吳文斌，余強毅，楊 鵬，陸 苗，胡 瓊，宋 茜，史 云，孫 晶，張保輝，史中超

（1. 中國農(nóng)業(yè)科學(xué)院農(nóng)業(yè)資源與農(nóng)業(yè)區(qū)劃研究所/農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)遙感重點實驗室，北京100081；2. 華中師范大學(xué)城市與環(huán)境科學(xué)學(xué)院，武漢430070；3. 日本東京都市大學(xué)環(huán)境科學(xué)學(xué)院，神奈川224-8551）

0 引言

作為重要的自然資源和社會生產(chǎn)要素，農(nóng)業(yè)土地資源是衣食之源，是人類農(nóng)業(yè)生產(chǎn)、生活和經(jīng)營開發(fā)的基礎(chǔ)。農(nóng)業(yè)土地資源歷來受到各級政府、科研單位和高等院校的廣泛重視，準確、及時掌握農(nóng)業(yè)土地資源的數(shù)量、分布、質(zhì)量及其變化，已經(jīng)成為長期追求的目標。隨著空間技術(shù)的進步，遙感技術(shù)（高時效、寬范圍、低成本的特點）現(xiàn)已成為大范圍區(qū)域農(nóng)業(yè)土地資源研究的新技術(shù)［1-3］。

農(nóng)業(yè)土地資源遙感總體框架如圖1所示。從目標看，農(nóng)業(yè)土地資源遙感的目的是調(diào)查自然要素和社會經(jīng)濟因素共同作用下的農(nóng)業(yè)土地資源的類型、數(shù)量、分布和質(zhì)量現(xiàn)狀，監(jiān)測其時空變化過程及規(guī)律。從核心任務(wù)看，其包括資源調(diào)查和變化監(jiān)測兩大方面。資源調(diào)查以遙感分類方法為技術(shù)支撐，獲取空間、質(zhì)量屬性等狀態(tài)數(shù)據(jù)；變化監(jiān)測則依托遙感變化檢測技術(shù)，得到多維度時空變化信息。在某種程度上，變化監(jiān)測中的變化檢測也是一種分類，是一種基于分類又高于分類的再分類過程［4］。從覆蓋的內(nèi)容看，農(nóng)業(yè)土地資源遙感的主要內(nèi)容包括4個方面，可以歸納為2W2H。耕地資源是農(nóng)業(yè)土地利用的基礎(chǔ)，第一個W是要掌握耕地資源的數(shù)量和空間分布（Where），摸清耕地資源家底；第二個W就是要明確農(nóng)作物種植結(jié)構(gòu)（What），揭示一個地區(qū)或生產(chǎn)單元內(nèi)農(nóng)作物的組成（作物類型）和種植布局（空間分布）［3，5］。同時，隨著農(nóng)業(yè)土地系統(tǒng)概念的深入，農(nóng)業(yè)土地資源遙感研究在關(guān)注耕地及其作物種植格局的同時，也高度重視農(nóng)業(yè)土地集約化利用。第三個方面的內(nèi)容就是研究農(nóng)業(yè)土地如何種植、集約化利用的問題（How），即農(nóng)業(yè)土地的時間和空間利用強度、農(nóng)業(yè)生產(chǎn)資料（資金、勞動和技術(shù)等）投入狀況等［6］。最后，農(nóng)業(yè)土地資源遙感監(jiān)測結(jié)果的現(xiàn)勢性是衡量其使用價值的重要標志之一，需要不斷進行時空變化監(jiān)測或制圖更新，形成長時間序列的農(nóng)業(yè)土地利用數(shù)據(jù)集。第四個方面的內(nèi)容是農(nóng)業(yè)土地利用時空變化的問題（How），即在特定的時間段內(nèi)，一個區(qū)域或生產(chǎn)單元內(nèi)農(nóng)業(yè)土地利用發(fā)生變化的數(shù)量、位置、范圍和類型等信息。

圖1 農(nóng)業(yè)土地資源遙感總體框架Fig.1 Overview framework of agricultural land resources remote sensing

