摘要：及時準確掌握農作物種植制度時空分布信息，對于確保國家糧食安全與農業結構合理具有重要意義。隨著時序遙感影像質量的不斷提高，基于時序遙感數據的農作物種植制度研究備受關注。本文從研究框架、遙感特征參數以及數據產品等角度，分析了基于時序遙感數據的農作物種植制度最新研究進展。研究發現：①前農作物種植制度研究框架，主要包括耕地復種指數和農作物制圖等相關內容，其問題在于需要高質量耕地分布數據支撐以及易將熱帶亞熱帶濕潤區撂荒地誤判為農作物等;②于紅邊和短波紅外的新型多維度光譜指數，有助于更好地揭示農作物生長發育過程，大尺度農作物時序遙感制圖取得了系列研究成果，但需要應對不同作物光譜差異細微、同種作物在不同區域和年份存在明顯類內異質性的挑戰;③尺度中高分辨率耕地復種指數產品不斷豐富，但其時效性和時空連續性有待加強;④歐美少數國家外，目前農作物分布數據產品覆蓋的作物類型有限，我國大尺度農作物種植制度數據產品欠缺，特別是復雜多熟制農業區。隨著多源遙感數據時空譜分辨率的不斷提高以及云計算平臺性能的不斷發展，我們對以下方面進行了研究展望：①新研究框架，建立直接提取耕作區、農作物種植模式的農作物種植制度一體化遙感監測技術框架;②一步加強新型多維度遙感指數及其物候特征指標設計，拓展農作物種植制度監測的遙感特征參數;③立作物種植制度變化遙感監測技術，實現多年信息連續自動提取。

　　關鍵詞：農作物種植制度;時序遙感;復種指數;農作物物候;自動制圖;耕地拋荒;光譜指數;時空連續

　　1引言

　　作物種植制度包括耕地復種指數(CroppingIndex,CI)和種植結構等相關內容。作為作物種植制度的重要組成部分，耕地復種指數遙感監測為農作物制圖的基礎。復種，作為一種最直接有效提高產量的耕作方式，在全國特別是亞洲國家普遍采用[1]。我國為世界上耕地復種面積最大的國家，將近一半耕地實施復種，并且隨著氣候變暖我國耕地復種潛力明顯增加[2-3]。

　　適當提高復種集約用地，有助于緩解人地矛盾同時穩步提高糧食產量[2,4]。然而，長期高強度集約化利用(Intensification)將導致過渡消耗耕地肥力，從而制約耕地資源的可持續利用。作為世界人口最多的發展中國家，我國政府高度重視糧食生產，先后出臺了系列強有力的農業扶持政策，對于促進糧食生產起到了基礎保障作用。然而，我國糧食生產的結構性矛盾日益突出，表現為：三大糧食作物播種面積持續攀升，玉米供過于求并且庫存高企，大豆的對外依存度持續攀升。

　　隨著我國經濟快速發展和社會轉型，我國作物種植制度變化日益頻繁。大尺度中高分辨率現勢性強的農作物種植制度時空分布信息，對于確保我國糧食安全并且持續推進供給側結構性改革至關重要[5-6]。遙感，為獲取大尺度農作物種植制度時空分布變化信息的唯一可行方式。隨著遙感大數據時代的來臨，越來越多較高時空分辨率時序遙感數據全球免費開放獲取，為農業遙感領域帶來了前所未有的機遇。

　　本文認真梳理了基于時序遙感數據的農作物種植制度研究進展，旨在推進在大尺度長時序遙感數據支撐背景下的農業遙感技術發展。在耕地復種指數和農作物分布遙感監測方面，此前已有不少學者分別從科學問題、遙感監測方法以及未來發展趨勢等方面，開展了深入細致的研究綜述[7-12]。本文分別從耕地復種指數、農作物種植結構遙感監測兩方面內容，分析了基于時序遙感數據的農作物種植制度最新研究進展，闡述農作物種植制度研究面臨的挑戰以及未來發展趨勢等。與以往相關綜述所不同的是，本文側重從農作物種植制度研究框架、遙感特征參數以及相關數據產品等角度展開綜述。

