遥感耕地监测现状与方法综述

　　摘要:耕地资源是我国农村发展和农业现代化的根基命脉,是国家粮食安全的基石,因此迫切需要精细化、精准化的耕地资源分布与变化信息。对地观测技术与人工智能领域的发展为快速、精准、智能化的耕地监测提供了 有力支撑。本文通过搜集国内外耕地监测领域相关的研究,梳理耕地相关监测内容,归纳遥感耕地监测分类体系,回顾遥感耕地监测领域技术方法的演化历程,总结当前主流的耕地监测方法,揭示不同农业区域、尺度区域与分类单元的应用领域现状,并指出多源遥感数据耕地监测面临的挑战及可能的发展趋势:遥感耕地监测应面 向不同区域、尺度、粒度开展耕地信息提取与变化检测研究,发展与创新多源/模态数据协同监测技术,实现耕 地监测的“数据􀆼模型􀆼知识”联合驱动,逐步提升耕地监测精准化、精细化与智能化水平。

　　关键词:遥感 耕地监测 监测内容 分类体系 方法历程 主流方法 应用领域

　　引言

　　实时准确的耕地空间分布与变化信息是促进农 业信息化与现代化发展的重要前提,同时也对宏观农 业政策制定、农业规划管理、农业资源保护与可持续 发展具有重大的战略意义[1,2]。21世纪以来,党中央 与国务院相继提出“基本农田保护制度”“18亿亩耕 地红线”“非农化、非粮化”等相关政策,确保“舌尖上 的安全”;同时,联合国千年发展目标(MDGs)也明确指出“消除极端贫穷和饥饿”的可持续发展目标,呼吁 全球政府与公民保护农业资源,确保粮食安全供给。 因此,精准化、精细化耕地资源信息的获取已成为全 球 可 持 续 发 展 的 重 要 议 题,保 护 耕 地 资 源 刻 不 容缓[3]。

　　传统的耕地监测大多是以行政区域为单位,人工 目视解译与野外复核验证相结合的方式开展,尽管可 以获得较高的监测精度,但是由于其耗时耗力,满足 不了大范围、快速及时的农业监测需求[4]。遥感凭借其对地表信息观测的周期性、宏观性、时效性与经济 性,已成为耕地监测最有效的技术手段之一[5]。特别 是目前航天航空遥感传感器的多元化,以及信息处理 与分析水平、智能化水平的大大提高,基于多源遥感 数据的精细化耕地信息提取、强时效的动态监测已经 成为未来农业遥感领域的重要方向[6]。 当前,限制多源遥感影像耕地监测发展与应用的 原因主要有:

　　(1)“认知不清”:耕地类型的多样性体现 在其形态与物候特征两个方面。形态特征上,由于不 同农业区域地理环境的差异,耕地地块的形状大小呈 现较大差异性,平原地区耕地地块规整、连片、地块边 界明显,而丘陵山地区域耕地地块破碎、分散、地块边 界模糊。物候特征上,由于耕地直接承载单位作物类 型多样,作物种植结构复杂,耕作措施差异使得耕地 类内光谱特征多变、纹理特征复杂。

　　其高时空异质性 导致耕地要素在视觉感知与认知过程中存在较大偏 差;(2)“数据不全”:现有遥感数据尺度多样、模态复 杂,易受云雨雾气、传感器等因素的影响,观测数据往 往存在时间“有缝”,空间“有洞”,单一遥感数据难以 “时􀆼空􀆼谱”无缝表征具有复杂物候特征的耕地的动 态变化,数据不完整导致全方位、全周期、全维度认知 耕地地物存在巨大挑战;(3)“方法不灵”:现有的各种 耕地监测方法大多适用于单一时空域,在面临大范围 耕地监测时,模型与方法的泛化能力弱,精度稳定性差,普适性不高,理论与应用之间存在巨大鸿沟,无法 有效支撑重大工程应用,例如全国第三次土地调查与 地理国情监测等工程90%以上解译工作依然依靠人 工目视判读。