1 耕地資源數(shù)量和空間遙感調(diào)查

早期的農(nóng)業(yè)土地資源遙感多集中于耕地時空格局及其動態(tài)變化研究，重點監(jiān)測耕地數(shù)量和空間分布及變化趨勢，以及耕地與其他土地利用方式間的轉(zhuǎn)換過程、特征及規(guī)律［1］。技術(shù)方法逐漸由目視解譯法發(fā)展到基于統(tǒng)計學(xué)的分類法（監(jiān)督分類、多時相及多源數(shù)據(jù)結(jié)合分類等），進一步發(fā)展為如隨機森林分類法、神經(jīng)元網(wǎng)絡(luò)方法、模糊數(shù)學(xué)分類法等其他遙感分類方法，同時，面向?qū)ο蠓诸惙ǎò臻g領(lǐng)域特征、紋理特征等）亦是輔助光譜特征分類的另一重要方法［2］。

近年來，耕地資源遙感調(diào)查主要向兩方面發(fā)展。一是在空間尺度上，隨著地表覆蓋遙感制圖的發(fā)展，耕地調(diào)查逐漸從局部尺度向區(qū)域和全球尺度擴展。早期的全球耕地制圖以中低分辨率為主，如美國馬里蘭大學(xué)的UMD數(shù)據(jù)集［7］、國際地圈—生物圈計劃的IGBP-DISCover數(shù)據(jù)集［8］、美國波士頓大學(xué)的MODIS Collection數(shù)據(jù)集［9］、歐盟聯(lián)合研究中心的GLC2000數(shù)據(jù)集［10］等。進入21世紀以來，耕地制圖的遙感數(shù)據(jù)空間分辨率逐漸提高，如波士頓大學(xué)研制了分辨率為500 m的全球地表覆蓋數(shù)據(jù)MODIS Collection 5［11］；歐空局基于MERIS反射率數(shù)據(jù)得到了2005年和2009年全球300 m空間分辨率的GlobCover［12］。中國的FROM-GLC數(shù)據(jù)集［13］和GlobeLand30數(shù)據(jù)集［14］成為全球首例30 m空間分辨率的地表覆蓋遙感產(chǎn)品，將全球耕地遙感數(shù)據(jù)集的空間分辨率提高了10倍。同時，單一耕地類型制圖逐漸發(fā)展，如美國南達科他州立大學(xué)將時序MODIS數(shù)據(jù)和統(tǒng)計數(shù)據(jù)結(jié)合，生成了250 m的MODIS Cropland數(shù)據(jù)集［15］；Fritz等在Geo-wiki采集樣本的基礎(chǔ)上，結(jié)合全球和區(qū)域多套地表覆蓋產(chǎn)品研制了新的全球耕地分布圖和耕地地塊大小分布圖［16］。

