眭海剛，王建勛，華 麗，段志強，許貴林

(1.武漢大學測繪遙感信息工程國家重點實驗室，湖北武漢 430079；2.華中農(nóng)業(yè)大學資源與環(huán)境學院，湖北武漢 430070；3.湖北省空間規(guī)劃研究院，湖北武漢 430064；4.廣西科學院數(shù)字孿生新技術研究院，廣西南寧 530007)

實時準確的耕地空間分布與變化信息是促進農(nóng)業(yè)信息化與現(xiàn)代化發(fā)展的重要前提，同時也對宏觀農(nóng)業(yè)政策制定、農(nóng)業(yè)規(guī)劃管理、農(nóng)業(yè)資源保護與可持續(xù)發(fā)展具有重大的戰(zhàn)略意義[1,2]。21世紀以來，黨中央和國務院相繼提出“基本農(nóng)田保護制度”“18億畝耕地紅線”“非農(nóng)化、非糧化”等相關政策，確保“舌尖上的安全”；同時，聯(lián)合國千年發(fā)展目標(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，呼吁全球政府與公民保護農(nóng)業(yè)資源，確保糧食安全供給。因此，精準化、精細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)域為單位，人工目視解譯與野外復核驗證相結合的方式開展，盡管可以獲得較高的監(jiān)測精度，但是由于該方式耗時耗力，滿足不了大范圍、快速及時的農(nóng)業(yè)監(jiān)測需求[4]。遙感憑借其對地表信息觀測的周期性、宏觀性、時效性與經(jīng)濟性，已成為耕地監(jiān)測最有效的技術手段之一[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)的精細化耕地信息提取、強時效的動態(tài)監(jiān)測已經(jīng)成為未來農(nóng)業(yè)遙感領域的重要方向[6]。

當前，限制多源遙感影像耕地監(jiān)測發(fā)展與應用的原因主要有以下3個方面：(1)“認知不清”。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，作物種植結構復雜，耕作措施差異使得耕地類內(nèi)光譜特征多變、紋理特征復雜。其高時空異質性導致耕地要素在視覺感知與認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)往往存在時間“有縫”，空間“有洞”，單一遙感數(shù)據(jù)難以“時-空-譜”無縫表征具有復雜物候特征的耕地的動態(tài)變化，數(shù)據(jù)不完整導致全方位、全周期、全維度認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空域，在面臨大范圍耕地監(jiān)測時，模型與方法的泛化能力弱，精度穩(wěn)定性差，普適性不高，理論與應用之間存在巨大鴻溝，無法有效支撐重大工程應用，例如全國第三次土地調查與地理國情監(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)成為當前耕地監(jiān)測領域的關鍵問題。

為此，本文通過總結與歸納國內(nèi)外學者對耕地監(jiān)測領域的相關研究，梳理耕地相關監(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)測領域技術方法的演化歷程，總結當前主流的耕地監(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。

