EN中文

Journal of Geo-information Science >

2021 , Vol. 23 >Issue 7: 1169 - 1184

DOI: https://doi.org/10.12082/dqxxkx.2021.200465

Research Progress on Remote Sensing Monitoring of Cultivated Land Cropping Intensity

  • GE Zhongxi , 1, 2, 3 ,
  • HUANG Jing 1, 2, 3 ,
  • LAI Peiyu 1, 2, 3 ,
  • HAO Binfei 4 ,
  • ZHAO Yinjun 5, 6 ,
  • MA Mingguo , 1, 2, 3, *
Expand
  • 1. Southwest University, School of Geographical Sciences, Chongqing Jinfo Mountain Field Scientific Observation and Research Station for Kaster Ecosystem, Ministry of Education, Chongqing 400715, China
  • 2. Chongqing Engineering Research Center for Remote Sensing Big Data Application, School of Geographical Sciences, Southwest University, Chongqing 400715, China
  • 3. Chongqing Key Laboratory of Karst Environment, School of Geographical Sciences, Southwest University, Chongqing 400715, China
  • 4. College of Electronics and Information Engineering, Guangdong Ocean University, Zhanjiang 524088, China
  • 5. Key Laboratory of Environment Change and Resources Use in Beibu Gulf (Ministry of Education), Nanning Normal University, Nanning 530001, China
  • 6. Key Laboratory of Earth Surface Process and Intelligent Simulation, Nanning Normal University, Nanning 530001, China
* MA Mingguo, E-mail:

Received date: 2020-08-15

  Request revised date: 2020-09-25

  Online published: 2021-09-25

Supported by

National Key Research and Development Project of China(2016YFC0500106)

National Natural Science Foundation of China(41830648)

National Natural Science Foundation of China(41771453)

National Natural Science Foundation of China(41661085)

Guangxi Scientific Project(AD19110140)

Chongqing Postgraduate Research and Innovation Project(CYS20107)

Copyright

Copyright reserved © 2021
Fold

Abstract

Cropping intensity refers to the frequency of crop planting in the same cultivated land in one year. It is a key parameter for grain yield estimation, land use intensity evaluation, and agroecosystem modeling. Understanding the spatiotemporal change of cropping intensity provides support for food security, land management, and eco-environment security. The demand for timely and accurate information of cropping intensity is expected to increase in the future. Traditionally, cropping intensity is calculated from the statistical data. However, there are several shortcomings in the output from statistics, such as time-lag effect, homogeneity in one administrative unit, and low accuracy. In the past two decades, remote sensing technology has been widely used to monitor cropping intensity at different scales due to its multiple advantages such as high-efficiency and low-cost. However, the performance of remote sensing in monitoring cropping intensity has not been well evaluated. In this paper, remote sensing data, extraction algorithms, and accuracy evaluation methods employed in cropping intensity researches are summarized elaborately: ① cropping intensity extraction algorithms can be grouped into the following types: feature discrimination algorithm, curve feature comparison algorithm, peak detection algorithm, temporal mixture analysis algorithm, hierarchical training algorithm, continuous wavelet transform algorithm, growth cycle judgment algorithm, and time-series banning algorithm; ② time-series data from a single sensor is still the main data source for cropping intensity monitoring and can no longer meet the requirement of higher precision. As a result, data fusion has gradually become an effective way to obtain high-quality time-series data from remote sensing; and ③ results from different extraction algorithms are evaluated by statistics, visual interpretation, field survey, and previous studies. Furthermore, we conclude the advantages and disadvantages of remote sensing data and compare different extraction algorithms and accuracy evaluation methods. Finally, we discuss the deficiencies of previous studies, and put forward several tips for future studies: ① a reasonable evaluation system is expected to be established for comparing different extraction algorithms; ② more attention should be paid to regions having complex terrain and smallholder farms; ③ to obtain higher quality time-series data from remote sensing and improve the efficiency of data processing, denoising algorithms, data fusion, big data, and cloud computing techniques should be considered; ④ multi-scale validation of results is needed if data is available.

Key words： cropping system; time-series; vegetation index; reconstruction; data fusion; extracting algorithm; research status; development trend

Cite this article

GE Zhongxi , HUANG Jing , LAI Peiyu , HAO Binfei , ZHAO Yinjun , MA Mingguo . Research Progress on Remote Sensing Monitoring of Cultivated Land Cropping Intensity[J]. Journal of Geo-information Science, 2021 , 23(7) : 1169 -1184 . DOI: 10.12082/dqxxkx.2021.200465

1 引言

粮食安全事关经济发展、社会稳定和国家安全,其基础地位坚决不能动摇。粮食播种面积和单位面积产量是决定粮食产量的2个主要因素,而耕地数量和质量、作物单产水平、复种则是其直接影响因子。受到人口和经济快速增长的影响,我国耕地的数量和质量呈现下降趋势[1]。除此之外,随着栽培和田间管理技术的不断提高,实际的粮食单产水平不断接近单产的理论上限[2]。因此,在耕地数量和质量、作物单产水平2个直接影响因子逐渐受到约束的情况下,耕地复种成为了增加粮食产量最有效的手段。2017年联合国粮农组织数据（ http://www.fao.org/faostat/en/#home）显示,我国耕地总量占全球耕地总量的9%,人均耕地面积仅为全球人均水平的45%。为满足巨大的粮食需求,我国一半以上的耕地实行复种,复种面积占全国播种总面积的三分之二,可见耕地复种对粮食生产和粮食安全的贡献巨大[3]。
复种,指的是一年内同一耕地地块上连续种植两季或两季以上作物的种植方式[4]。耕地复种的高低程度通常使用复种指数来表示,其值等于全年作物播种面积与耕地面积的比值。复种指数不仅可以作为粮食估产的依据[5],而且还是耕地利用强度评价[6]、农业生态系统模拟[7]等的关键参数,具有重要的作用。传统的复种指数通过统计资料计算获得,存在时效性差、忽略了统计单元内部空间异质性等不足[8]。为及时、准确地掌握复种指数信息,遥感技术因具有大范围、高时效、低成本等优点而被引入相关研究。时间序列遥感数据能够较好地描述作物的生长过程,是使用遥感技术进行耕地复种指数监测的理论基础[9]。复种指数遥感监测的流程可概括为3个部分：① 获取高质量的时间序列遥感数据;② 使用监测方法从时间序列遥感数据中提取复种指数;③ 对提取结果进行精度验证。
此前,已有学者就耕地复种指数遥感监测的相关内容进行过总结和评价[8,10-12]。然而,随着近年来遥感、大数据、云计算、计算机、传感器等技术和硬件的快速发展,为复种指数遥感监测带来了新的数据和方法,不断更新的研究成果亟待补充整理。除此之外,不同数据和方法的优缺点有待分析和总结。鉴于以上,本文在前人工作的基础上,梳理和补充耕地复种指数遥感监测中的数据和方法,并分析其优缺点,讨论当前研究中存在的不足,进而提出未来相关研究应重点解决的问题,旨为该领域的深入研究提供参考。

