(qū)域尺度或中小區(qū)域尺度下，耕地監(jiān)測領(lǐng)域另一主流方法是基于深度學(xué)習(xí)進(jìn)行的耕地地塊識(shí)別、耕地邊緣劃分以及詳細(xì)農(nóng)作物分割等研究。與傳統(tǒng)機(jī)器學(xué)習(xí)算法只學(xué)習(xí)到耕地“表層”特征相比，深度學(xué)習(xí)通過“黑箱操作”可以實(shí)現(xiàn)更深層次抽象特征的提取與挖掘。例如：Zhang等[33]針對(duì)現(xiàn)有的耕地?cái)?shù)據(jù)集分辨率不足，無法在區(qū)域或局部尺度上應(yīng)用的瓶頸問題，基于Gaofen-1、Gaofen-2以及Ziyuan-3等高空間分辨率數(shù)據(jù)，采用改進(jìn)后的金字塔場景解譯網(wǎng)絡(luò)(MPSPNet)，建立了一種魯棒性較好的高分辨率耕地提取方法，在中國4個(gè)省級(jí)研究區(qū)開展廣泛的應(yīng)用(OA≥89.99%)；Persello等[84]針對(duì)非洲小農(nóng)農(nóng)業(yè)區(qū)耕地邊界模糊，自動(dòng)化提取難的現(xiàn)狀，基于Worlview-2高分辨率數(shù)據(jù)，提出了一種適用于邊緣檢測的編碼-解碼網(wǎng)絡(luò)模型與水平集分割相結(jié)合的方式，對(duì)地塊邊界進(jìn)行有效區(qū)分，在尼日利亞聯(lián)邦共和國、馬里共和國等多個(gè)研究區(qū)取得良好結(jié)果(F-scores>0.6)；Xu等[71]面向大規(guī)模精準(zhǔn)農(nóng)作物制圖需求，開發(fā)出一種基于Long Short Term Memory(LSTM)和注意力機(jī)制相結(jié)合的深度作物制圖流程(Deep Crop Mapping)，通過整合多時(shí)相與多光譜遙感數(shù)據(jù)，實(shí)現(xiàn)玉米、大豆等多種農(nóng)作物的動(dòng)態(tài)監(jiān)測(Kappa≈0.858)。此外，Sparse Auto-Encoder(SAE)、Fully Convolutional Network (FCN)、Segmentation Net (SegNet)、Pyramid Scene Parsing Network (PSPNet)、Deep Feature Aggregation Net (DFANet)等多種網(wǎng)絡(luò)模型及其改進(jìn)也逐漸應(yīng)用至耕地監(jiān)測中[70,85-88]。盡管諸多研究已經(jīng)證明深度學(xué)習(xí)是當(dāng)前最有效的方法，但精度不穩(wěn)、泛化不強(qiáng)、樣本不足等多方面局限性極大限制其廣泛應(yīng)用。因此，針對(duì)網(wǎng)絡(luò)模型精度不穩(wěn)定的問題，應(yīng)建立顧及耕地要素敏感性偏好的網(wǎng)絡(luò)模型，充分實(shí)現(xiàn)其物候特性與空間形態(tài)的聯(lián)合表征；針對(duì)目前方法遷移泛化能力弱的問題，應(yīng)重點(diǎn)研究通過知識(shí)引導(dǎo)的遷移學(xué)習(xí)策略，特別是由于時(shí)空域不同導(dǎo)致的物候特征的遷移；針對(duì)當(dāng)前耕地監(jiān)測領(lǐng)域樣本不足的問題，一方面通過眾包、實(shí)地等多種方式建立多時(shí)相、多尺度、多維度、多傳感器、多模態(tài)的耕地/作物樣本數(shù)據(jù)庫，為深度學(xué)習(xí)提供源源不斷的數(shù)據(jù)“燃料”，另一方面基于小樣本弱監(jiān)督的深度學(xué)習(xí)方法也是改善樣本不足的有效途徑。與耕地信息提取相比，高空間分辨率的耕地變化檢測也同樣重要，由于變化檢測涉及數(shù)據(jù)預(yù)處理、變化信息提取、精度驗(yàn)證等綜合處理過程，加上不同季節(jié)的耕地類內(nèi)差異過于顯著，基于深度學(xué)習(xí)的耕地變化檢測研究依然面臨巨大瓶頸。