　　因此,如何提高模型的解译精度与泛化 能力已经成为当前耕地监测领域的关键问题。 为此,本文通过总结与归纳国内外学者对耕地监 测领域相关的研究,梳理耕地相关监测内容,归纳遥 感耕地监测分类体系,回顾遥感耕地监测领域技术方 法的演化历程,总结当前主流的耕地监测方法,揭示 不同农业区域、尺度区域与分类单元的监测应用现 状,并指出多源遥感数据耕地监测面临的挑战及可能 的发展趋势。

　　1 监测内容

　　当前,较为权威的耕地定义来源于我国《土地利 用现状分类》[7]:指种植农作物的土地,包括熟地,新 开发、复垦、整理地,休闲地(含轮歇地、轮作地);以种 植农作物(含蔬菜)为主,间有零星果树,桑树或其他 树木的土地。耕地监测可以提供耕地空间分布及其变化的定量与定性信息,从研究内容上看主要涵盖耕 地信息提取与耕地变化检测两部分内容,前者主要是 指从海量遥感数据中利用耕地的显著特性区分耕地 与其他地类的过程,包含对耕地的空间分布、形态面 积等信息的获取,侧重于“是否存在,如何存在”;后者 主要是从不同时期的遥感影像中定量分析和确定耕 地信息变化的特征与过程,包含耕地变化类型、变化 量以及变化趋势等,侧重于“是否变化,如何变化”。

　　研究较为广泛的是耕地提取研究领域,研究目标主要 包括水田[8,9]、水浇地/灌溉田[10]、旱地[11]等二级类 的提取[12] ;以及坡耕地[13]、梯田[14]、温室大棚[15]、虾 稻田[16]等特殊耕地识别等。由于耕地是农作物的直 接承载体,所以耕地在生长周期内自身也呈现出强烈 的动态变化,加上不同时期遥感影像的获取时间点不 同导致耕地呈现出明显的“伪变化”[17]。因此,耕地 变化检测研究相比提取研究来说甚少,特别是针对高 空间分辨率影像的精细变化检测,现有的涉及耕地变 化检测研究大多基于长时序中低分辨率数据开展,主 要研究目标包括土地利用/覆盖变化规律分析,耕地 撂荒与弃耕监测等[18􀆼21]。

　　在面向工程化应用时,如何 快速发现耕地变化并辅助实现耕地基础地理数据的 更新是一项重要的工作,因此创新与发展耕地变化检 测方法流程,实现耕地类内与类间变化信息的准确获 取是未来研究的关键问题。未来研究不仅包括耕地 专题化监测,更重要的是监测其类内或类间的变化, 捕捉到其变化问题。 数据源作为耕地监测的基础,其模态、时空分辨 率的不同,对耕地信息研究的描述也不同,因此,耕地 监测中不同数据源具有不同的应用领域与适用条件。

　　数据源主要来源于卫星遥感数据,一方面,Landsat、 MODIS、Sentinel等中低分辨率数据依然是利用率最 高的数据源[22􀆼25],加上 “GoogleEarthEngine”等一 系列云平台的出现,全球/区域农田信息监测得到更 加广泛地应用与实践[26] ;另一方面,在视觉上能够清 晰辨识地表要素分布的高空间分辨率数据,为耕地精 细化 监 测 提 供 有 力 数 据 支 撑,QuickBird、WorldView、SPOT 等高空间分辨率数据也逐渐被应用至 耕地监测中[27􀆼30]。“十二五”以来,我国自主研制的资 源系列卫星、高分系列卫星等也有力支撑地理国情监 测、全 国 第 三 次 土 地 调 查 等 重 大 工 程 项 目 的 实 施[31􀆼33]。

　　此外,针对中低纬度地区受云雨天气影响导 致光学遥感影像可利用性不足的问题,合成孔径雷达 (SAR)数据穿透性以及不受光照和大气条件限制的特性,有力改善了光学卫星遥感乏力的困境,其后向 散射性对于水体地物较为敏感,可以利用时序数据对 水田等信 息 进 行 监 测,但 由 于 其 特 殊 的 成 像 机 理, SAR 数据存在大量的斑点噪声,并且其预处理过程 也极为复杂[34􀆼36] ;针对耕地上作物类型复杂多样导致 的光谱特征混淆等现象,“图谱合一”的高光谱遥感依 靠其丰富的光谱波段信息,使得不同农业作物的光谱 属性探测能力大大增强,但数据量大、冗余信息多,信 噪比低,成本昂贵等问题限制了其大范围应用[37,38] ; 在中小尺度耕地监测中,机动灵活的无人机遥感数据 也可以实现耕地监测“定制化”应用[39]。