2 研究现状

根据复种指数遥感监测的主要流程,下文分别就监测方法、高质量时间序列遥感数据获取、提取结果精度验证3个方面的研究现状开展综述。

2.1 监测方法研究现状

监测方法是复种指数遥感监测的核心部分,直接影响监测结果的准确性及合理性。复种指数遥感监测相关研究经过20多年的发展,多种监测方法被应用于不同案例的研究中,得到了有效的验证。此外,新的监测方法不断出现,更新和完善了复种指数遥感监测方法体系。通过对已有文献中的监测方法进行梳理,根据原理差异可将监测方法分为：特征时相分离法、曲线特征对比法、峰值点探测法、线性混合模型法、层次训练法、连续小波变换法、生长周期判断法、时间序列分箱法等类别。
2.1.1 特征时相分离法
使用关键时相特征对不同作物或种植方式进行区分并在此基础上获得耕地复种指数,是特征时相分离法的核心思想。在早期研究中,通常先使用特征时相提取单期作物分类图,再结合多期遥感数据获得耕地复种信息。如Panigrahy等[13]使用最大似然法对遥感影像进行分类,挑选出最能反映作物生长特征的影像用于提取作物分类图,再结合多期影像获得了印度西孟加拉邦的耕地复种信息。上述方法以耕地轮作为出发点,获得轮作信息即可获得耕地复种信息。后来,左丽君等[14]基于时间序列植被指数的7个特征时相,利用决策树分类获取了我国北方耕地的复种指数,结论表明该方法提取结果不仅满足精度要求,而且相比基于时间序列谐波分析方法（Harmonic ANalysis of Time Series,HANTS）的提取效率更高。近年,特征时相法也被用于获取大空间、高精度的复种指数信息。例如,Jiang等[15]使用Landsat的归一化植被指数（Normalized Difference Vegetation Index,NDVI）,利用单季稻和双季稻的NDVI在特定时间窗口的差异,较好地分离了单、双季稻并获得高空间分辨率的水稻分布图,在此基础上分析了我国南方稻区水稻种植制度的变化。
2.1.2 曲线特征对比法
此类方法主要利用时间序列曲线的形状特征来识别熟制信息,主要包括以下2种方法：
（1）交叉拟合度检验法
辜智慧等[16]在高光谱分析中光谱匹配法的基础上提出了一种新的复种指数监测方法——交叉拟合度检验法。该方法的主要思路是将熟制信息未知的时间序列曲线与熟制信息已知的标准曲线库进行比较。实现交叉拟合度检验法：① 从去噪重建后的遥感数据中选取典型样点,建立熟制信息已知的标准曲线库;② 将熟制信息未知的曲线和标准曲线库进行匹配,并使用交叉拟合度检验法进行曲线拟合度评价;③ 根据拟合程度判断熟制信息。 辜智慧等[16]参考我国种植制度区划图选择了186个样点用于建立标准曲线库,使用交叉拟合度检验法逐像元比对获取我国大陆地区的耕地复种指数,结果表明该方法在分析曲线之间的相关性时表现出较高的精度（总体精度为83.8%,Kappa系数为0.81）,具有一定的应用前景。该方法将曲线之间的拟合效果作为切入点,是获取耕地复种指数的一个新角度,为后续的研究提供了参考。
（2）形状匹配法
形状匹配法是一种基于数学形态学的排序算法,其主要思路是使用预定义的几何模板（如移动窗口形状）和时间信号（时间序列遥感数据）之间的关系来确定复种指数[17]。具体来说：① 需要根据作物的生长周期和遥感数据的重访周期确定移动窗口的宽度;② 使用移动窗口在时间序列曲线上检测局部极大/小值点（当极大值、极小值点位于移动窗口的中部时,将其标记为作物生长周期潜在极值点）; ③ 使用预定规则排除错误的极值点;④ 确定作物生长曲线最小增长幅度的阈值并提取复种指数。Liu等[17]使用该方法提取了江苏省2010年的耕地复种指数,并与其他监测方法进行了比较。研究结果显示,该方法在没有对时间序列数据进行去噪重建、没有加入先验知识和额外限制条件的情况下,仍然获得了满意的精度（总体精度80%）。形状匹配法与交叉拟合度检验法类似,同样使用了曲线的特征,不同的是形状匹配法不与标准曲线进行比较,而是将曲线上确定的形状特征（如极值点位于7个元素几何模板的中心）作为获取复种指数的依据。
2.1.3 峰值点探测法
峰值点探测法从时间序列遥感数据中探测出可能的峰值点,并辅助于一定的限制条件去除“伪波峰”,最后将峰的个数等同于复种次数。根据获取曲线峰值点方法的不同,峰值点探测法还可以细分如下：
（1）二次差分法
时间序列遥感数据虽然经过去噪重建,但处理后的数据仍然是离散的。因此,为了从时间序列数据中提取复种指数,需采用求离散点极大值的方法来提取极大值的个数,二次差分法就是一种常用的方法。使用二次差分法提取复种指数的步骤如下（以一个像元为例,时间序列遥感数据中含N个值）：① 对时间序列数据进行第一次差分。依次用后一个元素的值减去与其相邻的前一个元素的值,并形成包含N-1个元素的新序列。同时,对新序列重新赋值,负数赋值为-1,正数赋值为1。② 对第一步得到的结果进行第二次差分。同第①步中的做法类似,用后一个元素减去与其相邻的前一个元素的值,得到包含N-2个元素的新序列。③ 获取极大值点。第②步得到结果中值为-2,且前后位置的值均为0的点即为极大值点。④ 使用限制条件去除“伪波峰”。原理简单、算法容易实现使得二次差分法在多种尺度的耕地复种指数遥感监测中均有应用,而且二次差分法在提取结果精度方面也有较好的表现[18,19,20]。
（2）特征点检测法
对于连续的曲线,其一阶导数为0的点是该曲线的极值点。利用该原理可以提取平滑曲线的峰,从而实现复种指数的遥感监测。比如在湄公河三角洲的复种指数研究中,Sakamoto等[21]基于小波变换获得了平滑的时间序列曲线,在此基础上使用特征点检测法提取了湄公河三角洲的复种指数。此外,Hao等[22]使用该方法提取了全球4个主要粮食产区的复种指数,其中,六次多项式函数被用于获取平滑的曲线。使用特征点检测法提取复种指数有一个重要前提——去噪重建后的曲线要求平滑。
（3）邻域比较法（直接比较法）
在去噪重建后的植被指数时间序列中,取一定时间长度作为判断区间,对区间内的植被指数直接进行比较以获取局部极大值,重复上述过程获得整个研究时段的极大值的个数,合理的极大值个数即复种指数大小,以上就是邻域比较法的主要思路。邻域比较法在全球[23]、区域尺度[24]的复种指数研究中均有应用。判断区间的确定是邻域比较法的关键之一,需要考虑农作物生长期长度。
（4）滑动分割法
滑动分割法将基于去噪重建时间序列的熟制信息提取看作是一个非线性、非平稳时间序列曲线突变特征检测的问题[25]。① 对平滑后的时间序列进行滑动处理,生成3个滑动衍生序列（第一个衍生序列：将原始序列的第1个元素滑动到原始序列最后1个元素后;第2个衍生序列：将第1个衍生序列的第1个元素滑动到第一个衍生序列最后1个元素后;第3个衍生数列操作同上）;② 结合农作物最短生长周期（至少2个月）进行时间序列分割,并标记每个序列的极值点;③ 求包括原始序列和3个衍生序列在内极值点交集,交集的个数即为对应像元的可能的复种次数;④ 使用一定的限制条件从可能的峰值点中获取复种指数。刘爽等[25]提出了基于作物生长周期的滑动分割算法并将其运用到全国耕地复种指数遥感监测研究中,结果表明,该方法能够实现快速、有效地提取复种指数。
通过获取时间序列曲线上的峰来提取耕地复种指数,是峰值点探测法的共同之处,不同的是每种峰值点探测法获取峰的方式存在区别。总体而言,峰值点探测法原理简单、容易实现,而且基于此类方法也能获取满意的精度。但是,峰值点探测法对曲线的波动比较敏感,因此,如何去除“伪波峰”是该类方法需要重点解决的问题。
2.1.4 线性混合模型法
线性混合模型法在土地利用分类中应用较为广泛,Chen等[26]将该方法引入到耕地复种指数遥感监测研究中。该方法的原理是将某个像元重建后的时间序列遥感数据看作是由不同种植方式类型端元的时间序列按照一定关系构成的。某时刻某个像元的时间序列遥感数据列向量等于不同种植方式类型端元乘以丰度再加上误差,公式如下：
r = Mα + e
式中： r 表示某像元时间序列遥感数据列向量; M 表示端元的信号矩阵; α 表示丰度矢量; e 表示误差项。
式（1）中可计算得到 α ,根据“丰度最大决定种植方式”的原则,可判断该像元的种植方式,从而得到熟制信息。Chen等[26]在湄公河三角洲水稻复种研究中使用了该方法,发现仅使用10个端元作为辅助信息就可以覆盖大多数水稻种植格局的变化情况,而且验证结果表明,该方法提取结果的总体精度超过90%。而在Jain等[27]的研究中发现,将提取结果的准确程度和方法实施的难易程度作为考虑因素时,线性混合模型法的表现不如峰值点探测法和层次训练法。从上述实例可知,该方法的表现有待进一步验证和分析。
2.1.5 层次训练法
层次训练法以整个研究区的低空间分辨率影像以及局部区域的作物关键生长阶段高分辨率影像作为输入数据。在作物的不同生长阶段,建立高分辨率影像种植比例与低空间分辨率影像植被指数的校正模型,以获取局部区域低空间分辨率影像中每个像元的种植比例。在此基础上,建立低分辨率影像植被指数和种植比例的函数关系,利用该函数关系外推至整个研究区以获取所有像元的种植比例,最后结合多期影像获取整个研究区的复种指数。Jain等[27]以MODIS（代表低分辨率）和Landsat（代表高分辨率）为数据源,使用层次训练法提取了印度古吉拉特邦和中央邦的耕地复种指数,并将层次训练法与其他3种方法进行了比较。结果显示,在不同生长季Landsat影像可获取的前提下,较高的精度、实现容易等原因使该方法成为了所比较方法中针对大时空范围复种指数监测的最佳选择。需要注意的是,关键物候期的高分辨率影像是该方法得以实现的关键。