5 應(yīng)用領(lǐng)域

5.1 不同農(nóng)業(yè)區(qū)域監(jiān)測應(yīng)用

世界上農(nóng)業(yè)生產(chǎn)可以根據(jù)投入情況分為兩大類：一類是機(jī)械化水平較高的集約型農(nóng)業(yè)，主要分布于美國、歐洲和中國東北等地勢(shì)平坦的平原農(nóng)業(yè)區(qū)域；另一類則是呈現(xiàn)出自給自足典型小農(nóng)特性的粗放型農(nóng)業(yè)，主要分布于熱帶、亞熱帶的非洲、東南亞、中國南方等區(qū)域[89-91]。前者由于規(guī)?；N植，且地塊呈現(xiàn)一定連片規(guī)則狀，因此以往的研究大多基于此農(nóng)業(yè)區(qū)域進(jìn)行作物類型制圖、耕地地物提取以及農(nóng)業(yè)土地利用監(jiān)測等。后者由于其混合的種植結(jié)構(gòu)以及破碎的耕地地塊，再加上此區(qū)域常年受云雨天氣影響導(dǎo)致數(shù)據(jù)源缺失，使得具有小農(nóng)特性的農(nóng)業(yè)研究區(qū)監(jiān)測面臨重大挑戰(zhàn)。與集約型農(nóng)業(yè)區(qū)域相比，影響全球糧食安全的小農(nóng)農(nóng)業(yè)生態(tài)系統(tǒng)耕地及其相關(guān)監(jiān)測則更應(yīng)受到關(guān)注[92,93]。些許學(xué)者基于Sentinel-1/2等數(shù)據(jù)源開展遙感耕地監(jiān)測與農(nóng)作物精準(zhǔn)制圖研究，并取得較好的效果，特別是在尼日利亞聯(lián)邦共和國、馬里共和國等非洲國家[85,94]，但是對(duì)于田間異質(zhì)性更大、地塊分布更分散、形態(tài)大小更不均勻的山地丘陵區(qū)，如中國南方云貴川區(qū)域，耕地位置的不確定性與屬性誤差依然較高[88]。在面向小農(nóng)農(nóng)業(yè)耕地位置不確定性與云雨天氣挑戰(zhàn)時(shí)，應(yīng)充分發(fā)揮與挖掘多尺度(不同分辨率)、多模態(tài)(光學(xué)為主、SAR為輔)數(shù)據(jù)的協(xié)同觀測能力。此外，隨著農(nóng)業(yè)現(xiàn)代化的發(fā)展與轉(zhuǎn)型，以及經(jīng)濟(jì)利益的驅(qū)動(dòng)，梯田、溫室大棚、蝦稻田等特殊耕地類型也應(yīng)受到重視，在監(jiān)測其空間分布與面積變化的同時(shí)，也需評(píng)估其對(duì)周圍生態(tài)環(huán)境產(chǎn)生的影響。