　　在数据源使 用上,遥感数据的多元化以及可获得性为遥感耕地监 测提供了更多的数据源选择。传统的耕地监测主要 是以单一数据源为主,包含以中低分辨率数据为基础 开展的大范围/区域监测,以及高空间分辨率数据为 基础的小区域农田监测等,耕地的物候特性与空间形 态特性并不能有效顾及。

　　因此,针对单一数据源空间 分辨率或时间分辨率不能兼顾导致无法表征耕地及 其作物光谱变化规律的问题,众多研究逐渐以多源遥 感数据为基础开展研究,主要通过整合多种模态、多 种类型分辨率数据的优势,实现多源数据的协同观 测。例如:联合光学卫星与 SAR 卫星多模态数据实 现多区域的耕地监测[40,41] ;中分辨率时序数据与高空间分辨率数据结合使用实现小农区域的作物精细 化制图[42]等。

　　2 监测分类体系

　　本文通过梳理遥感耕地监测领域相关研究成果, 从任务类型、数据种类、先验信息、区域特性、分析尺 度、分类单元等不同的监测角度,总结以下遥感耕地 监测分类体系:从监测任务类型来分,遥感耕地监测 分为耕地提取方法与耕地变化检测方法;从监测数据 种类来分,主要分为中低分辨率数据监测、高分辨率 数据监测以及多源数据监测;从监测先验信息来分, 根据是否有先验数据可以分为非监督学习方法、监督 学习方法,先验信息可以来源于公开数据集、基底数 据库等;从监测区域特性来分,可以分为集约型农业 区域监测与粗放型农业区域监测;从监测分析尺度来 分,大致可以分为全球/大范围耕地监测、区域尺度耕 地监测以及中小尺度耕地监测;从监测最小单元来 分,可以分为像元级耕地监测与对象级耕地监测等。

　　3 方法历程

　　遥感耕地监测方法的发展历程也是对地观测技术、人工智能等领域的发展史,遥感数据源的丰富,人 工智能领域的新崛起,深深影响了遥感耕地监测方法 的发展历程。通过对现有遥感耕地监测领域方法上 的梳理,总结以下4个典型的发展阶段:

　　(1)Stage1:早期遥感耕地监测受限于数据源与 计算机发展水平,以统计变化与分析[43􀆼45]、无监督分 类[46􀆼48]、边缘检测[49,50]等方法为主,主要原理是对遥 感影像中像素进行差异性统计,实现相似像元的聚 类,以便对所属耕地地块或地块边界进行描述。

　　(2)Stage2:推动耕地遥感监测领域发展的第一 次契机来源于智能化处理方法的发展,与早期以无监 督算法相比,监督算法为遥感耕地监测带来了生机, 特别是最大似然法[51]、决策树[52]、支持向量机[53,54]、 随机森林[11]、贝叶斯网络[13]、神经网络[55]等为主的 机器学习算法的应用。此外,另一主要驱动因素来源 于高空间分辨率遥感影像的商业化,面向对象影像分 析技术的出现,使得耕地监测的基本单元从像素逐渐 过渡到对象。与像素相比,对象更能体现出地物的轮 廓特征与存在形式,特别是具有形状特性的耕地地 块。因此,越来越多学者聚焦于图像分割优化研究, 区域增长分割算法[14,56,57]、边缘检测分割算法[58􀆼60]等 又一次推动了耕地监测智能化的提升。