　　2耕地復種指數遙感監測研究進展

　　耕地復種指數遙感監測研究框架與面臨的挑戰耕地復種指數遙感監測研究，歷來備受關注[11]。本文主要側重對耕地復種指數遙感監測研究框架研究進展分析。在現有耕地復種指數遙感監測研究框架中，通常包括以下3個步驟：①首先，評估選取研究區土地利用/覆蓋數據集，提取耕地空間分布圖層;②然后，在耕地區域內，剔除耕地復種指數為零(CI=0)，即耕地休耕或撂荒區域，在此基礎上獲得耕作區域(CI≥1);③在耕作區域內，基于平滑的遙感時序數據集，選取合適的耕地復種指數遙感監測方法，進行作物熟制判別(判別CI=1,2,3or4?)[13]。

　　最后，基于不同農作物生長期開展農作物制圖，獲得農作物種植制度。基于目前農作物種植制度常規研究框架中，在第一個步驟中，耕地空間分布數據質量是關鍵[13]。在第二個研究步驟中，撂荒或休耕區域信息提取方法通常相對比較簡單。例如，通常將植被指數峰值小于某個閾值(如EVI<0.35或者NDVI<0.5)區域，設定為撂荒地或非耕作區(UncroppedRegion)[14-15]。

　　然而，南方濕潤區耕地撂荒后通常荒草叢生，其植被指數峰值和農作物并無明顯差異，因此容易將熱帶亞熱帶濕潤區耕地撂荒判別為單季農作物從而導致過高估計耕地復種指數。并且，由于耕地拋荒后的影像特征復雜多樣，和撂荒前播種農作物類型以及撂荒后植被覆蓋情況密切相關，因此基于常規遙感監測方法難以實現耕地撂荒區域信息有效提取[16]。在第3個研究步驟中，耕地復種指數遙感監測方法，主要包括曲線特征對比法、峰值法、線性混合模型法、生長周期判別法、小波特征圖譜法等[7,17-18]。

　　上述耕地復種指數遙感監測方法，在如何有效地獲取農作物生長周期方面，分別提出了各自的研究策略。有關耕地復種指數遙感監測方法及其各自的優缺點，已有不少深入全面的研究綜述[7-9]，本文不再贅述。目前耕地復種指數監測所采用的遙感時序數據集，通常主要為NDVI、EVI等常規植被指數數據[14,17,19]。在耕地復種指數遙感所需的支撐數據集方面，面臨以下問題與挑戰：

　　①需要高精度耕地分布數據圖層，但目前的土地利用/覆蓋產品通常難以滿足高時效精準監測的需求[12];②地面調查參考點位數據極其匱乏，尤其是休耕/撂荒地等相關信息，全世界除日本外其他國家尚未見有關耕地拋荒的官方數據報道;③需要高時間、高空間分辨率的時序遙感影像，需要擴展耕地復種指數遙感監測數據基礎，不僅僅限于常規植被指數時序數據[1]。

　　在普遍實施多熟制的熱帶亞熱帶濕潤區(如東南亞、南美熱帶雨林區等)，光學影像通常容易受到云干擾，時序遙感數據可獲得性不理想，給基于植被指數時序特征的遙感監測方法帶來嚴峻挑戰[17,20-21]。農作物種植制度遙感監測，需要“雙高”乃至“三高”(高時空譜)時序遙感影像數據，其原因在于：①高時間分辨率時序遙感影像，才能確保有效地獲取能區分不同熟制區域的季節性差異，實現耕作區信息提取;②世界上很多發展中國家(如中國以及很多非洲國家)，仍以小農農業為主，地塊破碎，耕地撂荒集中于山區，需要較高空間分辨率的時序遙感影像數據，才能有效地緩解混合像元問題[11,22-23]。

　　2.2大尺度耕地復種指數數據產品研究進展

　　在全球尺度上，澳大利亞學者利用2000年左右國家或次國家尺度26種不同農作物種植區域、全球耕地分布以及作物收割面積，確定多熟制種植分布區域，首次獲得全球30弧分多熟制種植分布圖[24]。中科院空天院吳炳方研究團隊，最新發布了全球30m分辨率的2016—2018年耕地復種指數均值分布數據產品(GCI30)[17]。