二是在制圖策略上，除了常用的遙感分類外，通過數(shù)據(jù)融合生成的高質(zhì)量耕地數(shù)據(jù)集受到廣泛關(guān)注。多源數(shù)據(jù)融合是在不同來源耕地數(shù)據(jù)的對比分析基礎(chǔ)上，借助數(shù)學(xué)算法進行融合，從分辨率、時序性、精度等方面彌補單個數(shù)據(jù)無法滿足分類需求的劣勢［17-18］。多源數(shù)據(jù)分為遙感數(shù)據(jù)與非遙感數(shù)據(jù)兩大類。遙感數(shù)據(jù)即全球、洲域或國家級尺度的耕地遙感數(shù)據(jù)。非遙感數(shù)據(jù)則包括統(tǒng)計數(shù)據(jù)、土地利用及其調(diào)查數(shù)據(jù)、專題圖件等。多源耕地遙感數(shù)據(jù)集來自不同的傳感器，空間分辨率不同，分類體系和技術(shù)方法存在差異，使得不同耕地數(shù)據(jù)集之間的精度和一致性差異較大。因此，通過多源遙感數(shù)據(jù)融合可有效解決上述問題［19］。遙感數(shù)據(jù)和非遙感數(shù)據(jù)的融合主要結(jié)合遙感數(shù)據(jù)在空間分布表達和非遙感數(shù)據(jù)數(shù)量動態(tài)描述兩方面的優(yōu)勢，構(gòu)建地理空間模型或空間分配算法，實現(xiàn)耕地數(shù)據(jù)集的重建。目前，最著名的兩個數(shù)據(jù)集為SAGE數(shù)據(jù)集［20］和HYDE（Historical Database of the Global Environment）數(shù)據(jù)集［21］，HYDE在數(shù)據(jù)資料和算法等方面總體優(yōu)于SAGE數(shù)據(jù)集。目前的多源數(shù)據(jù)融合方法主要包括基于回歸分析的融合、基于數(shù)據(jù)一致性的融合、基于D-S證據(jù)理論的融合、基于數(shù)據(jù)集成方法的融合、基于模糊集合理論的融合和基于統(tǒng)計模型的融合等6類［19］。其中基于數(shù)據(jù)一致性的融合方法［16，22］和基于回歸分析的融合方法［23-24］應(yīng)用最為廣泛。

2 農(nóng)作物種植結(jié)構(gòu)遙感調(diào)查

基于遙感技術(shù)進行農(nóng)作物種植結(jié)構(gòu)提取實質(zhì)是利用遙感影像進行農(nóng)作物分類。農(nóng)作物在遙感影像中的光譜、時相和空間等特征成為農(nóng)作物種植結(jié)構(gòu)遙感提取的重要基礎(chǔ)。不同作物及同一作物在不同生長發(fā)育期具有不同光譜反射特性，而且會受生長期、長勢及田間管理等影響，僅利用光譜特性識別農(nóng)作物種植結(jié)構(gòu)很難取得理想結(jié)果。生長環(huán)境的差異使作物在影像上的空間特性（紋理、結(jié)構(gòu)、幾何等）有所區(qū)別，因此，科學(xué)利用不同作物之間的光譜、時相和空間特征差異，可實現(xiàn)對農(nóng)作物種植結(jié)構(gòu)的高精度提?。?］。

基于單一影像數(shù)據(jù)的種植結(jié)構(gòu)提取方法是目前較常用的方法［25-28］，操作簡單、適宜簡單區(qū)域。該方法多采用重訪周期長、受天氣影響大的中高空間分辨率數(shù)據(jù)，獲取作物種植結(jié)構(gòu)識別的“最佳物候期”面臨很多挑戰(zhàn)。基于時間序列遙感數(shù)據(jù)，利用不同作物的時相規(guī)律提取種植結(jié)構(gòu)是當前的主流方法。黃青等［29］基于作物物候特征、NDVI時序特征，構(gòu)建了東北地區(qū)4種農(nóng)作物種植結(jié)構(gòu)提取模型且獲得其空間分布特征。Hu等［30-32］提出了一種分離指數(shù)擴展方法，將類對光譜分離指數(shù)應(yīng)用于農(nóng)作物種植結(jié)構(gòu)提取，并建立一種新的光譜—時序自動優(yōu)選算法，綜合光譜分離性和特征冗余性循環(huán)迭代，實現(xiàn)了東北不同作物識別的光譜和時序最優(yōu)特征集的自動選擇。Song等［33-34］基于GF-1/WFV數(shù)據(jù)，利用面向?qū)ο蠓诸惙椒?，提出了多作物同步識別和逐步優(yōu)化方法，實現(xiàn)了不同生育期作物種植結(jié)構(gòu)制圖。此外，由于中國作物種植區(qū)域地形破碎、種植結(jié)構(gòu)復(fù)雜，混合像元的現(xiàn)象普遍存在，很多學(xué)者將作物的種植面積與“光譜—時序”曲線聯(lián)系起來，建立了一種定量的函數(shù)關(guān)系，實現(xiàn)農(nóng)作物種植面積及空間分布的準確提取。Lobell等［35］假定每個像元內(nèi)部的光譜信息由多種作物混合而成，將單個光譜特征時序曲線視為光譜曲線，曲線每個時序點視為單個波段，利用線性光譜分解原理，即每個像元的每個時序光譜值由像元內(nèi)不同作物相應(yīng)時序光譜值共同作用形成，通過構(gòu)建相應(yīng)的多元線性模型可定量計算出每個像元內(nèi)部作物的復(fù)雜度。構(gòu)建基于“光譜—時序”特征量的統(tǒng)計模型可以在一定程度上解決混合像元問題，使得農(nóng)作物種植面積提取精度更高，但是這種模型的普適性還需要進一步加強與完善，以滿足不同區(qū)域尺度下農(nóng)作物種植結(jié)構(gòu)提取的精度要求。