2.1.6 连续小波变换法
连续小波变换将时间序列遥感数据处理为时间-频率小波尺度图,通过小波尺度图特征峰值和不同熟制之间的对应关系获取耕地复种指数[28]。该方法的实现需要：① 先将时间序列遥感数据处理到天尺度;② 在连续小波变换的基础上,将时间序列遥感数据转换为时间-频率小波尺度图;③ 对小波尺度图进行特征提取,根据小波尺度图计算特征谱,得到两条骨架线内的特征峰;④ 确定特征峰值的阈值,对每个像元内的熟制进行判别（判别方法为：较小的特征峰值对应一熟,较大的特征峰值对应两熟,如果有2个特征峰,则判定为三熟）。为了解决已有监测方法对去噪重建算法依赖性高、需要先验知识和较多约束条件等普遍问题,Qiu等[28]提出连续小波变换法并使用该方法提取了河南省的复种指数,反演结果与站点观测结果的匹配度超过90%。此外,该方法也被用于我国复种指数的遥感监测中,监测结果的总体精度达到91.63%[29]。该方法是复种指数遥感监测研究中的一次成功尝试,从复种指数遥感监测的数据来源和提取方法2个方面都与其他监测方法存在较大差异。
2.1.7 生长周期判断法
遥感监测的生长周期可以准确描绘作物实际的生长周期,是生长周期判断法的理论基础。根据获取生长周期的方法不同,可将生长周期判断法细分为：
（1）关键物候参数比较法
基于关键物候参数判断得到的一个生长周期对应于一季作物是该方法的核心思路。实现该方法的主要过程包括：① 从曲线中提取作物的关键物候参数,如生长开始日期（Start of Growing Season,SOS）、生长幅度（Crop Growing Amplitude,CGA）、生长结束日期（End of Growing Season,EOS）、生长季长度（Length of Growing Season,LOS）等;② 将遥感提取的关键物候参数与作物历进行比较,获得合理的作物生长周期;③ 判断作物生长周期个数以获得复种指数信息。Liu等[30]提出并使用该方法获取了2008—2010年河南省的耕地复种指数。在该研究中,固定阈值法被用于从去噪重建后的增强型植被指数（Enhanced Vegetation Index,EVI）时间序列曲线中提取SOS、EOS、LOS等关键物候参数;其次,根据经验值提取CGA;最后,结合预先设置的关键参数阈值（LOS最小值、LOS最大值、CGA最小值）对各像元的LOS和CGA进行判断,获得作物生长周期个数。值得注意的是,为了获取最优的参数阈值,该方法对提取结果与不同参数阈值的敏感性进行了分析,这也是该方法在其他区域进行应用时需要首先考虑的内容。
（2）全生长过程模拟法
受到云、大气状况、地物光谱特性等多因素的影响,时间序列植被指数中的噪声可能产生“伪生长周期”,影响复种指数提取精度。因此,除了考虑作物的播种-收割过程外,全生长过程模拟法还考虑了作物播种前和收割后耕地呈现的裸土状态,将两者共同用于作物的全生长过程模拟,有效去除“伪生长周期”。Liu等[31]在对我国7个典型粮食产区复种指数遥感监测的研究中,先使用地表水指数（Land Surface Water Index,LSWI）识别作物播种前和收割后呈现的裸土状态;再从作物生长曲线上提取SOS和EOS用于判断作物生长周期;最后,通过两者对作物全生长过程进行模拟从而提取复种指数。全生长过程模拟法是已有监测方法的综合与发展,比如该方法使用了峰值点探测法来寻找曲线上的峰,也使用类似关键物候参数比较法的思路来获取作物的生长周期。在此基础上,该方法侧重于作物的全生长周期模拟,将更多的信息（如作物播种前和收割后的裸土）纳入到监测方法中,不仅提高了监测结果的精度,而且更加符合作物的实际生长状况。
2.1.8 时间序列分箱法
已有研究中,大范围的耕地复种指数遥感提取通常使用的是中低分辨率遥感数据,其主要原因是高空间分辨率的遥感数据通常重访周期长,而且受到天气条件的影响较大,使用常规的监测方法提取得到的结果无法满足精度要求,也无法捕捉耕地活动的细微变化。时间序列分箱法通过提取年或季度尺度的时间聚合特征,使高空间分辨率遥感数据应用于大范围的复种指数监测成为了可能。例如,Rufin等[32]对土耳其耕地种植活动的研究中,在年时间序列分箱的基础上尝试引入季度时间序列分箱方法,以实现遥感数据的高分辨率和可得性2个方面的平衡。Rufin等[32]先收集了覆盖土耳其全国范围的Landsat影像并进行云量分析;随后对满足要求的影像进行时间序列分箱,获取季度最佳像元合成结果、季度和年光谱-时间指标及8 d缨帽变换的绿度、亮度和湿度时间序列等22个特征子集;最后,使用随机森林模型获取不同类别的耕地种植信息。通过比较,使用所有季度特征或者8 d缨帽变换时间序列均可获得90%以上的整体精度。结果表明,将年内的影像时间序列分箱为多时间特征能够提高遥感监测的精度。数据收集及处理的工作量较大是该方法需要面对的重要问题。
2.1.9 监测方法总结与比较
（1）已有监测方法尝试多种途径提取耕地复种指数：比较不同作物类型/复种方式关键时相的特征差异（特征时相法）、比较样本和标准曲线的形状特征（曲线特征对比法）、提取曲线的峰值点（峰值点探测法）、使用端元逐像元分解时间序列（线性混合模型法）、高低分辨率影像样本训练及外推（层次训练法）、时间-频率变换（连续小波变换法）、判断生长周期（生长周期判断法）、年内多时间特征分箱（时间序列分箱法）等。随着研究的深入,监测方法不断得到更新和完善,如生长周期判断法相比峰值点探测法而言,将作物完整的生长周期而非曲线的峰作为判断一季作物的依据,更加符合作物的实际生理特点。连续小波变换法不需要对原始遥感数据进行去噪重建,而是将时间序列数据处理为时间-频率小波尺度图,有效地避免了因为曲线噪声导致的“伪波峰”问题[28,29]。除此之外,监测方法也在向着大尺度和高精度的方向发展,如Rufin等[32]将30 m的Landsat作为输入数据,使用时间序列分箱法获取了整个土耳其的耕地种植信息,结果的总体精度达到了90%以上。
（2）从不同监测方法的可移植性来看：特征时相分离法和线性混合模拟法适用于小范围及作物类型/复种方式简单的复种指数遥感监测。熟悉研究区的作物类型/复种方式是特征时相分离法实现的前提,较多的作物类型/复种方式在很大程度上影响关键特征时相的获取,导致该方法无法获得满意的精度。线性混合模型法需要从研究区中获得具有代表性的端元,同特征时相分离法类似,复杂的地面情况限制了该方法的应用。除了以上2种监测方法外,其余的监测方法理论上能够移植到不同空间尺度的复种指数遥感监测研究中。
（3）从不同监测方法对数据的要求来看：大部分监测方法需要平滑的时间序列曲线,主要原因是：受大气、云、传感器自身状况等因素的影响,遥感数据存在大量的噪声,无法较好地描述作物的生长过程[33]。因此,去噪重建成为了实现这些方法的必要步骤。在此基础上,对于交叉拟合度检验法来说,典型样点的合理选取是方法得以实现的关键,错选、漏选都将对结果产生较大影响。峰值点探测法需要辅助数据去除“伪波峰”,如作物历、气象数据、大量实验获得的作物曲线特征（如峰值点对应的植被指数最小值、可能的峰值点振幅占曲线最大振幅的比例）等。端元的选取对于线性混合模型法至关重要。层次训练法要求在不同的生长季至少有一景高分辨率影像。生长周期判断法与峰值点探测法类似,都需要辅助数据去除“伪生长周期”。时间序列分箱法需要对影像进行云量评价,此外还需要对不同尺度的时间特征子集进行比较,数据收集及分析的过程较复杂。特征时相法、形状匹配法和连续小波变换法不需对时间序列进行重建,此类方法不受去噪重建算法的限制,能够较好地应对不同的气候、管理水平及其他植被等复杂状况的 影响[28-29,34]。特征时相法只需要部分时相的遥感数据;形状匹配法直接从曲线中获取移动窗口宽度和最小增长幅度2个输入参数;连续小波变化需将原始植被指数时间序列处理到天尺度,并进行时间-频率域的转换。
（4）从不同方法实现的难易程度来看：峰值点探测法原理简单,是已有研究中应用最普遍的方法,也是最容易实现的方法。交叉拟合度检验法需要根据研究区作物类型/复种方式尽可能准确地、全面地选择典型样点来建立标准曲线库,该过程不仅需要对研究区的作物及复种模式比较了解,而且需要花费大量的时间选择典型样点。线性混合模型法与交叉拟合度检验法类似,都存在选取典型样点（线性混合模型法中称纯像元）的过程。当研究区域较大、数据分辨率较低、作物类型/复种方式较多时,选择纯像元的难度较大,同时提取结果的精度也影响了该方法的应用[27]。交叉拟合度检验法和线性混合模型法是实现起来比较困难的两种方法,其主要原因是：需要人工选择大量典型样点并进行判断,尤其当空间范围较大、作物类型/复种方式较多时,不仅耗时耗力,而且精度受选择样点的影响较大。
（5）从不同方法的应用范围来看：已有监测方法主要应用于全球（含粮食主产区）[18,23]、大洲[35]、国家[32,36]、省[17,28]等大中尺度,以及耕地集中连片、作物类型简单、地形平坦的区域[26,37-39]。通过不同监测方法得到的耕地复种指数结果包括数量大小、空间格局及动态变化等信息,为区域的粮食估产、土地利用评价、农业水资源供需分析及农业模型模拟提供了重要参数。
表1 复种指数监测方法对比