1 監(jiān)測內(nèi)容

當前，較為權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，包含對耕地的空間分布、形態(tài)面積等信息的獲取，側重于“是否存在，如何存在”；后者主要是從不同時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等，側重于“是否變化，如何變化”。研究較為廣泛的是耕地提取研究領域，研究目標主要包括水田[8,9]、水澆地/灌溉田[10]、旱地[11]等二級類的提取[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)出強烈的動態(tài)變化，加上不同時期遙感影像的獲取時間點不同導致耕地呈現(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，特別是針對高空間分辨率影像的精細變化檢測，現(xiàn)有的涉及耕地變化檢測研究大多基于長時序中低分辨率數(shù)據(jù)開展，主要研究目標包括土地利用/覆蓋變化規(guī)律分析，耕地撂荒與棄耕監(jiān)測等[18-21]。在面向工程化應用時，如何快速發(fā)現(xiàn)耕地變化并輔助實現(xiàn)耕地基礎地理數(shù)據(jù)的更新是一項重要的工作，因此創(chuàng)新與發(fā)展耕地變化檢測方法流程，實現(xiàn)耕地類內(nèi)與類間變化信息的準確獲取是未來研究的關鍵問題。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，其模態(tài)、時空分辨率的不同，對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)源具有不同的應用領域與適用條件。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用與實踐[26]；另一方面，在視覺上能夠清晰辨識地表要素分布的高空間分辨率數(shù)據(jù)，為耕地精細化監(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)也逐漸被應用至耕地監(jiān)測中[27-30]。在地理國情監(jiān)測、全國土地調查等重大工程項目實施中，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，針對中低緯度地區(qū)受云雨天氣影響導致光學遙感影像可利用性不足的問題，合成孔徑雷達(SAR)數(shù)據(jù)穿透性以及不受光照和大氣條件限制的特性，有力改善了光學衛(wèi)星遙感乏力的困境，其后向散射性對水體地物較為敏感，可以利用時序數(shù)據(jù)對水田等信息進行監(jiān)測，但由于其特殊的成像機理，SAR數(shù)據(jù)存在大量的斑點噪聲，并且其預處理過程也極為復雜[34-36]；針對耕地上作物類型復雜多樣導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，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用[37,38]；在中小尺度耕地監(jiān)測中，機動靈活的無人機遙感數(shù)據(jù)也可以實現(xiàn)耕地監(jiān)測“定制化”應用[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，針對單一數(shù)據(jù)源空間分辨率或時間分辨率不能兼顧導致無法表征耕地及其作物光譜變化規(guī)律的問題，眾多學者逐漸以多源遙感數(shù)據(jù)為基礎開展研究，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，實現(xiàn)多源數(shù)據(jù)的協(xié)同觀測。例如：聯(lián)合光學衛(wèi)星與SAR衛(wèi)星多模態(tài)數(shù)據(jù)實現(xiàn)多區(qū)域的耕地監(jiān)測[40,41]；中分辨率時序數(shù)據(jù)與高空間分辨率數(shù)據(jù)結合使用實現(xiàn)小農(nóng)區(qū)域的作物精細化制圖[42]等。

2 監(jiān)測分類體系

本文通過梳理遙感耕地監(jiān)測領域相關研究成果，從任務類型、數(shù)據(jù)種類、先驗信息、區(qū)域特性、分析尺度、分類單元等不同的監(jiān)測角度，總結以下遙感耕地監(jiān)測分類體系：從監(jiān)測任務類型來分，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)測先驗信息來分，根據(jù)是否有先驗數(shù)據(jù)可以分為非監(jiān)督學習方法、監(jiān)督學習方法，先驗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，可以分為像元級耕地監(jiān)測與對象級耕地監(jiān)測等。

3 方法歷程

遙感耕地監(jiān)測方法的發(fā)展歷程也是對地觀測技術、人工智能等領域的發(fā)展史，遙感數(shù)據(jù)源的豐富，人工智能領域的新崛起，深深影響了遙感耕地監(jiān)測方法的發(fā)展歷程。通過對現(xiàn)有遙感耕地監(jiān)測領域方法上的梳理，總結以下4個典型的發(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)源與計算機發(fā)展水平，以統(tǒng)計變化與分析[43-45]、無監(jiān)督分類[46-48]、邊緣檢測[49,50]等方法為主，主要原理是對遙感影像中的像素進行差異性統(tǒng)計，實現(xiàn)相似像元的聚類，以便對所屬耕地地塊或地塊邊界進行描述。

(2)第二階段：推動耕地遙感監(jiān)測領域發(fā)展的第一次契機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，特別是最大似然法[51]、決策樹[52]、支持向量機[53,54]、隨機森林[11]、貝葉斯網(wǎng)絡[13]、神經(jīng)網(wǎng)絡[55]等為主的機器學習算法的應用。此外，另一主要驅動因素來源于高空間分辨率遙感影像的商業(yè)化，面向對象影像分析技術的出現(xiàn)，使得耕地監(jiān)測的基本單元從像素逐漸過渡到對象。與像素相比，對象更能體現(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]等又一次推動了耕地監(jiān)測智能化的提升。