單純基于遙感技術(shù)的方法往往多應(yīng)用于區(qū)域尺度，國家乃至全球尺度的農(nóng)作物種植結(jié)構(gòu)遙感提取較欠缺。近年來，有學(xué)者將遙感數(shù)據(jù)與非遙感數(shù)據(jù)相結(jié)合，充分利用二者優(yōu)勢，利用空間分配模型將非遙感數(shù)據(jù)空間化，提取全球或國家尺度農(nóng)作物種植結(jié)構(gòu)［36-37］。如競霞等利用多時相Landsat TM數(shù)據(jù)，以非遙感數(shù)據(jù)為輔助信息，考慮不同植被的季相節(jié)律，通過對不同植被的NDVI“光譜—時序”特征進行分析，通過圖像通道間的邏輯運算算法，提取了京郊冬小麥種植面積的空間分布信息［38］。You等基于耕地分布現(xiàn)狀、作物統(tǒng)計信息等多源數(shù)據(jù)，構(gòu)建SPAM模型，得到全球20類農(nóng)作物分布格局信息［39-40］。雖然遙感與非遙感數(shù)據(jù)融合得到的農(nóng)作物種植結(jié)構(gòu)數(shù)據(jù)已成為全球農(nóng)作物格局研究的重要基礎(chǔ)數(shù)據(jù)，但是受影像本身的分辨率及精度制約影響，這些數(shù)據(jù)很難服務(wù)于特定的大范圍農(nóng)作物種植區(qū)域，普適性較差。

目前，農(nóng)作物種植結(jié)構(gòu)遙感提取仍然面臨著眾多的困難和挑戰(zhàn)，亟需加強大區(qū)域、多類型、高精度的農(nóng)作物種植結(jié)構(gòu)遙感提取能力，盡快解決我國“農(nóng)作物一張圖”空白的問題；需要充分利用遙感與非遙感數(shù)據(jù)、統(tǒng)計數(shù)據(jù)與地理數(shù)據(jù)各自的優(yōu)勢，加強多源數(shù)據(jù)的預(yù)處理、特征參量選取與分類算法等關(guān)鍵技術(shù)研究，進行農(nóng)作物種植結(jié)構(gòu)遙感提取空間范圍的擴展。同時，在全球變化的大背景下，農(nóng)作物種植結(jié)構(gòu)動態(tài)變化遙感提取成為了研究熱點，長期以來，農(nóng)作物種植結(jié)構(gòu)遙感提取多以靜態(tài)（單時間點/段）提取為主，缺乏時空變化規(guī)律的動態(tài)研究，農(nóng)作物種植結(jié)構(gòu)遙感提取及多因素影響下的農(nóng)作物種植結(jié)構(gòu)時空動態(tài)特征、過程、機理和優(yōu)化布局等方面的研究未來亟待加強。