　　(3)Stage3:在机器学习与面向对象影像分析 (Object􀆼BasedImageAnalysis,OBIA)技术的影响 下,研究人员对耕地要素的认知逐渐向以光谱为基础的物候学分析方法转移,在光谱分析算法上,以线性 光谱分解[61]、光谱角制图[62]、三角剖分法[63]等为主 的方法逐渐在各个尺度分辨率数据上得到应用;在光 谱匹配算法上,通过统计与分析耕地内不同农业作物 的物候特征,确定耕地子类的特征相似性与差异性, 从而实现区域性农田的精准制图与评估[18,64] ;在物 候 曲 线 匹 配 算 法 上,以 谐 波 分 析 模 型 (Harmonic Model)[17]、动态时间规整(DynamicTimeWarping, DTW)系列算法[65,66]为主的方法在农业土地利用分 类、作物类型精准划分以及弃耕撂荒检测等领域展现 出巨大潜力。

　　但由于耕地本身受多样的作物类型或 复杂的种植结构的影响,基于“谱”的方法实际上是对 其覆盖物“农作物”物候特征的更加细致的描述。此 外,以光谱特征与对象级分类单元为基础,多种算法 集成分类的方法,例如:多尺度分层分类法[14]、多算 法集成法[28,67,68]以及针对于全球土地利用覆盖研发 的像素􀆼对象􀆼知识(POK􀆼based)分类体系法[3,69]也在 耕地提取或相关领域得到验证,为后续耕地监测提供良好的思路。

　　(4)Stage4:近年来,深度学习的快速发展为耕 地资源要素智能监测领域注入新的活力。以稀疏自 编码[70]、卷积神经网络[33]、循环神经网络[71]、深度神 经网络[72]为 主 的 深 度 学 习 法,以 及 注 意 力 机 制 引 导[73]、多类型网络嵌套[74,75]、知识描述[76]等混合方法在耕地地块识别、耕地边界划分和农作物分类领域 得到广泛应用。与其他领域相比,基于深度学习技术 的遥感耕地监测方法还略显稚嫩,模型精度与适用性 还有待提高,但随着人工智能技术的不断发展,此领 域也必将值得更深的探索以及更加显著的发展。

　　4 目前主流监测方法

　　4.1 基于物候学分析的大尺度耕地制图

　　基于物候学分析的耕地制图研究主要利用30- 250m 等中低分辨率数据,通过波段分析或植被敏感 指数计算,选择适合耕地的物候学特征表达,并开发 适用 于 大 尺 度 的 自 动 耕 地 提 取 算 法。Thenkabail 等[77]基于多种传感器遥感数据与辅助数据,利用缨 帽变换指数、MODIS􀆼NDVI时序特征等,开发出一种 自动化的耕地分类算法(ACCA),生成了塔吉克斯坦 国家的耕地面积、灌溉面积以及非灌溉面积等多种真 实耕地数据层(OverallAccuracy,OA≥96.2%)。

　　为 后续国家快速、准确生成年际监测图提供技术支撑; Yan等[59]利用多时相 Landsat数据,通过计算每周 的归一化差值植被指数(NormalizedDifferenceVegetationIndex,NDVI)的最大值,实现了美国3个州 作物田块的自动提取,研究表明利用多时相数据可以 有效刻画 耕 地 的 作 物 轮 作 与 植 被 状 态 的 年 际 变 化 (OA=90.1%),对于大面积耕地自动提取具有重要的借鉴意义;Xiong等[26]针对非洲农业区域的异质 性与碎片化,开发出一种基于 MODIS􀆼NDVI数据的 自动化农田制图算法(ACMA),通过收集多源的知 识,生成了覆盖整个非洲大陆的参考耕地数据层,尽 管缺乏足够多的参考数据 (OA≥91%),但 ACMA 在绘制大面积耕地范围上展现出巨大的优势。

　　准确 的耕地资源信息的掌握对于缓解粮食安全危机与全 球生态评估至关重要,受年际内耕地地面实地状况信 息难以获取,区域耕地内作物生长日历不同导致的物 候特征难以提取,以及耕地内农作物自身呈现时空动 态变化的影响,精确绘制年复一年/季复一季的耕地 空间分布十分困难[26]。