(3)第三階段：在機器學習與面向對象影像分析(Object-Based Image Analysis,OBIA)技術的影響下，研究人員對耕地要素的認知逐漸向以光譜為基礎的物候學分析方法轉移，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尺度分辨率數(shù)據(jù)上得到應用；在光譜匹配算法上，通過統(tǒng)計與分析耕地內(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，從而實現(xiàn)區(qū)域性農(nóng)田的精準制圖與評估[18,64]；在物候曲線匹配算法上，以諧波分析模型(Harmonic model)[17]、動態(tài)時間規(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、作物類型精準劃分以及棄耕撂荒檢測等領域展現(xiàn)出巨大潛力。但由于耕地本身受多樣的作物類型或復雜的種植結構的影響，基于“譜”的方法實際上是對其覆蓋物“農(nóng)作物”物候特征的更加細致的描述。此外，以光譜特征與對象級分類單元為基礎，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]以及針對全球土地利用覆蓋研發(fā)的像素-對象-知識(POK-based)分類體系法[3,69],也在耕地提取或相關領域得到驗證，為后續(xù)耕地監(jiān)測提供良好的思路。

(4)第四階段：近年來，深度學習的快速發(fā)展為耕地資源要素智能監(jiān)測領域注入新的活力。以稀疏自編碼[70]、卷積神經(jīng)網(wǎng)絡[33]、循環(huán)神經(jīng)網(wǎng)絡[71]、深度神經(jīng)網(wǎng)絡[72]為主的深度學習法，以及注意力機制引導[73]、多類型網(wǎng)絡嵌套[74,75]、知識描述[76]等混合方法在耕地地塊識別、耕地邊界劃分和農(nóng)作物分類領域得到廣泛應用。與其他領域相比，基于深度學習技術的遙感耕地監(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的不斷發(fā)展，此領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 基于物候學分析的大尺度耕地制圖

基于物候學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)計算，選擇適合耕地的物候學特征表達，并開發(fā)適用于大尺度的自動耕地提取算法。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時序特征等，開發(fā)出一種自動化的耕地分類算法(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耕地數(shù)據(jù)層(Overall Accuracy,OA≥96.2%)，為后續(xù)國家快速、準確生成年際監(jiān)測圖提供技術支撐；Yan等[59]利用多時相Landsat數(shù)據(jù)，通過計算每周的歸一化差值植被指數(shù)(Normalized Difference Vegetation Index,NDVI)的最大值，實現(xiàn)了美國3個州作物田塊的自動提取，研究表明利用多時相數(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%)，對于大面積耕地自動提取具有重要的借鑒意義；Xiong等[26]針對非洲農(nóng)業(yè)區(qū)域的異質性與碎片化，開發(fā)出一種基于MODIS-NDVI數(shù)據(jù)的自動化農(nóng)田制圖算法(ACMA)，通過收集多源的知識，生成了覆蓋整個非洲大陸的參考耕地數(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。準確的耕地資源信息的掌握對于緩解糧食安全危機與全球生態(tài)評估至關重要，受年際內(nèi)耕地地面實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)時空動態(tài)變化的影響，精確繪制年復一年/季復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數(shù)據(jù)、全球土地利用等這些先驗數(shù)據(jù)，實現(xiàn)大范圍耕地要素的快速更新，對于宏觀掌握全球土地利用資源至關重要；另一方面，充分發(fā)揮當前多種數(shù)據(jù)源的優(yōu)勢(MODIS、Landsat、Sentinel-2以及高空間分辨率數(shù)據(jù)等)，實現(xiàn)大尺度耕地綜合制圖更加精細化、準確化、自動化的表達也是今后研究的重要領域。