3 農(nóng)業(yè)土地集約化利用遙感監(jiān)測

目前，農(nóng)業(yè)土地利用集約化（如復(fù)種指數(shù)、水澆地、設(shè)施農(nóng)業(yè)和地膜覆蓋農(nóng)田等）監(jiān)測中廣泛使用了遙感技術(shù)。耕地復(fù)種指數(shù)遙感監(jiān)測是通過基于時序植被指數(shù)變化對植被活動描述來實現(xiàn)［41-42］?；跁r間序列植被指數(shù)蘊涵著植被的生長和枯萎的循環(huán)節(jié)律，采用各種平滑方法擬合得到作物生長曲線，可以實現(xiàn)耕地復(fù)種指數(shù)的遙感監(jiān)測。目前，很多學(xué)者利用濾波法［43-46］和非線性擬合法［47-48］等進行曲線擬合，構(gòu)建如決策樹、滑動分割、二次差分法等特征提取算法［49-66］進行復(fù)種指數(shù)監(jiān)測。這些方法在全球及我國多個省市地區(qū)（如太湖流域、關(guān)中地區(qū)、浙江省等）得以應(yīng)用［53-64，66-69］。利用遙感技術(shù)進行耕地復(fù)種指數(shù)監(jiān)測能夠有效地避免地面統(tǒng)計匯總方法的不足，可以很好地適應(yīng)快速、大尺度區(qū)域和空間變化等耕地復(fù)種指數(shù)監(jiān)測的要求。但是，后續(xù)研究應(yīng)該更多考慮如何科學(xué)合理優(yōu)化和完善時序數(shù)據(jù)平滑算法和熟制判斷方法，提倡多種算法取長補短，增強各種算法的穩(wěn)定性和普適性；積極融合遙感監(jiān)測和地面監(jiān)測各自的優(yōu)勢，形成地空一體化的復(fù)種指數(shù)監(jiān)測格局，提高耕地復(fù)種指數(shù)的監(jiān)測精度，實現(xiàn)該監(jiān)測的業(yè)務(wù)化運行；推廣更多使用高空間分辨率的遙感影像，融合不同時空分辨率的遙感數(shù)據(jù)和改進海量數(shù)據(jù)處理能力，將會是遙感技術(shù)在未來耕地復(fù)種指數(shù)研究中的必然趨勢。

水澆地是指有水源保證和灌溉設(shè)施，在一般年景能正常灌溉、種植旱生農(nóng)作物的耕地。非監(jiān)督分類是水澆地遙感中應(yīng)用最多的方法［70］，聯(lián)合國糧食與農(nóng)業(yè)組織和國際水資源管理研究所的全球灌溉面積分布圖［71-73］都是利用非監(jiān)督分類法提取水澆地。同時，在水澆地遙感分類中監(jiān)督分類法亦得到應(yīng)用，如Prasad等［74］、Mutlu和Garik［75］和Salmon等［76］均利用監(jiān)督分類法分別實現(xiàn)了印度Ganges and Indus流域水澆地、美國水澆地及旱地和全球灌溉、雨養(yǎng)和水稻田的分類識別及空間分布研究；董婷婷等［77］和劉逸竹等［78］均基于MODIS遙感數(shù)據(jù)對我國旱地與水澆地進行識別，并獲取了其空間分布信息。