5.2 不同區(qū)域尺度監(jiān)測應(yīng)用

遙感耕地監(jiān)測尺度分為全球尺度、區(qū)域尺度以及中小尺度等多個(gè)類別。在過去幾十年里，生產(chǎn)了若干全球或區(qū)域尺度的耕地監(jiān)測產(chǎn)品，這有助于及時(shí)了解全球耕地的空間分布特征，如Global Cropland Extent[90]、Cropland Mask of Africa[95]等。此外，在全球/區(qū)域土地利用覆蓋監(jiān)測中，耕地往往作為一類或多類存在，這些產(chǎn)品側(cè)重于土地利用/覆蓋制圖，耕地并不是主要目標(biāo)，但分類體系不統(tǒng)一、空間分辨率限制、專題性不強(qiáng)、精度難以綜合評(píng)估等問題導(dǎo)致其利用率并不高[69,89,96]。聯(lián)合國糧食及農(nóng)業(yè)組織(FAO)普查數(shù)據(jù)顯示，全球農(nóng)場中84%的農(nóng)田面積小于2 hm2[89]，以非洲、亞洲的耕地地塊尺度最為狹小(平均約1.6 hm2)，特別是中國區(qū)域耕地地塊大部分為0.2-0.8 hm2[93]，而以MODIS、Landsat、Sentinel-2系列數(shù)據(jù)源無法有效反映其空間分布形態(tài)，迫切需要補(bǔ)充更高空間分辨率的數(shù)據(jù)進(jìn)行協(xié)同監(jiān)測，因?yàn)樵诟鼮榫?xì)的空間分辨率下，可以獲取更分散、更狹小的耕地地塊分布信息。而在中小尺度耕地監(jiān)測中，主要是基于高空間分辨率數(shù)據(jù)開展方法性研究，如何進(jìn)行小區(qū)域示范的推廣與應(yīng)用是未來遙感耕地監(jiān)測的重要問題。

5.3 不同分類單元監(jiān)測應(yīng)用

遙感耕地監(jiān)測受限于數(shù)據(jù)源較為粗糙的空間分辨率，大都是基于像元作為最小監(jiān)測單元進(jìn)行耕地監(jiān)測，主要通過利用像素值之間的差異進(jìn)行耕地的區(qū)分。盡管相關(guān)理論、算法與技術(shù)流程相對(duì)成熟并且取得較好的監(jiān)測結(jié)果，但在地類嵌套、地塊破碎的復(fù)雜自然場景中，受“同物異譜”和“異物同譜”的影響，“椒鹽現(xiàn)象”限制了耕地監(jiān)測精度的提升；隨著面向?qū)ο笥跋穹治黾夹g(shù)的出現(xiàn)，對(duì)象級(jí)監(jiān)測逐漸成為了主流，面向?qū)ο笾饕菍⒂跋穹指詈蟮膶?duì)象作為最小分類單元進(jìn)行分類，與像素相比，對(duì)象具有更加豐富的形狀、紋理、空間上下文關(guān)系等[97]，使得對(duì)象級(jí)尺度更能體現(xiàn)出耕地在地表覆蓋中存在的形式，基于高空間分辨率數(shù)據(jù)的對(duì)象級(jí)耕地監(jiān)測也得到廣泛應(yīng)用[29,32,45,98]。但高空間分辨率影像時(shí)相較少，缺少耕地分類所欠缺的物候信息[99]，利用面向?qū)ο蠹夹g(shù)從時(shí)間序列/多時(shí)相數(shù)據(jù)中進(jìn)行相關(guān)監(jiān)測研究也逐漸開展[65]，數(shù)據(jù)源主要集中于中分辨率(Sentinel-2等)，部分研究聚焦于對(duì)象級(jí)全球/區(qū)域地物監(jiān)測[69]，這對(duì)于復(fù)雜自然場景下破碎耕地適用性并不大。此外，對(duì)象級(jí)監(jiān)測過分依賴于分割尺度的選擇，“過分割”與“欠分割”均在一定程度上影響監(jiān)測精度，影像分割后的對(duì)象與實(shí)際地物邊界還存在一定誤差[98]，因此，亟需發(fā)展農(nóng)業(yè)場景級(jí)與地塊實(shí)體級(jí)監(jiān)測[100]，而深度學(xué)習(xí)技術(shù)將有力推動(dòng)遙感耕地由監(jiān)測“準(zhǔn)”向監(jiān)測“精”的方向邁進(jìn)。