　　這些全球尺度的耕地復種指數數據產品，為支撐在可持續發展框架下實施糧食安全戰略具有重要意義。然而，由于全球不同農業系統的復雜性以及植被指數時序數據可獲得性差異(如熱帶亞熱帶濕潤區多云多雨，光學影像時序數據收到嚴重干擾)，全球耕地復種指數數據產品精度存在很大的不確定性[17]。雖然耕地復種指數在糧食生產中的重要性得到高度關注，但大尺度長時序耕地復種指數數據產品依然相對匱乏[25]。在洲際和國家尺度上，耕地復種指數相關研究由來已久，積累了較為豐富的研究成果與數據產品[4]。

　　然而，目前相關數據集，主要分布在亞洲和中國，集中在個別或少數年份，跨年代逐年時空連續數據產品相對匱乏[1,25]。雖然近年來逐漸涌現出國家尺度長時序耕地復種指數時空分布數據成果，但多為截至2018年以前、低分辨率(如500m)的數據產品。隨著“三高”時序遙感影像數據的不斷豐富以及GoogleEarthEngine(GEE)等云計算服務能力的加強，大尺度高精度高時效耕地復種指數數據產品必將逐步涌現。

　　3農作物種植結構遙感監測研究進展

　　3.1農作物時序遙感特征參數研究進展

　　分析獲取有效的遙感特征參數，是地表覆蓋遙感制圖的關鍵要素[29]。基于多波段信息的光譜指數，如植被指數，為植被生長狀態監測提供有用信息，有助于提高遙感分類精度[30]。然而，基于可見光和近紅外波段的常規植被指數，很難剝離不同農作物、不同物候期的光譜差異[31]。

　　因此，有必要充分有效利用短波紅外和紅邊波段等光譜信息，拓展農作物時序遙感特征參數。紅邊波段(680~750nm)存在很強的葉綠素吸收和葉片反射[32]，與植被光合作用能力密切相關，能有效監測植被結構與功能屬性。最近研究表明，紅邊波段能用于揭示葉面積和營養元素含量等變化信息[33]。短波紅外波段，對植被葉片含水量敏感，能有效地揭示植被葉片含水量變化[34]。例如，Sentinel-2MSI數據的第一和第三紅邊波段，分別與葉綠素含量和葉片結構變化密切相關，用于監測植被物候變化也非常有效[35]。相比紅邊和短波紅外反射率而言，在此基礎上構建的多維度新型光譜指數，對于揭示不同農作物生長發育過程特性更為有效[36]。

　　例如，葉綠素[37-38]、類胡蘿卜素[39-40]、花青素[41]、氮營養指數[42]、水體指數[43]、干物質指數[44]、作物殘留物[45]等系列光譜指數。葉綠素、類胡蘿卜素和花青素3大植被色素，對植被生長發育中發揮重要作用[46]。葉綠素，是植被光合作用能力和生長發育階段的指示器[37]。類胡蘿卜素，作為植被葉綠體第二大色素，具有吸收傳遞光能和光保護功能[39]。花青素，作為第三類重要的植被色素，植被呈色物質大部分與之相關[41]。不同色素在農作物不同生長階段發揮重要作用，色素含量隨著農作物生長發育呈現規律性變化，最近研究表明植被色素變化能更好地估計植被光合物候[46]。

　　3.2基于物候的大尺度農作物自動制圖研究進展及其所面臨的挑戰

　　農作物種植結構，可以基于不同農作物分布圖或結合抽樣統計的方式獲取[54]。建立高效的農作物遙感監測方法，獲得小試驗區或者整個研究區農作物分布數據的質量，是開展農作物種植結構研究的關鍵。目前大部分農作物時序遙感制圖方法，需要依賴每種農作物實地調研訓練數據。收集地面調查數據成本高耗時長，難以實現大尺度自動推廣應用[55]。隨著機器學習算法的迅速發展，在遙感分類領域中發揮越來越重要作用[56]。

　　深度學習技術，具有自適應提取高維特征的優勢。深度學習技術在遙感領域的應用，已有不少深入全面的研究綜述[57-58]，本文不再詳細闡述。隨著大數據時代的來臨，基于深度學習技術的農作物遙感制圖方法，已經成為農業遙感領域極具應用前景的熱點研究方向。然而，包括深度學習在內的基于訓練數據驅動的算法，不足之處在于大尺度推廣應用時通常需要增加新的訓練樣本數據，否則可能導致由于不同區域或年份農作物時序信號存在差異而難以正確判別[59]。