4.2 集成機器學習與對象級分割的耕地監(jiān)測

基于機器學習與面向對象影像分析相結合的耕地監(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農(nóng)業(yè)措施監(jiān)測等。Massey等[78]基于Google Earth Enginee平臺，開發(fā)了一種遞歸層次分割算法(RHSeg)與隨機森林分類器相結合的大尺度耕地監(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的產(chǎn)品制作(作物類型、種植強度)與更高空間分辨率的耕地制圖；Yin等[79]開發(fā)出一種基于時空分割與隨機森林相結合的撂荒地檢測流程，利用多時相對象的光譜特征針對俄羅斯與格魯吉亞等區(qū)域開展研究(OA= 97%±1%)，結果表明時空分割方法與機器學習算法相結合是一種穩(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，提出了一種隨機森林與OBIA相結合的小農(nóng)區(qū)域作物類型識別策略，基于光譜、紋理、指數(shù)等多項特征開展馬達加斯加農(nóng)作物類型劃分(OA=91.7%)，并分析不同數(shù)據(jù)源、不同特征的貢獻程度，結果表明在時序分析的基礎上加上對象級分割能大大提高監(jiān)測精度。此外，支持向量機、決策樹等多種機器學習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)測中被廣泛應用[59,80-83]。該模式的最大特點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象單元與人們對實際目標地物的形態(tài)往往并不匹配，進而導致對象級的分類結果無法轉換成具有實際地理實體意義的解譯成果；另一方面在特征工程建設上，對于機器學習算法來說，特征越多，給出的參考信息就越多，準確性會得到提升，但特征多意味著計算復雜，每個特征在訓練樣本上就會稀疏，也會限制其精度的提升。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)進行大致劃分，利用不同的分割尺度實現(xiàn)“分而治之”；另一方面，通過特征選擇，選擇可控的計算能力之內(nèi)最有效的特征組合，逐步提升機器學習算法的適用性。

4.3 深度學習驅動的耕地智能化監(jiān)測

在區(qū)域尺度或中小區(qū)域尺度下，耕地監(jiān)測領域另一主流方法是基于深度學習進行的耕地地塊識別、耕地邊緣劃分以及詳細農(nóng)作物分割等研究。與傳統(tǒng)機器學習算法只學習到耕地“表層”特征相比，深度學習通過“黑箱操作”可以實現(xiàn)更深層次抽象特征的提取與挖掘。例如：Zhang等[33]針對現(xiàn)有的耕地數(shù)據(jù)集分辨率不足，無法在區(qū)域或局部尺度上應用的瓶頸問題，基于Gaofen-1、Gaofen-2以及Ziyuan-3等高空間分辨率數(shù)據(jù)，采用改進后的金字塔場景解譯網(wǎng)絡(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個省級研究區(qū)開展廣泛的應用(OA≥89.99%)；Persello等[84]針對非洲小農(nóng)農(nóng)業(yè)區(qū)耕地邊界模糊，自動化提取難的現(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)絡模型與水平集分割相結合的方式，對地塊邊界進行有效區(qū)分，在尼日利亞聯(lián)邦共和國、馬里共和國等多個研究區(qū)取得良好結果(F-scores>0.6)；Xu等[71]面向大規(guī)模精準農(nóng)作物制圖需求，開發(fā)出一種基于Long Short Term Memory(LSTM)和注意力機制相結合的深度作物制圖流程(Deep Crop Mapping)，通過整合多時相與多光譜遙感數(shù)據(jù)，實現(xiàn)玉米、大豆等多種農(nóng)作物的動態(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)絡模型及其改進也逐漸應用至耕地監(jiān)測中[70,85-88]。盡管諸多研究已經(jīng)證明深度學習是當前最有效的方法，但精度不穩(wěn)、泛化不強、樣本不足等多方面局限性極大限制其廣泛應用。因此，針對網(wǎng)絡模型精度不穩(wěn)定的問題，應建立顧及耕地要素敏感性偏好的網(wǎng)絡模型，充分實現(xiàn)其物候特性與空間形態(tài)的聯(lián)合表征；針對目前方法遷移泛化能力弱的問題，應重點研究通過知識引導的遷移學習策略，特別是由于時空域不同導致的物候特征的遷移；針對當前耕地監(jiān)測領域樣本不足的問題，一方面通過眾包、實地等多種方式建立多時相、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，為深度學習提供源源不斷的數(shù)據(jù)“燃料”，另一方面基于小樣本弱監(jiān)督的深度學習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)預處理、變化信息提取、精度驗證等綜合處理過程，加上不同季節(jié)的耕地類內(nèi)差異過于顯著，基于深度學習的耕地變化檢測研究依然面臨巨大瓶頸。