　　因此,一方面,如何利用已有 的耕地数据、全球土地利用等这些先验数据,实现大 范围耕地要素的快速更新,对于宏观掌握全球土地利 用资源至关重要;另一方面,充分发挥当前多种数据 源的优势(MODIS、Landsat、Sentinel􀆼2 以及高空间 分辨率数据等),实现大尺度耕地综合制图更加精细 化、准确化、自动化地表达也是今后研究的重要领域。

　　4.2 集成机器学习与对象级分割的耕地监测

　　基于机器学习与面向对象影像分析相结合的耕地监测框架,是区域尺度或中小区域尺度下耕地监测 最主流的方法,其应用范围包括耕地地块提取、弃耕 撂荒地检测、作物类型分类以及相关农业措施监测 等。Massey等[78]基于 GoogleEarthEnginee平台, 开发了一种递归层次分割算法(RHSeg)与随机森林 分类器相结合的大尺度耕地监测流程,利用光谱、指 数、地形等特征制作了北美大陆30m 的耕地覆盖图 (OA>90%),并指出该流程适用于更详细的产品制 作(作物类型、种植强度)与更高空间分辨率的耕地制 图;Yin等[79]开发出一种基于时空分割与随机森林 相结合的撂荒地检测流程,利用多时相对象的光谱特 征针对俄 罗 斯 与 格 鲁 吉 亚 等 区 域 开 展 研 究 (OA= 97%±1%),结果表明时空分割方法与机器学习算法 相结合是一种稳健性较好的撂荒地检测方法;Lebourgeois等[42]基于Sentine􀆼2、PLEIADES以及 DEM 等多种数据源,提出了一种随机森林与 OBIA 相结合 的小农区域作物类型识别策略,基于光谱、纹理、指数 等多项特征开展马达加斯加农作物类型划分(OA= 91.7%),并分析不同数据源,不同特征的贡献程度, 结果表明在时序分析的基础上加上对象级分割能大 大提高监测精度。

　　此外,支持向量机、决策树等多种 机器学习算法与均值漂移分割、分水岭分割等多种图 像分割算法也在耕地监测中被广泛应用[59,80􀆼83]。该模式的最大特点在于整体流程易于操作,适用于多种 分辨率数据并且可以获得较好的监测效果。

　　但在影 像分割中,分割尺度难以把握,不同区域的耕地形态 差异大,同一区域不同地形下耕地地块差异更容易 大,分割方法所获得的对象单元与人们对实际目标地 物的形态往往并不匹配,进而导致对象级的分类结果 无法转换成具有实际地理实体意义的解译成果;另一 方面在于特征工程建设上,对于机器学习算法来说, 特征越多,给出的参考信息就越多,准确性会得到提 升,但特征多意味着计算复杂、每个特征在训练样本 上就会稀疏,也会限制其精度的提升。因此,一方面 需建立地理分区的策略,将研究区域根据耕地分布形 态进行大致划分,利用不同的分割尺度实现“分而治 之”;另一方面,通过特征选择,选择可控的计算能力 之内最有效的特征组合,逐步提升机器学习算法的适 用性。

　　5 应用领域

　　5.1 不同农业区域监测应用

　　世界上农业生产可以根据投入情况分为两大类: 一类是机械化水平较高的集约型农业,主要分布于美 国、欧洲、中国东北等地势平坦的平原农业区域;另一 类则是呈现出自给自足典型小农特性的粗放型农业, 主要以热带、亚热带等区域的非洲、东南亚、中国南方 区域等[89􀆼91]。前者由于规模化种植,且地块呈现一定 连片规则状,因此以往的研究大多基于此农业区域进 行作物类型制图、耕地地物提取以及农业土地利用监 测等。后者由于其混合的种植结构以及破碎的耕地 地块,再加上此区域常年受云雨天气影响导致数据源 缺失,使得具有小农特性的农业研究区监测面临重大 挑战。与集约型农业区域相比,影响全球粮食安全的 小农农业生态系统耕地及其相关监测则更应受到关 注[92,93]。

