基于时序遥感数据的农作物种植制度研究进展与展望

　　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战略具有重要意义。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