Tab. 1 Comparison among different cropping intensity monitoring methods

监测
方法 		是否需要去噪重建 优点 缺点 辅助
数据 		复种指数提取
限制条件 		代表
文献 		应用
范围
特征时相分离法 - 否 ① 只需部分时相遥感数据
② 对遥感数据的时间分辨率要求低
③ 信息提取速度快 		① 需要对研究区的作物类型及种植模式比较熟悉
② 适用范围有限 		① 土地利用数据
② 物候观测数据 		无 Panigraphy
等[13]、左丽君
等[14]、Jiang等,2019[15] 		印度孟加拉邦、河西走廊、我国南方稻区
曲线特征对比法 交叉拟合度检验法 是 ① 充分利用曲线信息
② 样本曲线和标准曲线之间的比较定量且客观 		① 对典型样点的依赖性较大,典型样点存在错选、漏选的可能
② 由于交叉拟合度对较短时间的波动敏感性低,影响高频复种模式的精度 		① 种植制度区划图
② 植被矢量图
③ 物候观测数据 		生长季长度最小值 辜智慧[16] 我国大陆
地区
形状匹配法 否 ① 不需对时间序列遥感数据去噪重建,直接从时间序列曲线中提取熟制信息
② 模型仅需两个输入参数,且参数直接来源于时间序列曲线 		① 关键参数之一的作物最小生长振幅的阈值需人为确定
② 存在迭代过程,信息提取耗时长 		① 土地利用数据
② 物候观测数据 		作物生长幅度
最小值 		Liu等[17] 江苏省
峰值点探测法 二次差分法 是 原理简单、算法容易实现 对曲线的峰较敏感,需要多个限制条件去除“伪波峰” ① 土地利用数据
② 物候观测数据
③ 植被矢量图
④ 种植制度区划图
⑤ 气象数据 		① 峰值点植被指数的最小值
② 可能的峰值点振幅占曲线最大振幅的比例
③ 峰值点出现的最早、最晚时间
④ 最短生长季间隔
⑤ 不同熟制年积温最小值 		范锦龙等[19]、唐鹏钦等[40]、徐昔保等[38]、丁明军等[41]、Chen等[18]、Zhao等[42]、Xiang等[20] 全球主要粮食产区、我国大陆地区、华北平原、太湖流域、江西进贤县等
特征点检
测法 		是 原理简单、算法容易实现 ① 要求去噪重建后的时间序列曲线平滑
② 需要限制条件去除“伪波峰” 		① 土地利用数据
② 物候观测数据
③ 气象数据 		① 不同熟制年积温最小值
② 峰值点植被指数的最小值
③ 峰值点出现前后曲线的单调性 		闫慧敏等[43]、Sakamoto等[21]、Hao等[22] 全球典型农作区、我国大陆地区、湄公河三角洲
峰值点探测法 邻域比较法 是 原理简单、算法容易实现 需要限制条件去除“伪波峰” 土地利用数据 ① 峰值点植被指数的最小值
② 可能的峰值点振幅占曲线最大振幅的比例 		Galford等[24]、
Wu等[23] 		全球、巴西马托格罗索州
滑动分割法 是 ① 原理简单、算法容易实现
② 不需熟制分区、物候等辅助数据 		已有研究中部分地区提取结果精度与统计数据、前人结果存在较大差异 土地利用数据 峰值点植被指数的最小值 刘爽等[25] 我国大陆地区
监测
方法 		是否需要去噪重建 优点 缺点 辅助
数据 		复种指数提取
限制条件 		代表
文献 		应用
范围
线性混合模型法 - 是 以少量的端元作为辅助信息即可获得较大区域的复种指数 ① 端元选取严格,异质性较高区域精度低
② 应用于小范围时精度低 		土地利用数据 无 Chen等[26]、
Jain等[27] 		湄公河三角洲上游、印度古吉拉特邦和中央邦
层次训练法 - 是 仅需样区关键生长期的高分辨率影像即可获得较大范围的复种指数 受关键生长季高分辨率影像可得性限制较大 土地利用数据 无 Jain等[27] 印度古吉拉特邦和中央邦
连续小波变换法 - 否 ① 不需要对时间序列遥感数据去噪重建,直接从时间序列曲线中提取熟制信息
② 将时间序列数据转换为时间-频率信号,有效地避免了曲线波动的影响 		需要人为确定特征峰阈值,区分一熟和两熟的阈值较难确定 土地利用数据 特征峰阈值 Qiu等[28]、
Qiu等[29] 		河南省、全国
生长周期判断法 关键物候参数比较法 是 ① 原理简单、算法容易实现
② 可以区分农作物和自然植被,提高了研究对象的准确性
③ 能够识别跨年际复种模式 		① 为了设置合理的物候参数阈值,需要对研究区的作物种植信息比较了解
② 采用同一阈值确定不同作物物候期,可能影响提取结果的精度 		① 土地利用数据
② 物候观测数据 		① 生长季长度最小值、最大值
② 生长曲线变化幅度最小值 		Liu等[30] 河南省
全生长过程模拟法 是 ① 使用地表水指数进行作物播种前和收割后的耕地状态判定,有效地避免了“伪波峰”的干扰
② 基于作物生长全过程进行建模,更加符合作物生理特点
③ 该方法考虑了多种复种模式,适用场景较广 		受影像质量和植被类型差异影响,可能存在预先设置生长季最大NDVI阈值无法区分作物和自然植被的情况 ① 土地利用数据
② 物候观测数据 		① 区分作物和自然植被的NDVI阈值
② 识别裸土的LSWI阈值 		Liu等[31] 我国7个代表性粮食产区
时间序列分箱法 - 是 ① 充分利用遥感数据多波段信息,弥补了单一植被指数提取熟制信息的不足
② 可以同时兼顾大范围和高精度 		① 遥感数据收集和处理的工作量较大
② 低纬度、多云多雨地区受天气影响较大,该方法可能不适用 		数字高程模型 无 Rufin等[32] 土耳其

2.2 高质量时间序列遥感数据获取研究现状

时间序列遥感数据是复种指数遥感监测的基础,高质量的时间序列遥感数据则是准确提取复种指数的关键之一。随着复种指数遥感监测相关研究的不断深入,高质量时间序列遥感数据的获取方式也在不断更新迭代。通过总结相关文献,可以将已有研究中获取高质量时间序列遥感数据的方法分为2类：去噪重建和多源数据融合。表2中总结了已有研究中常用的遥感数据。
表2 应用于复种指数监测的主要遥感卫星数据源

Tab. 2 Satellite remote sensing data sources used mainly in cropping intensity monitoring