　　些许学者基于 Sentinel􀆼1/2等数据源开展 遥感耕地监测与农作物精准制图研究,并取得较好的 效果,特别是在尼日利亚、马里等非洲国家[85,94],但 是对于田间异质性更大,地块分布更分散,形态大小 更不均匀的山地丘陵区,例如:中国南方云贵川区域, 耕地位置的不确定性与属性误差依然较高[88]。在面 向小农农业耕地不确定性与云雨天气挑战时,应充分 发挥与挖掘多尺度(不同分辨率)、多模态(光学为主、SAR补充)数据的协同观测能力。此外,随着农业现 代化的发展与转型,以及经济利益的驱动,梯田、温室 大棚、虾稻田等特殊耕地类型也应受到重视,在监测 其空间分布与面积变化的同时,也需评估其对周围生 态环境产生的影响。

　　5.2 不同区域尺度监测应用

　　遥感耕地监测尺度分为全球尺度监测、区域尺度 监测以及中小尺度监测等多个类别。在过去几十年 里,生产了若干全球或区域尺度的耕地监测产品,这 有助于及 时 了 解 全 球 耕 地 的 空 间 分 布 特 征,例 如: GlobalCroplandExtent [90]、Cropland MaskofAfrica [95]等。此外,在全球/区域土地利用覆盖监测中, 耕地往往作为一类或多类存在,这些产品侧重于土地 利用/覆盖制图,耕地并不是主要的目标,但分类体系 不统一、空间分辨率限制、专题性不强、精度难以综合 评估等问题导致其利用率并不高[69,89,96]。

　　联合国粮 食及农 业 组 织 (FAO)普 查 数 据 显 示,全 球 农 场 中 84%的农田面积小于2hm 2[89],以非洲、亚洲的耕地 地块尺度最为狭小(平均尺寸约1.6hm 2),特别是中国区域耕地地块大部分位于0.2-0.8hm 2[93],而以 MODIS、Landsat、Sentinel􀆼2系列数据源无法有效反 映其空间分布形态,迫切需要补充更高空间分辨率的 数据进行协同监测,因为在更为精细的空间分辨率 下,可以获取更分散、更狭小的耕地地块的分布信息。 而在中小尺度耕地监测中,主要是基于高空间分辨率 数据开展方法性研究,如何进行小区域示范的推广与 应用是未来耕地遥感监测的重要问题。

　　5.3 不同分类单元监测应用

　　遥感耕地监测受限于数据源较为粗糙的空间分 辨率,大都是基于像元作为最小监测单元来进行耕地 监测,主要是通过利用像素值之间的差异来进行耕地 的区分。

　　尽管相关理论、算法与技术流程相对成熟并 且取得较好的监测结果,但在地类嵌套、地块破碎的 复杂自然场景中,受“同物异谱”和“异物同谱”的影 响,“椒盐现象”限制了耕地监测精度的提升;随着面 向对象影像分析技术的出现,对象级监测逐渐成为了 主流,面向对象主要是对影像分割后的对象作为最小 分类单元进行分类,与像素相比,对象具有更加丰富 的形状、纹理、空间上下文关系等[97],使得对象级尺 度更能体现出耕地在地表覆盖中存在的形式,基于高 空间分辨 率 数 据 的 对 象 级 耕 地 监 测 也 得 到 广 泛 应 用[29,32,45,98]。

　　但高空间分辨率影像时相较少,缺少耕 地分类所欠缺的物候信息[99],利用面向对象技术从时间序列/多时相数据中进行相关监测研究也逐渐开 展[65],数据源主要集中于中分辨率(Sentinel􀆼2等), 部分研究聚焦于对象级全球/区域地物监测[69],这对 于复杂自然场景下破碎耕地适用性并不大。此外,对 象级监测过分依赖于分割尺度的选择,“过分割”与 “欠分割”均一定程度影响监测精度,影像分割后的对 象与实际地物边界还存在一定误差[98],因此,亟需发 展农业场景级与地块实体级监测[100],而深度学习技 术将有力推动遥感耕地由监测“准”向监测“精”的方 向迈进。

　　6 展望

　　耕地本质上是一个涵盖多种作物的复合要素,因 此,遥感耕地监测本质上是一个复杂的过程。随着大 数据、人工智能技术的不断发展与应用领域拓展,遥 感耕地监测的智能化、精细化与精准化的需求也日益 明显,因此在后续的研究中:

　　(1)在耕地专题性监测基础上,应更注重耕地变 化检测问题,包含致使耕地“非农化”与“非粮化”现象的耕地类型转换,以及耕地类内由于种植类型与种植 模式变化而导致的“伪变化”。特别面向重大工程应 用需求,在已有的基底数据上,快速实现耕地变化发 现以辅助耕地数据的快速更新仍是一项重要内容。

　　(2)遥感数据是一个从单源到多源、从单模态到 多模态、从低分辨率到高分辨率的发展过程。成像机 理与工作模式的差异导致单模态数据源应用于耕地 监测时呈现出一定局限性。耕地具有自然地物与人 工地物的双重属性特征,即物候特征与形态特征。因 此,发展与创新多源/模态数据协同监测依然是实现 耕地时空异质性联合表征最有效的途径。

　　(3)尽管传统的机器学习算法与面向对象影像分 割技术的结合依然在耕地检测领域发挥重要作用,但 以深度学习为主的方法已在耕地监测领域展现出巨 大的潜力,构建多时相、多尺度、多维度、多传感器、多 模态的耕地/作物样本数据库,为耕地监测提供源源 不断数据“燃料”;建立顾及耕地敏感性偏好的专用网 络模型,提升模型在时间域与空间域的迁移泛化能 力;嵌入地学辅助知识,通过不断迭代反馈优化监测 结果,以此实现耕地监测的“数据􀆼模型􀆼知识”联合驱 动,提升耕地监测精准化、精细化与智能化水平。

　　遥感信息论文： 多源遥感影像在地方经济建设中的作用

　　(4)全球/区域耕地制图由于数据源的多元化与 可获得性,精细化的耕地制图对于全球气候与可持续 发展评估意义重大,而中小尺度耕地监测技术则着重 突破推广与适用性;与集约化农业区域相比,粗放型 的小农区域耕地制图面临重大挑战,结合多尺度、多 模态遥感数据,实现小农区域耕地以及农业土地利用 精细化制图,对于全球粮食安全与社会稳定至关重 要;耕地监测尺度在经历了像元􀆼对象的监测尺度之 后,如何提升监测结果与耕地地块实体化的匹配程度 依然亟待解决。

　　参考文献

　　[1] SEEL,FRITZS,YOU L,etal.Improvedglobalcroplanddataasanessentialingredientforfoodsecurity [J].GlobalFoodSecurity,2015,4:37􀆼45.

　　[2] 陈仲新,任建强,唐华俊,等.农业遥感研究应用进展与 展望[J].遥感学报,2016,20(5):748􀆼767.

　　[3] CAOX,CHENX H,ZHANG W W,etal.Globalcultivatedlandmappingat30 mspatialresolution [J].ScienceChina􀆼EarthSciences,2016,59(12):2275􀆼2284.

　　[4] 刘巍,吴志峰,骆剑承,等.深度学习支持下的丘陵山区 耕地高分辨率遥感信息分区分层提取方法[J].测绘学 报,2021,50(1):105􀆼116.

　　[5] 左丽君,张增祥,董婷婷,等.MODIS/NDVI和 MODIS/ EVI在耕地信息提取中的应用及对比分析[J].农业工 程学报,2008,24(3):167􀆼172.

　　[6] 董金玮,吴文斌,黄健熙,等.农业土地利用遥感信息提 取的研究进展与展望[J].地球信息科学学报,2020,22 (4):772􀆼783.

　　[7] 中华人民共和国国家质量监督检验检疫总局,中国国家 标准化管理委员会.土地利用现状分类:GB/T21010􀆼 2017[S].北京:中国标准出版社,2017.

　　[8] NIR G,TIANJY,LIXJ,etal.AnenhancedpixelbasedphenologicalfeatureforaccuratepaddyricemappingwithSentinel􀆼2imageryin GoogleEarth Engine [J].ISPRS Journalof Photogrammetry and Remote Sensing,2021,178:282􀆼296.

　　作者：眭海刚1** ,王建勋1,华 丽2,段志强3,许贵林4