　　3.3大尺度農作物時空分布數據產品研究進展

　　全球尺度農作物分布數據產品，多通過遙感與統計數據相結合，提供了基于10km網格內主要農作物占耕地的百分比數據[73]。這些全球農作物空間分布產品，多為基于農作物統計信息的空間化表達，統計數據時效性不足，難以滿足行業應用需求。

　　美國地質勘探局資助的GFSAD30項目利用多傳感器遙感數據，提供全球尺度農田動態信息，農作物類型識別精度能達到1km。在國家尺度上，美國農業部生產覆蓋全美30m農田數據集(CroplandDataLayer(CDL)product)[74](表2)。加拿大利用監督分類方法獲取國家尺度年度作物類型分布信息[75-76]。但是，國家尺度中等分辨率(30m)業務化運行的農作物分布數據產品，目前僅局限于美國、加拿大等少數歐美國家[76]。

　　4研究展望

　　4.1創新農作物種植制度研究框架

　　耕地復種指數和作物類型信息獲取，為土地變化科學領域最具挑戰性的任務[67]。如何有效識別撂荒地，依然屬于復種指數遙感監測的盲區[12]。截止目前為止，全球農作物空間分布產品分辨率和空間精度相對較低，難以滿足行業應用需求。實現中高分辨率農作物種植制度遙感監測的業務化運行，依然任重道遠。因此，有必要創新農作物種植制度研究框架。

　　(1)創建不依賴現有耕地分布數據、直接提取耕作區域的遙感監測框架與方法。雖然全國乃至全球土地利用/覆蓋數據產品越來越豐富，但通常并未提供實際耕作區或休耕地分布信息[81]。休耕或撂荒耕地，在土地利用變化科學領域通常屬于被遺忘的角落。基于目前耕地復種指數遙感監測方法框架，撂荒或休耕區域信息提取方法通常相對比較簡單。由于城市化進程等多種因素導致耕地時空格局持續變化，以及由于多種農作物種植制度差異引起耕地光譜特征復雜多樣，耕地空間分布數據精度、時效性以及時空連續性依然有待提高[12,82]。擺脫對現有耕地分布數據的依賴，系統分析不同作物類型以及作物與非作物類型的時序光譜差異，建立直接提取國家尺度耕作區域的耕作區專題制圖方法。

　　(2)建立涵蓋不同熟制和農作物種植模式的新型農作物種植制度一體化遙感監測框架與技術方法。雖然在耕地復種指數和農作物分布制圖方面分別均有不少研究進展和相關數據產品，但全面考慮不同作物熟制和多種農作物類型的相關研究與數據產品依然非常罕見。由于農作物種植模式多樣性(比如：冬小麥-玉米、冬小麥-水稻、冬小麥-大豆、雙季稻、煙葉-水稻、稻稻菜等)、農作物物候與農作物長勢差異等多方面因素，同一熟制下植被指數時序特征復雜多變[83]。

　　隨著人民生活水平的提高與飲食結構的變化，農作物產品種類不斷豐富多樣，對農作物遙感監測提出了新要求。在農作物種植制度遙感監測研究主題方面，從少數大宗農作物到覆蓋更多農作物種植模式的大尺度長時序自動制圖，依然是今后需要長期努力的發展方向[84]。

　　未來可以嘗試拋棄目前常用的耕地掩膜-剔除撂荒區-熟制識別-農作物制圖按步驟分別實施策略，建立農作物種植制度一體化遙感監測技術框架，實現涵蓋不同熟制與農作物類型的農作物種植制度一體化信息提取。加強新型多維度遙感指數及物候指標設計，融合多源數據拓展時序遙感特征參數創新農作物種植制度研究框架，實現農作物種植制度一體化信息提取，關鍵在于拓展農作物種植制度監測的時序遙感特征參數。多源遙感數據融合，有助于形成更高維度的時空譜遙感大數據，提升特征提取與綜合應用能力[12,85]。

　　參考文獻(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]楊婷,趙文利,王哲怡,等.基于遙感影像NDVI數據的中國種植制度分布變化[J].中國農業科學,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]閆慧敏,劉紀遠,曹明奎.近20年中國耕地復種指數的時空變化[J].地理學報,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*，閆超，黃穩清