卫星 传感器 数据类型 空间分辨率 时间分辨率/d 数据时间 代表文献
NOAA AVHRR NDVI3g 8 km 15 1981—2015 Wu等[23]
NOAA AVHRR NDVI 8 km 10 1982—现在 闫慧敏等[43]、Canicius等[65]
SPOT VGT NDVI 1 km 10 1998—2014 朱孝林等[66]、Panigrahy等[67]、
丁明军等[41]
Terra/Aqua MODIS NDVI/EVI 250 m、500 m、
1000 m 		8、16 2000—现在 李卓等[68]、Gray等[35]、
彭代亮等[69]、杨婷等[70]
NOAA&Terra&Aqua AVHRR&MODIS GLASS LAI 1 km、5 km 8 1981—2018 Zhao等[42]、Joeng等[71]
TM Landsat5 NDVI 30 m 16 1982—2011 Li等[54]、Jain等[27]
ETM+ Landsat7 NDVI 30 m 16 1999—现在
OLI Landsat8 NDVI 30 m 16 2013—现在
OLI&Sentinel-2 Landsat8&MSI NDVI/EVI 30 m 5 2017—现在 Hao等[22]
Gaofen-1 WFV Image 16 m 4 2013—现在 Xiang等[20]
Sentinel-2A&2B MSI Image 10 m、20 m、60 m 5 2017—现在 Liu等[31]
2.2.1 去噪重建
从卫星传感器中获取的原始时间序列遥感数据存在大量的噪声,噪声的来源主要包括传感器老化、云层遮挡、大气效应、视场角和几何校正等[44,45]。虽然已经使用最大值合成法（Maximum Value Composite,MVC）将日尺度的遥感数据进行了合成,减弱了噪声的部分影响,但是这样的时间序列遥感数据仍然不能反应作物的实际生长状态,也不能从中提取复种信息。因此,选择合适的重建方法获取去噪、平滑的时间序列遥感数据就显得至关重要。去噪重建的关键是有效去除噪声的同时,最大可能地保留作物生长特征。为了获得去噪平滑的时间序列曲线,多种去噪重建算法被引入到复种指数相关研究,如HANTS[46]和Saviztky-Golay滤波法[47]是已有研究中被广泛使用的2种方法,这2种方法不仅能够有效地去除噪声,而且通过现成的软件容易实现（如HANTS和S-G滤波法可分别在ENVI IDL和TIMESAT软件中实现）。除此之外,小波变换[40,48]、非对称高斯函数[49]、五点加权法[50]、双logistic 函数[51]、多项式函数[22]等去噪重建方法也被应用于复种指数的研究中。
2.2.2 多源数据融合
去噪重建主要针对的是中、低分辨率的时间序列遥感数据,虽然去噪重建能够有效去除数据中的噪声,然而无法提高遥感数据的空间分辨率,对于更小范围、更高精度的复种指数监测来说仍显不足。多源数据融合可获得高时空分辨率的遥感数据,是克服传感器瓶颈对遥感指标限制的有效手段,对于获取更加精确的作物物候、类型、复种等信息具有重要的作用[52,53]。近年来,多源数据融合技术逐渐被应用到复种指数遥感监测中。如Li等[54]为获得了我国河北、山东和江苏3个粮食主产省份更高精度的复种指数,使用时空自适应反射率融合模型（Spatial and Temporal Adaptive Reflectance Fusion Model,STARFM）融合Landsat和MODIS得到了8 d、30 m的高时空分辨率数据,并对比了STARFM与ESTARFM（Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model）2种数据融合模型对提取结果的影响。Xiang等[20]使用STRAFM对GF-1和MODIS融合得到了更高分辨率的遥感数据（8 d、16 m）,结果表明数据融合是获取耕地景观格局破碎地区更高精度复种指数的有效手段。除了对多源光学影像进行融合外,遥感数据和非遥感数据的融合也被用于复种指数监测。比如Tao等[55]为了解决大范围复种指数监测存在的定量指标粗糙、忽略不同地区之间的作物类型、物候和地形等因素差异导致的结果不确定性,使用贝叶斯神经网络将MODIS和先验知识（区域差异信息）进行了融合,提高了在国家尺度进行复种指数监测的精度。融合方法是遥感数据融合的关键之一,除了STARFM[56]、ESTARFM[57]、贝叶斯神经网络[58]等方法外,主成分分析法[59]、ISH（Intensity-Hue-Saturation）变换[60]、curvelet变换[61]、耦合非负矩阵分解法[62]、稀疏表示法[63]、深度神经网络法[64]等也是遥感数据融合中常用的方法,在今后的研究中可尝试引入复种指数相关研究中。
在复种指数遥感监测研究的初期,受到遥感数据时空分辨率、数据可得性等因素的限制,来自单一传感器的中、低分辨率遥感数据是相关研究中的主要数据源,为了减少时间序列遥感数据中的噪声,多种去噪重建算法被引入到相关研究中。去噪重建的目标是实现“去噪”和“保真”的平衡。随着研究的不断深入,因为单一传感器数据无法实现“双高”（高时间分辨率和高空间分辨率）,已经不能满足复种指数遥感监测的更高要求。因此,多源数据融合方法逐渐被引入到相关研究中,为获取更高精度复种指数提供了有效的手段。

2.3 提取结果精度验证研究现状

精度验证位于复种指数遥感监测过程的末端,但确是必不可少的步骤。不论以何种途径获取高质量的时间序列遥感数据,或是以何种监测方法进行复种指数的提取,只有经过严格的验证才能证明数据、方法的合理性及有效性。截至目前,已有研究中关于复种指数遥感监测结果的验证方法主要有4类。
2.3.1 统计数据验证
统计数据验证法是最早应用于复种指数遥感监测结果的验证方法。虽然统计数据中没有关于复种指数的直接记录,但是可以通过作物播种面积和耕地面积求得。范锦龙等[19]、彭代亮等[69]、申健等[72]均采用统计数据对其遥感监测的结果进行了验证。此外,何月等[73]利用13个农气站周边 10×10像元范围内的熟制均值与遥感反演结果进行对比,其精度达80.3%,说明农业观测记录也是进行复种指数信息精度验证的一种方法。利用统计数据（观测记录）进行验证的优点是数据获取容易,易于实现。缺点是数据存在滞后性,而且通常只能以行政区为单位进行验证,无法体现空间差异性。
2.3.2 目视解译
运用目视解译法进行精度验证的前提是目视解译的精度高于遥感反演结果的精度。根据目视解译所用数据不同可将其分为基于时间序列遥感数据的目视解译法和高空间分辨率目视解译法。前者的原理是通过选取大量样点并对其原始的时间序列遥感数据进行目视解译,得到样点的熟制信息,并将其与去噪重建后曲线获取的熟制信息进行比较。如丁明军等[74]选取了1515个样本,利用经验知识进行目视判读,将其结果与遥感反演结果进行对比,总体精度达91.95%。后者的原理是利用研究区特定生长季的高空间分辨率影像判定是否种植作物来对反演的熟制信息进行验证。如Sakamoto等[21]运用分辨率较高的Landsat ETM+影像获取2002年1月和2月的地表覆盖情况,用于验证重建后的EVI提取的熟制信息。解译人员的经验水平、典型样点的选取对该验证方法的应用具有较大的主观影响。
2.3.3 实地调查
根据数据来源不同可以将实地调查法分为农户访问法和样方法。通过对研究区内的农户进行实地访问,能够清楚地了解当地作物的种植现状和发展变化情况。例如,刘影等[37]对鄱阳湖平原水稻主产区的农户进行了实地访问,将获取的水稻种植信息用于遥感监测结果的精度验证。样方法是通过在研究区内作物种植均匀且集中连片的区域设置一定大小的样方,用实地观测对遥感反演结果进行验证。例如,范锦龙等[19]在吉林省双阳区、河北省栾城县、湖北省新洲区、江苏省江宁区4个地点各布设一个5 km×5 km的样区,用于验证遥感提取的耕地复种指数。实地调查法的可信程度高,对于复种指数的精度验证有重要的意义。其不足是实地走访、设置样区需要投入大量的人力、物力。此外,因样区范围和数量有限导致可供参考的范围较小。
2.3.4 交叉验证
如果当前研究的范围和时段和已有文献的相关内容存在重叠,即可采用已有研究的结果对本研究的结果进行精度验证。如李卓等[68]使用遥感数据提取了黄淮海地区2001—2015年的复种信息,因其研究区和研究时段与前人研究[14,40,75]存在交叉,因此,前人的研究结果可对其结果进行验证。直接从已有研究中获取验证数据是该方法的优势。然而,已有研究的范围和时段必须和当前研究切合,是导致可参考或对比的数据非常有限的原因。
综上所述可知,统计数据验证是传统的,也是较早使用的验证方法,其适用范围为有统计数据的行政区,验证的对象是整个研究区复种指数的平均水平。在统计数据可获取的前提下,该方法实施起来比较容易。目视解译的核心思想是抽样检验,使用更高分辨率遥感影像上的样点对监测结果进行检验。因此,该方法不仅需要有更高分辨率的遥感数据,而且对研究人员的经验有一定的要求。统计数据验证和目视解译是已有研究中被广泛使用的两种验证方法。实地调查通过访问或实地设置样区获得验证信息,虽然该方法可提供可信度较高的参考数据,但是因其成本较高在已有研究中应用较少。交叉检验主要依靠已有研究结果,需要在研究范围和时段上存在交叉重叠,因此,在很大程度上限制了该方法的使用。