6 展望

耕地本質(zhì)上是一個(gè)涵蓋多種作物的復(fù)合要素，因此，遙感耕地監(jiān)測本質(zhì)上是一個(gè)復(fù)雜的過程。隨著大數(shù)據(jù)、人工智能技術(shù)的不斷發(fā)展與應(yīng)用領(lǐng)域的拓展，遙感耕地監(jiān)測的智能化、精細(xì)化與精準(zhǔn)化的需求也日益明顯，因此在后續(xù)的研究中將面臨的挑戰(zhàn)及可能的發(fā)展趨勢(shì)有以下4個(gè)方面。

(1)在耕地專題性監(jiān)測基礎(chǔ)上，應(yīng)更加注重耕地變化檢測問題，包含致使耕地“非農(nóng)化”與“非糧化”現(xiàn)象的耕地類型轉(zhuǎn)換，以及耕地類內(nèi)由于種植類型與種植模式變化而導(dǎo)致的“偽變化”。特別面向重大工程應(yīng)用需求，在已有的基底數(shù)據(jù)上，快速實(shí)現(xiàn)耕地變化發(fā)現(xiàn)以輔助耕地?cái)?shù)據(jù)的快速更新仍是一項(xiàng)重要內(nèi)容。

(2)遙感數(shù)據(jù)是一個(gè)從單源到多源、從單模態(tài)到多模態(tài)、從低分辨率到高分辨率的發(fā)展過程。成像機(jī)理與工作模式的差異導(dǎo)致單模態(tài)數(shù)據(jù)源應(yīng)用于耕地監(jiān)測時(shí)呈現(xiàn)出一定局限性。耕地具有自然地物與人工地物的雙重屬性特征，即物候特征與形態(tài)特征。因此，發(fā)展與創(chuàng)新多源/模態(tài)數(shù)據(jù)協(xié)同監(jiān)測依然是實(shí)現(xiàn)耕地時(shí)空異質(zhì)性聯(lián)合表征最有效的途徑。

(3)盡管傳統(tǒng)的機(jī)器學(xué)習(xí)算法與面向?qū)ο笥跋穹指罴夹g(shù)的結(jié)合依然在耕地檢測領(lǐng)域發(fā)揮重要作用，但以深度學(xué)習(xí)為主的方法已在耕地監(jiān)測領(lǐng)域展現(xiàn)出巨大的潛力，構(gòu)建多時(shí)相、多尺度、多維度、多傳感器、多模態(tài)的耕地/作物樣本數(shù)據(jù)庫，為耕地監(jiān)測提供源源不斷的數(shù)據(jù)“燃料”；建立顧及耕地敏感性偏好的專用網(wǎng)絡(luò)模型，提升模型在時(shí)間域與空間域的遷移泛化能力；嵌入地學(xué)輔助知識(shí)，通過不斷迭代反饋優(yōu)化監(jiān)測結(jié)果，以此實(shí)現(xiàn)耕地監(jiān)測的“數(shù)據(jù)-模型-知識(shí)”聯(lián)合驅(qū)動(dòng)，提升耕地監(jiān)測精準(zhǔn)化、精細(xì)化與智能化水平。

(4)全球/區(qū)域耕地制圖由于數(shù)據(jù)源的多元化與可獲得性，精細(xì)化的耕地制圖對(duì)于全球氣候與可持續(xù)發(fā)展評(píng)估意義重大，而中小尺度耕地監(jiān)測技術(shù)則著重突破推廣與適用性；與集約化農(nóng)業(yè)區(qū)域相比，粗放型的小農(nóng)區(qū)域耕地制圖面臨重大挑戰(zhàn)，結(jié)合多尺度、多模態(tài)遙感數(shù)據(jù)，實(shí)現(xiàn)小農(nóng)區(qū)域耕地以及農(nóng)業(yè)土地利用精細(xì)化制圖，對(duì)于全球糧食安全與社會(huì)穩(wěn)定至關(guān)重要；耕地監(jiān)測尺度在經(jīng)歷了像元-對(duì)象的監(jiān)測尺度之后，如何提升監(jiān)測結(jié)果與耕地地塊實(shí)體化的匹配程度依然亟待解決。