5 應用領域

5.1 不同農(nóng)業(yè)區(qū)域監(jiān)測應用

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構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)耕地及其相關監(jiān)測則更應受到關注[92,93]。些許學者基于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]，但是對于田間異質性更大、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，應充分發(fā)揮與挖掘多尺度(不同分辨率)、多模態(tài)(光學為主、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)展與轉型，以及經(jīng)濟利益的驅動，梯田、溫室大棚、蝦稻田等特殊耕地類型也應受到重視，在監(jiān)測其空間分布與面積變化的同時，也需評估其對周圍生態(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)品側重于土地利用/覆蓋制圖，耕地并不是主要目標，但分類體系不統(tǒng)一、空間分辨率限制、專題性不強、精度難以綜合評估等問題導致其利用率并不高[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)，迫切需要補充更高空間分辨率的數(shù)據(jù)進行協(xié)同監(jiān)測，因為在更為精細的空間分辨率下，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，如何進行小區(qū)域示范的推廣與應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)測單元進行耕地監(jiān)測，主要通過利用像素值之間的差異進行耕地的區(qū)分。盡管相關理論、算法與技術流程相對成熟并且取得較好的監(jiān)測結果，但在地類嵌套、地塊破碎的復雜自然場景中，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；隨著面向對象影像分析技術的出現(xiàn)，對象級監(jiān)測逐漸成為了主流，面向對象主要是將影像分割后的對象作為最小分類單元進行分類，與像素相比，對象具有更加豐富的形狀、紋理、空間上下文關系等[97]，使得對象級尺度更能體現(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)的對象級耕地監(jiān)測也得到廣泛應用[29,32,45,98]。但高空間分辨率影像時相較少，缺少耕地分類所欠缺的物候信息[99]，利用面向對象技術從時間序列/多時相數(shù)據(jù)中進行相關監(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)，部分研究聚焦于對象級全球/區(qū)域地物監(jiān)測[69]，這對于復雜自然場景下破碎耕地適用性并不大。此外，對象級監(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，影像分割后的對象與實際地物邊界還存在一定誤差[98]，因此，亟需發(fā)展農(nóng)業(yè)場景級與地塊實體級監(jiān)測[100]，而深度學習技術將有力推動遙感耕地由監(jiān)測“準”向監(jiān)測“精”的方向邁進。

6 展望

耕地本質上是一個涵蓋多種作物的復合要素，因此，遙感耕地監(jiān)測本質上是一個復雜的過程。隨著大數(shù)據(jù)、人工智能技術的不斷發(fā)展與應用領域的拓展，遙感耕地監(jiān)測的智能化、精細化與精準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)展趨勢有以下4個方面。

(1)在耕地專題性監(jiān)測基礎上，應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)象的耕地類型轉換，以及耕地類內(nèi)由于種植類型與種植模式變化而導致的“偽變化”。特別面向重大工程應用需求，在已有的基底數(shù)據(jù)上，快速實現(xiàn)耕地變化發(fā)現(xiàn)以輔助耕地數(shù)據(jù)的快速更新仍是一項重要內(nèi)容。

(2)遙感數(shù)據(jù)是一個從單源到多源、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。成像機理與工作模式的差異導致單模態(tài)數(shù)據(jù)源應用于耕地監(jiān)測時呈現(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)測依然是實現(xiàn)耕地時空異質性聯(lián)合表征最有效的途徑。

(3)盡管傳統(tǒng)的機器學習算法與面向對象影像分割技術的結合依然在耕地檢測領域發(fā)揮重要作用，但以深度學習為主的方法已在耕地監(jiān)測領域展現(xiàn)出巨大的潛力，構建多時相、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)絡模型，提升模型在時間域與空間域的遷移泛化能力；嵌入地學輔助知識，通過不斷迭代反饋優(yōu)化監(jiān)測結果，以此實現(xiàn)耕地監(jiān)測的“數(shù)據(jù)-模型-知識”聯(lián)合驅動，提升耕地監(jiān)測精準化、精細化與智能化水平。

(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，精細化的耕地制圖對于全球氣候與可持續(xù)發(fā)展評估意義重大，而中小尺度耕地監(jiān)測技術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)，結合多尺度、多模態(tài)遙感數(shù)據(jù)，實現(xiàn)小農(nóng)區(qū)域耕地以及農(nóng)業(yè)土地利用精細化制圖，對于全球糧食安全與社會穩(wěn)定至關重要；耕地監(jiān)測尺度在經(jīng)歷了像元-對象的監(jiān)測尺度之后，如何提升監(jiān)測結果與耕地地塊實體化的匹配程度依然亟待解決。