3 问题与展望

国内外学者为了及时、准确地获取耕地复种指数,从复种指数遥感监测的核心（监测方法）和关键技术（高质量时间序列遥感数据获取、提取结果精度验证）等方面都进行了大量的探索,并取得了一定进展。然而,当前研究中仍存在以下问题,需要深入研究：
（1）对已有监测方法缺少比较和评价
已有研究提出了多种复种指数遥感监测方法,而且随着研究的深入,已有监测方法不断得到完善、新的监测方法不断出现[76]。开展监测方法的比选,不仅是科学严谨地开展研究的前提,也是及时准确地获取耕地复种指数的重要保证。虽然前文已就不同监测方法的可移植性、对数据的要求、使用的难易程度、应用范围等进行了总结和比较,然而上述结果仅仅来源于独立、分散的研究成果。不同去噪重建算法对监测方法和监测结果的影响如何?基于去噪重建时间序列的监测方法和直接从时间序列曲线中提取复种指数的监测方法有多大区别?同一监测方法在不同研究尺度表现如何?关于监测方法的诸多性能有待深入比较和分析。为了能够更加合理、有效地进行耕地复种指数遥感监测,可尝试选取：① 遥感数据的可获得性;② 信息的提取速度;③ 复种指数提取的限制条件;④ 结果的准确性;⑤ 方法实现的难易程度;⑥ 时空可扩展性等作为评价指标构建评价体系,对已有监测方法进行多角度比较和评价,为选取合理的监测方法提供参考依据。
（2）对地形复杂地区、小农尺度的熟制信息关注不足
通过总结已有监测方法的应用范围可知,当前耕地复种指数遥感监测研究集中于大中尺度,以及地形平坦、耕地集中连片的区域。地形复杂、多云雾地区也存在大量的耕地资源,充分了解耕地利用状况对于此类区域的粮食估产、模型模拟、政策制定等具有重要参考作用。但是,已有研究中关于此类区域复种指数遥感监测的相关研究不仅少,而且精度低[19,25]。主要原因是：地形复杂地区的耕地分散且破碎,田块尺度通常小于可获取的遥感数据空间分辨率,普遍存在信息误判、混合像元等现象。对于多云多雨地区来说,遥感数据受天气影响较大,常常因缺失关键物候期影像而无法进行有效监测。除了地形复杂地区之外,已有研究对小农尺度耕地复种信息关注不足。小农指的是在小块土地上（通常小于2 hm2）用低强度耕种方式种植农作物的农民[27],人数占发展中国家总人数约50%,却贡献了发展中国家近90%的主食产量[77]。然而,现实中的小农是非常脆弱的,对于气候变化、水资源获取、市场波动等通常束手无策。因此,科学家和政策制定者为了帮助小农应对上述问题,有必要识别出小农种植方式及其时空变化。就已有研究来看,限制上述研究的关键瓶颈是遥感数据的分辨率,获取“双高”特征的遥感数据是解决问题的关键。
（3）遥感数据分辨率及数据处理效率是进一步研究的瓶颈
当前可获取的单一传感器数据通常不具备“双高”特征,很大程度地限制了特定区域、更小尺度的耕地复种指数遥感监测。虽然就已有相关研究来看,多源数据融合在复种指数遥感监测中的应用还比较少,但是随着数据融合方法日趋成熟、高时空分辨率数据获取更加容易,多源数据融合将成为获取“双高”数据现实且有效的方法[78,79,80]。此外,在进行耕地复种指数遥感监测时,涉及大量的数据收集、处理、计算工作,尤其是针对较大空间范围时工作量巨大,繁重的数据处理与大数据时代农情监测的发展趋势不符[81]。今后,应加强大数据和云计算在复种指数遥感监测中的应用。类似Google Earth Engine的云计算平台,不仅存储了海量的遥感数据,而且还具备强大的在线计算能力[82,83],为提高监测的时效性和准确性提供了强大的数据和技术支持。
（4）监测结果的验证方式单一
多数研究中仅采用一种验证方式对遥感监测结果进行验证,然而每种验证方式都存在着一些不足,比如统计数据验证只能够以行政区为验证单元,无法表达单元内的空间异质性,而且还存在时间滞后的缺点。目视解译法需要解译人员对研究区的农作物种类及种植模式比较了解,验证时存在主观成分。此外该方法还要求研究区具备能够反映作物现势的高空间分辨率影像。实地调查法的工作量较大,可供参考的范围有限。交叉验证法要求相关研究在时间和空间上存在交叉,可利用的资料较少。为了对遥感监测结果进行合理、客观的验证,建议在今后的研究中使用多尺度验证方法对监测结果进行验证。例如,多数情况下,可先从更高分辨率的遥感影像中选择样点对监测结果进行验证。同时,结合可获取的统计数据以行政区为验证单元进行验证。此外,如果具备其他验证数据,如实地调查数据、样方及前人研究成果,也可作为验证数据加入到多尺度验证方法体系中。

4 结论

本文以耕地复种指数遥感监测过程为论述主线,并将已有研究总结为遥感监测的核心（监测方法）、遥感监测的关键技术（高质量遥感数据获取和提取结果精度验证）等内容。监测方法部分,对1997—2020年已有相关研究中的监测方法进行收集和整理,根据原理差异对监测方法进行分类,并分析了不同监测方法的优缺点。高质量时间序列遥感数据获取部分,对已有研究中常用的遥感数据、去噪重建算法以及数据融合方法进行了汇总和介绍。提取结果精度验证部分,整理和介绍了常用的遥感监测结果验证方法。在以上内容的基础上,分析了当前研究中存在的不足,并提出今后的相关研究中需要重点关注的问题及发展趋势。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
刘彦随, 刘玉, 翟荣新. 中国农村空心化的地理学研究与整治实践[J]. 地理学报, 2009, 64(10):1193-1202.

[ Liu Y S, Liu Y, Qu R. Geographical research and optimizing practice of rural hollowing in China[J]. Acta Geographica Sinica, 2009, 64(10):1193-1202. ]

[2]
Zhang T Y, Yang X G, Wang H S, et al. Climatic and technological ceilings for Chinese rice stagnation based on yield gaps and yield trend pattern analysis[J]. Global Change Biology, 2014, 20(4):1289-1298.

DOI

[3]
Piao S L, Ciais P, Huang Y, et al. The impacts of climate change on water resources and agriculture in China[J]. Nature, 2010, 467(7311):43-51.

DOI

[4]
刘巽浩. 耕作学[M]. 北京: 中国农业出版社, 1996.

[ Liu X H. Cultivation[M]. Beijing: China Agriculture Press, 1996. ]

[5]
谢花林, 刘桂英. 1998-2012年中国耕地复种指数时空差异及动因[J]. 地理学报, 2015, 70(4):604-614.

DOI

[ Xie H L, Liu G Y. Spatiotemporal difference and determinants of multiple cropping index in China during 1998-2012[J]. Acta Geographica Sinica, 2015, 70(4):604-614. ]

[6]
Dietrich J P, Christoph S, Christoph M, et al. Measuring agricultural land-use intensity-A global analysis using a model-assisted approach[J]. Ecological Modeling, 2012, 232:109-118.

DOI

[7]
Belcher W K, Boehm M M, Fulton E M. Agroecosystem sustainability: A system simulation model approach[J]. Agricultural Systems, 2004, 19(2):225-241.

[8]
左丽君, 张増祥, 董婷婷, 等. 耕地复种指数研究的国内外进展[J]. 自然资源学报, 2009, 24(3):553-560.

[ Zuo L J, Zhang Z X, Dong T T, et al. Progress in the research on the multiple cropping intensity[J]. Journal of Natural Resources, 2009, 24(3):553-560. ]

[9]
Panigrahy S, Manjunath K R, Ray S S. Deriving cropping system performance indices using remote sensing data and GIS[J]. International Journal of Remote Sensing, 2005, 26(12):2595-2606.

DOI

[10]
唐鹏钦, 姚艳敏, 吴文斌, 等. 基于遥感技术的耕地复种指数研究进展[J]. 中国农业资源与区划, 2010, 31(2):21-27.

[ Tang P Q, Yao Y M, Wu W B, et al. Progress in multiple crop index based on remote-sensing technologies[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2010, 31(2):21-27. ]

[11]
张伟, 李爱农, 雷光斌. 复种指数遥感监测研究进展[J]. 遥感技术与应用, 2015, 30(2):199-208.

[ Zhang W, Li A N, Lei G B. Recent progresses in monitoring multiple cropping index by using remote sensing technologies[J]. Remote Sensing Technology and Application, 2015, 30(2):199-208. ]

[12]
唐华俊, 吴文斌, 杨鹏, 等. 农作物空间格局遥感监测研究进展[J]. 中国农业科学, 2010, 43(14):2879-2888.