我國設(shè)施農(nóng)業(yè)主要包括塑料大棚、連棟溫室及日光溫室三大類。由于其形狀特征和結(jié)構(gòu)均易識別，設(shè)施農(nóng)業(yè)制圖主要是基于高空間分辨率影像的面向?qū)ο蠓椒?。王中華等基于高分影像，依據(jù)農(nóng)業(yè)設(shè)施的空間尺度和分布規(guī)律，利用數(shù)字化方法生成設(shè)施基線、輸入特征參數(shù)，最后通過設(shè)施坐標計算法，實現(xiàn)了農(nóng)業(yè)設(shè)施信息的自動提取，解決了影像中紋理信息丟失問題［79］。羅軍等通過將農(nóng)業(yè)設(shè)施分布規(guī)律與其紋理特征相結(jié)合，將批量農(nóng)業(yè)設(shè)施自動提取算法應(yīng)用于高分影像，基于GIS組件開發(fā)了基于高分辨率遙感影像的設(shè)施農(nóng)業(yè)信息采集系統(tǒng)。該方法以高分辨率遙感影像為底圖，結(jié)合自動提取算法在影像上批量數(shù)字化農(nóng)業(yè)設(shè)施，并對其屬性進行自動賦值，準確實現(xiàn)了人機交互式半自動化信息采集技術(shù)在高分影像上的使用［80］。郭航等通過分析典型設(shè)施農(nóng)業(yè)在遙感影像上光譜、紋理、形狀等特征，建立了設(shè)施農(nóng)業(yè)遙感識別的解譯標志，采用人工交互式信息提取技術(shù)實現(xiàn)了對北京市域范圍內(nèi)設(shè)施農(nóng)業(yè)面積及空間分布信息的提取，形成一套較為完整的設(shè)施農(nóng)業(yè)面積數(shù)據(jù)遙感識別流程［81］。鄒利東等結(jié)合面向?qū)ο蠓诸惙椒▽y理、幾何特征提取所表現(xiàn)出的突出優(yōu)勢，提出一種耦合利用面向?qū)ο蠛突谥С窒蛄繖C的分類方法，進行設(shè)施農(nóng)業(yè)空間分布信息的自動提取，在河北省定州縣測試結(jié)果顯示農(nóng)業(yè)設(shè)施的總體分類精度為95.6%［82］。盡管面向?qū)ο蟮姆诸惙椒ㄌ崛≡O(shè)施農(nóng)業(yè)可以綜合考慮地物的光譜、紋理和空間特征，但其信息量比基于像元方法大很多，需要研究建立針對這些高維數(shù)據(jù)的普適性分類算法。

地膜覆蓋在我國的使用面積、強度不斷增加，利用遙感技術(shù)識別地膜覆蓋農(nóng)田已是當前熱點方向。學(xué)者基于Landsat TM數(shù)據(jù)在我國山東省和新疆維吾爾自治區(qū)進行地膜識別制圖［83-85］，但更多研究是基于高空間分辨率數(shù)據(jù)提取地膜，如Levin等基于1 m的AISA-ES高光譜數(shù)據(jù)提取地膜，結(jié)果顯示透明塑料膜提取精度為90%［86］；Agüera等基于兩種高分辨率遙感數(shù)據(jù)提取溫室大棚，結(jié)果均滿足需求［87-88］；Koc-San分析了3種分類方法對玻璃和塑料溫室棚的識別能力，結(jié)果顯示支持向量機分類效果最好、精度最高［89］。Hasituya等基于Landsat OLI影像數(shù)據(jù)，結(jié)合光譜、紋理特征，在支持向量機基礎(chǔ)上構(gòu)建了地膜覆蓋農(nóng)田的識別方法［90］。但是，地膜覆蓋農(nóng)田研究仍多集中于小區(qū)域，大區(qū)域尺度的制圖方法研究需進一步加強；研究多以溫室大棚和小拱棚為對象，缺乏對塑料地膜的遙感監(jiān)測研究。

4 農(nóng)業(yè)土地利用時空變化遙感監(jiān)測

農(nóng)業(yè)土地利用時空變化遙感監(jiān)測從變化監(jiān)測和更新策略看，主要包括動態(tài)信息更新和定期全面更新等兩類。動態(tài)信息更新是在以往耕地數(shù)據(jù)基礎(chǔ)上，通過將各時期影像進行對比且獲得變化屬性，未變區(qū)保留原數(shù)據(jù)的方法獲取新耕地空間數(shù)據(jù)。如美國國家地表覆蓋數(shù)據(jù)（NLCD）基于變化檢測自動對土地覆蓋數(shù)據(jù)庫進行持續(xù)更新，歐洲CORINE地表覆蓋數(shù)據(jù)和中國土地利用遙感監(jiān)測數(shù)據(jù)庫通過人機交互發(fā)現(xiàn)變化區(qū)域，進行數(shù)據(jù)更新［91-92］。定期全面更新指將原區(qū)域分片，基于最新遙感影像數(shù)據(jù)重新分類制圖。如英國LCM1990、LCM2000和LCM2007的分類方法前后均有所改變，后期多是采用了多種方法相結(jié)合的模式進行分類，進而得到最新地表覆蓋信息［93-94］；美國農(nóng)業(yè)部通過定期采集農(nóng)場主網(wǎng)絡(luò)表報的農(nóng)作物種植變化信息，實現(xiàn)作物類型數(shù)據(jù)庫的不斷更新［95］。定期更新在更新變化區(qū)域的同時，對不變區(qū)域進行重復(fù)分類，使得工作量與出錯率增加；同時，更新的精度依賴解譯人員的專家知識，不利于保證制圖數(shù)據(jù)庫的一致性。相比之下，動態(tài)信息更新只進行變化區(qū)分類，任務(wù)量縮小，有利于保持耕地數(shù)據(jù)庫的一致性。