[ Tang H J, Wu W B, Yang P, et al. Recent progresses in monitoring crop spatial patterns by using remote sensing technologies[J]. Scientia Agricultura Sinica, 2010, 43(14):2879-2888. ]

[13]
Panigrahy S, Sharma S A. Mapping of crop rotation using multidate Indian Remote Sensing Satellite digital data[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 1997, 52(2):85-91.

DOI

[14]
左丽君, 董婷婷, 汪潇, 等. 基于MODIS/EVI的中国北方耕地复种指数提取[J]. 农业工程学报, 2009, 25(8):141-146.

[ Zuo L J, Dong T T, Wang X, et al. Multiple cropping index of Northern China based on MODIS/EVI[J]. Transactions of the Chinese Society of Agricultural Engineering, 2009, 25(8):141-146. ]

[15]
Jiang M, Xin L J, Li X B, et al. Decreasing rice cropping intensity in southern China from 1990 to 2015[J]. Remote Sensing, 2019, 11(1):35.

DOI

[16]
辜智慧. 中国农作物复种指数的遥感估算方法研究——基于SPOT/VGT多时相NDVI遥感数据[D]. 北京:北京师范大学, 2003.

[ Gu Z H. A Study of calculating multiple cropping index of crop in China using SPOT/VGT multi-temporal NDVI data[D]. Beijing: Beijing Normal University, 2003. ]

[17]
Liu J H, Zhu W Q, Cui X F. A shape-matching cropping index (CI) mapping method to determine agricultural cropland intensities in China using MODIS time-series data[J]. Photogrammetric Engineering & Remote Sensing, 2012, 78(8):829-837.

[18]
Chen B. Globally increased crop growth and cropping intensity from the long-term satellite-based observations[J]. ISPRS Annals of Photogrammetry, Remote Sensing Spatial Information Sciences, 2018, 4(3):45-52.

[19]
范锦龙, 吴炳方. 复种指数遥感监测方法[J]. 遥感学报, 2004, 8(6):628-636.

[ Fan J L, Wu B F. A methodology for retrieving cropping index from NDVI profile[J]. Journal of Remote Sensing, 2004, 8(6):628-636. ]

[20]
Xiang M T, Yu Q Y, Wu W B. From multiple cropping index to multiple cropping frequency: Observing cropland use intensity at a finer scale[J]. Ecological Indicators, 2019, 101:892-903.

DOI

[21]
Sakamoto T, Van Nguyen N, Ohno H, et al. Spatio-temporal distribution of rice phenology and cropping systems in the Mekong Delta with special reference to the seasonal water flow of the Mekong and Bassac rivers[J]. Remote Sensing of Environment, 2006, 100(1):1-16.

DOI

[22]
Hao P Y, Tang H J, Chen Z X, et al. High resolution crop intensity mapping using harmonized Landsat-8 and Sentinel-2 data[J]. Journal of Integrative Agriculture, 2019, 18(12):2883-2897.

DOI

[23]
Wu W B, Yu Q Y, You L Z, et al. Global cropping intensity gaps: Increasing food production without cropland expansion[J]. Land Use Policy, 2018, 76:515-525.

DOI

[24]
Galford G L, Mustard J F, Melillo J, et al. Wavelet analysis of MODIS time series to detect expansion and intensification of row-crop agriculture in Brazil[J]. Remote Sensing of Environment, 2008, 112(2):576-587.

DOI

[25]
刘爽, 马欣, 李玉娥, 等. 基于滑动分割算法的我国耕地熟制识别研究[J]. 资源科学, 2014, 36(9):1969-1976.

[ Liu S, Ma X, Li Y E, et al. Farmland cropping system identification in China based on a sliding segmentation algorithm[J]. Resources Science, 2014, 36(9):1969-1976. ]

[26]
Chen C F, Son N T, Chang L Y. Monitoring of rice cropping intensity in the upper Mekong Delta, Vietnam using time-series MODIS data[J]. Advances in Space Research, 2012, 49(2):292-301.

DOI

[27]
Jain M, Mondal P, Defries R S, et al. Mapping cropping intensity of smallholder farms: A comparison of methods using multiple sensors[J]. Remote Sensing of Environment, 2013, 134:210-223.

DOI

[28]
Qiu B W, Zhong M, Tang Z H, et al. A new methodology to map double-cropping croplands based on continuous wavelet transform[J]. International Journal of Applied Earth Observation and Geoinformation, 2014, 26:97-104.

DOI

[29]
Qiu B W, Lu D F, Tang Z H, et al. Mapping cropping intensity trends in China during 1982-2013[J]. Applied Geography, 2017, 79:212-222.

DOI

[30]
Liu J H, Zhu W Q, Atzberger C, et al. A Phenology-Based Method to Map Cropping Patterns under a Wheat-Maize Rotation Using Remotely Sensed Time-Series Data[J]. Remote Sensing, 2018, 10(8):1203.

DOI

[31]
Liu L, Xiao X M, Qin Y W, et al. Mapping cropping intensity in China using time series Landsat and Sentinel-2 images and Google Earth Engine[J]. Remote Sensing of Environment, 2020, 239:111624.

DOI

[32]
Rufin P, Frantz D, Ernst S, et al. Mapping cropping practices on a national scale using intra-annual landsat time series binning[J]. Remote Sensing, 2019, 11(3):232.

DOI

[33]
吴文斌, 杨鹏, 唐华俊, 等. 过去20年中国耕地生长季起始期的时空变化[J]. 生态学报, 2009, 29(4):1777-1786.

[ Wu W B, Yang P, Tang H J, et al. Spatial-temporal variations in the starting dates os growing season in China's cropland over the past 20 years[J]. Acta Ecologica Sinica, 2009, 29(4):1777-1786. ]

[34]
Zhu W Q, Pan Y Z, He H, et al. A changing-weight filter method for reconstructing a high-quality NDVI time series to preserve the integrity of vegetation phenology[J]. IEEE Transactions on Geoscience and Remote Sensing, 2011, 50(4):1085-1094.

DOI

[35]
Gray J, Friedl M, Frolking S, et al. Mapping Asian cropping intensity with MODIS[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2014, 7(8):3373-3379.

DOI

[36]
Yan H M, Liu F, Qin Y W, et al. Tracking the spatio-temporal change of cropping intensity in China during 2000-2015[J]. Environmental Research Letters, 2019, 14(3):35008.

DOI

[37]
刘影, 肖池伟, 李鹏, 等. 基于Landsat影像的鄱阳湖平原水稻主产区水稻熟制动态监测[J]. 自然资源学报, 2016, 31(12):2086-2098.

[ Liu Y, Xiao C W, Li P, et al. Monitoring rice cropping system changes in the major rice-producing area of Poyang Lake Plain using Landsat images during 2005-2013[J]. Journal of Natural Resources, 2016, 31(12):2086-2098. ]

[38]
徐昔保, 杨桂山. 太湖流域1995-2010年耕地复种指数时空变化遥感分析[J]. 农业工程学报, 2013, 29(3):148-155.

[ Xu X B, Yang G S. Spatial and temporal changes of multiple cropping index in 1995-2010 in Taihu Lake basin, China[J]. Transactions of the Chinese Society of Agricultural Engineering, 2013, 29(3):148-155. ]

[39]
Yan H M, Liu F, Niu Z E, et al. Changes of multiple cropping in Huang-Huai-Hai agricultural region, China[J]. Journal of Geographical Sciences, 2018, 28(11):1685-1699.

DOI

[40]
唐鹏钦, 吴文斌, 姚艳敏, 等. 基于小波变换的华北平原耕地复种指数提取[J]. 农业工程学报, 2011, 27(7):220-225.

[ Tang P Q, Wu W B, Yao Y M, et al. New method for extracting multiple cropping index of North China Plain based on wavelet transform[J]. Transactions of the Chinese Society of Agricultural Engineering, 2011, 27(7):220-225. ]

[41]
丁明军, 陈倩, 辛良杰, 等. 1999-2013年中国耕地复种指数的时空演变格局[J]. 地理学报, 2015, 70(7):1080-1090.

DOI

[ Ding M J, Chen Q, Xin L J, et al. Spatial and temporal variations of multiple cropping index in China based on SPOT-NDVI during 1999-2013[J]. Acta Geographica Sinica, 2015, 70(7):1080-1090. ]

[42]
Zhao Y, Bai L Y, Feng J Z, et al. Spatial and temporal distribution of multiple cropping indices in the North China Plain using a long remote sensing data time series[J]. Sensors, 2016, 16(4):557.

DOI

[43]
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, 60(4):559-566.