農(nóng)業(yè)土地利用時空變化遙感監(jiān)測是對不同時期的遙感影像進行幾何糾正配準和融合處理后，進行變化信息的提取，包括變化區(qū)域檢測、變化區(qū)域提取、變化類型確定和變化信息表達等4個步驟［4］。變化區(qū)域或信息檢測方法包括分類后結(jié)果比較法和多時相光譜數(shù)據(jù)直接比較法兩大類。分類后結(jié)果比較法首先進行不同時期分類，然后比較各期分類結(jié)果，進而直觀可見變化區(qū)域同時得到變化區(qū)域的定量數(shù)據(jù)［96］。該方法總體上不受大氣變化、物候狀況差異、不同傳感器差異的影響，適用性較好，但工作量大、自動化程度低、遺漏圖斑多，精度受不同時相分類精度制約。近年來，多時相光譜數(shù)據(jù)直接比較法日益成為變化檢測的主流方法。該方法主要包括基于圖像代數(shù)運算的方法（如圖像差值法、圖像比值法和變化矢量分析法等）、基于圖像變換的方法（如主成分分析法、光譜特征變異法和正交變換法等）和基于圖像空間結(jié)構(gòu)特征的方法（如基于線性特征、紋理特征和語義描述的方法等）［97］。直接比較法不僅可避免分類后比較法的多次分類、誤差累積并出現(xiàn)不合理變化類型的缺陷，而且可以利用較多波段信息來探測變化區(qū)域，提供變化區(qū)域的類型信息。然而，目前影像直接比較的變化檢測方法多基于遙感影像的像元單元，面向?qū)ο蟮淖兓瘷z測方法發(fā)展較為薄弱。面向?qū)ο蟮淖兓瘷z測方法以影像分割為基礎(chǔ)，將影像劃分為對象，這些對象形狀各異，但具有光譜、紋理或空間組合等相同特征，是光譜域和空間域上的統(tǒng)一均質(zhì)單元，后續(xù)圖像分析和變化檢測都是基于對象進行。該方法由于區(qū)域分割時處理的數(shù)據(jù)單元由像元變?yōu)閷ο?，一方面減少了處理單元的數(shù)量，減低了數(shù)據(jù)處理的復(fù)雜度，提高了變化監(jiān)測效率；另一方面對不同時期影像的空間配準誤差也具有一定的魯棒性。如Lu等發(fā)展了新的面向?qū)ο蟮臅r空植被指數(shù)分解模型（OB-STVIUM），基于Landsat和MODIS數(shù)據(jù)生成對象的高時空分辨率NDVI時間序列數(shù)據(jù)；然后對于每個對象的NDVI時間序列數(shù)據(jù)，從光譜形狀差異和光譜量值差異兩方面，利用NDVI斜率差異（NDVI-GD）度量變化強度，通過閾值設(shè)置確定耕地變化和不變化的區(qū)域［98］。

變化區(qū)域或信息檢測能夠檢測出不同時期耕地或作物變化的區(qū)域和分布，但存在變化區(qū)域和邊界范圍不完整，出現(xiàn)不連續(xù)的線狀目標或不完整的面狀目標，這需要從遙感影像上提取變化區(qū)域的準確范圍、形狀和邊界。常用的變化區(qū)域提取方法包括閾值法、區(qū)域生長法、聚類法以及人機交互描繪法。閾值法從變化自動發(fā)現(xiàn)的影像自適應(yīng)獲取變化閾值，多種類型需要多個閾值分層提取各種變化；區(qū)域生長法適用于經(jīng)光譜特征變異法和波段替換法處理后的影像，種子點往往通過人機交互選取，通過區(qū)域生長提取變化范圍時，除采用影像的光譜或灰度相似性外，還可以挖掘紋理、結(jié)構(gòu)等復(fù)合信息，輔助提高變化范圍提取的可靠性與準確性。聚類法是綜合利用不同時相影像合成后的多譜段影像信息，人機交互描繪法適合于上述方法失效的復(fù)雜情況［4］。

變化類型的確定是農(nóng)業(yè)土地利用變化遙感監(jiān)測的關(guān)鍵環(huán)節(jié)，只針對發(fā)生變化的區(qū)域進行變化類型的確定，包括人機交互解譯、自動識別以及變化曲線匹配等方法。變化類型的確定需要充分利用多源信息，如不同時相的遙感影像、變化影像、已有的土地利用數(shù)據(jù)等可以構(gòu)成變化特征，形成變化類型的判別知識庫，在知識庫引導(dǎo)下進行類別自動識別。變化曲線或模板匹配是利用不同時相影像建立土地利用類型知識庫（如波段的均值、方差以及其紋理、形狀等），確定標準變化曲線或模板，按照設(shè)定的匹配規(guī)則確定變化類型。農(nóng)業(yè)土地利用變化信息的表達是對單圖斑或?qū)ο蟮牧克?，以及進行各種統(tǒng)計、匯總和表達，通常以統(tǒng)計報表和以影像為背景的專題圖形式進行表達［4，99］。

5 結(jié)語

農(nóng)業(yè)土地資源遙感隨著農(nóng)業(yè)遙感技術(shù)的研究與應(yīng)用不斷發(fā)展，過去幾十年，國內(nèi)外學(xué)者圍繞農(nóng)業(yè)土地資源遙感開展了大量研究，在基礎(chǔ)理論、技術(shù)方法和應(yīng)用系統(tǒng)等方面取得了長足進展，為科學(xué)掌握耕地資源分布、利用現(xiàn)狀、集約化利用模式、時空變化過程和原因等發(fā)揮了重要作用，支撐了各級政府政策制定、宏觀決策和指導(dǎo)農(nóng)業(yè)生產(chǎn)，確保了國家糧食安全、資源安全和農(nóng)業(yè)可持續(xù)發(fā)展［100］。

該文從農(nóng)業(yè)土地系統(tǒng)科學(xué)視角出發(fā)，系統(tǒng)梳理農(nóng)業(yè)土地資源遙感的總體框架，圍繞4個核心內(nèi)容的研究現(xiàn)狀、進展和存在問題進行了深入論述。面向當前和今后相當長時間內(nèi)智慧農(nóng)業(yè)、農(nóng)業(yè)高質(zhì)量與綠色發(fā)展的迫切需求，遙感技術(shù)必將在農(nóng)業(yè)土地資源家底和權(quán)屬調(diào)查、質(zhì)量與利用監(jiān)測、效能評估等方面發(fā)揮更為重要作用。農(nóng)業(yè)土地利用本質(zhì)上反映了復(fù)雜的“人—地”耦合關(guān)系［101］，這需要未來從系統(tǒng)性和整體性的科學(xué)視角開展綜合研究，更好揭示復(fù)雜現(xiàn)象的內(nèi)在本質(zhì)。因此，天空地一體化、多源數(shù)據(jù)、多時空尺度和多技術(shù)方法的綜合集成將是未來農(nóng)業(yè)土地資源遙感研究的重點發(fā)展方向，這迫切需要自然科學(xué)、工程科學(xué)和社會科學(xué)等多個學(xué)科門類的融合與交叉發(fā)展。