[ Yan H M, Liu J Y, Cao M K. Remotely sensed multiple cropping index variations in China during 1981-2000[J]. Acta Geographica Sinica, 2005, 60(4):559-566. ]

[44]
范德芹, 朱文泉, 潘耀忠, 等. 基于狄克松检验的NDVI时序数据噪声检测及其在数据重建中的应用[J]. 遥感学报, 2013, 17(5):1158-1174.

[ Fan D Q, Zhu W Q, Pan Y Z, et al. Noise detection for NDVI time series based on Dixon's test and application in data reconstruction[J]. Journal of Remote Sensing, 2013, 17(5):1158-1174. ]

[45]
宋春桥, 游松财, 柯灵红, 等. 藏北地区三种时序NDVI重建方法与应用分析[J]. 地球信息科学学报, 2011, 13(1):133-143.

DOI

[ Song C Q, You S C, Ke L H, et al. Analysis on three NDVI time-series reconstruction methods and their applications in north Tibet[J]. Journal of Geo-Information Science, 2011, 13(1):133-143. ]

[46]
Roerink G J, Menenti M, Verhoef W. Reconstructing cloudfree NDVI composites using Fourier analysis of time series[J]. International Journal of Remote Sensing, 2000, 21(9):1911-1917.

DOI

[47]
Jonsson P, Eklundh L. Seasonality extraction by function fitting to time-series of satellite sensor data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2002, 40(8):1824-1832.

DOI

[48]
Sakamoto T, Yokozawa M, Toritani H, et al. A crop phenology detection method using time-series MODIS data[J]. Remote Sensing of Environment, 2005, 96(3-4):366-374.

DOI

[49]
吴文斌, 杨鹏, 唐华俊, 等. 基于NDVI数据的华北地区耕地物候空间格局[J]. 中国农业科学, 2009, 42(2):552-560.

[ Wu W B, Yang P, Tang H J, et al. Monitoring spatial patterns of cropland phenology in North China based on NOAA NDVI data[J]. Scientia Agricultura Sinica, 2009, 42(2):552-560. ]

[50]
吴岩, 刘寿东, 钱眺. 基于五点加权平均法的耕地复种指数遥感监测研究[J]. 贵州气象, 2008(5):9-12.

[ Wu Y, Liu S D, Qian T. Study on remote sensing monitoring of multiple cropping index in cultivated land based on five-point weighted average method[J]. Journal of Guizhou Meteorology, 2008(5):9-12. ]

[51]
康清林, 李春蕾, 张玉虎. 2001—2010年江苏省复种指数变化及其影响因子分析[J]. 首都师范大学学报(自然科学版), 2017, 38(5):86-94.

[ Kang Q L, Li C L, Zhang Y H. The cropping index change and impact factor analysis in Jiangsu province between 2001 and 2010[J]. Journal of Capital Normal University (Natural Science Edition), 2017, 38(5):86-94. ]

[52]
张良培, 沈焕锋. 遥感数据融合的进展与前瞻[J]. 遥感学报, 2016, 20(5):1050-1061.

[ Zhang L P, Shen H F. Progress and future of remote sensing data fusion[J]. Journal of Remote Sensing, 2016, 20(5):1050-1061. ]

[53]
张立福, 彭明媛, 孙雪剑, 等. 遥感数据融合研究进展与文献定量分析(1992—2018)[J]. 遥感学报, 2019, 23(4):603-619.

[ Zhang L F, Peng M Y, Sun X J, et al. Progress and bibliometric analysis of remote sensing data fusion methods (1992—2018)[J]. Journal of Remote Sensing, 2019, 23(4):603-619. ]

[54]
Li L, Zhao Y L, Fu Y C, et al. High resolution mapping of cropping cycles by fusion of Landsat and MODIS data[J]. Remote Sensing, 2017, 9(12):1232.

DOI

[55]
Tao J B, Wu W B, Xu M. Using the Bayesian Network to map large-scale cropping intensity by fusing multi-source data[J]. Remote Sensing, 2019, 11(2):168.

DOI

[56]
Gao F, Masek J, Schwaller M, et al. On the blending of the Landsat and MODIS surface reflectance: Predicting daily Landsat surface reflectance[J]. IEEE Transactions on Geoscience and Remote sensing, 2006, 44(8):2207-2218.

DOI

[57]
Zhu X L, Chen J, Gao F, et al. An enhanced spatial and temporal adaptive reflectance fusion model for complex heterogeneous regions[J]. Remote Sensing of Environment, 2010, 114(11):2610-2623.

DOI

[58]
Cooper G F, Herskovits E. A Bayesian method for the induction of probabilistic networks from data[J]. Machine Learning, 1992, 9(4):309-347.

[59]
Shettigara V K. A generalized component substitution technique for spatial enhancement of multispectral images using a higher resolution data set[J]. Photogrammetric Engineering and remote sensing, 1992, 58(5):561-567.

[60]
Tu T M, Su S C, Shyu H C, et al. A new look at IHS-like image fusion methods[J]. Information Fusion, 2001, 2(3):177-186.

DOI

[61]
Nencini F, Garzelli A, Baronti S, et al. Remote sensing image fusion using the curvelet transform[J]. Information Fusion, 2007, 8(2):143-156.

DOI

[62]
Yokoya N, Yairi T, Iwasaki A. Coupled nonnegative matrix factorization unmixing for hyperspectral and multispectral data fusion[J]. IEEE Transactions on Geoscience and Remote Sensing, 2011, 50(2):528-537.

DOI

[63]
Huang B, Song H H. Spatiotemporal reflectance fusion via sparse representation[J]. IEEE Transactions on Geoscience and Remote Sensing, 2012, 50(10):3707-3716.

DOI

[64]
Huang W, Xiao L, Wei Z H, et al. A new pan-sharpening method with deep neural networks[J]. IEEE Geoscience and Remote Sensing Letters, 2015, 12(5):1037-1041.

DOI

[65]
Canisius F, Turral H, Molden D. Fourier analysis of historical NOAA time series data to estimate bimodal agriculture[J]. International Journal of Remote Sensing, 2007, 28(24):5503-5522.

DOI

[66]
朱孝林, 李强, 沈妙根, 等. 基于多时相NDVI数据的复种指数提取方法研究[J]. 自然资源学报, 2008, 23(3):534-544.

[ Zhu X L, Li Q, Shen M G, et al. A methodology for multiple cropping index extraction based on NDVI time-series[J]. Journal of Natural Resources, 2008, 23(3):534-544. ]

[67]
Panigrahy S, Upadhyay G, Ray S S, et al. Mapping of cropping system for the Indo-Gangetic Plain using multi-date SPOT NDVI-VGT data[J]. Journal of the Indian Society of Remote Sensing, 2010, 38(4):627-632.

DOI

[68]
李卓, 刘淑亮, 孙然好, 等. 黄淮海地区耕地复种指数的时空格局演变[J]. 生态学报, 2018, 38(12):4454-4460.

[ Li Z, Sun S L, Sun R H, et al. Identifying the temporal-spatial pattern evolution of the multiple cropping index in the Huang-Huai-Hai region[J]. Acta Ecologica Sinica, 2018, 38(12):4454-4460. ]

[69]
彭代亮, 黄敬峰, 金辉民. 基于MODIS-NDVI的浙江省耕地复种指数监测[J]. 中国农业科学, 2006(7):1352-1357.

[ Peng D L, Huang J F, Jin H M. The monitoring for sequential cropping index of arable land in Zhejiang province using MODIS-NDVI[J]. Scientia Agricultura Sinica, 2006(7):1352-1357. ]

[70]
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.

[ Yang T, Zhao W L, Wang Z Y, et al. Changes of cropping system in China based on remotely Sensed NDVI data[J]. Scientia Agricultura Sinica, 2015, 48(10):1915-1925. ]

[71]
Jeong S, Ho C, Gim H, et al. Phenology shifts at start vs. end of growing season in temperate vegetation over the Northern Hemisphere for the period 1982-2008[J]. Global Change Biology, 2011, 17(7):2385-2399.

DOI

[72]
申健, 常庆瑞, 李粉玲, 等. 2000—2013年关中地区耕地复种指数遥感动态监测[J]. 农业机械学报, 2016, 47(8):280-287.

[ Shen J, Chang Q R, Li F L, et al. Dynamic monitoring of cropping index in Guanzhong area using remote sensing in 2000—2013[J]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(8):280-287. ]

[73]
何月, 张小伟, 李仁忠, 等. 浙江省作物多熟种植制度遥感反演及其时空格局[J]. 生态学杂志, 2011, 30(12):2827-2835.

[ He Y, Zhang X W, Li R Z, et al. Remote sensing retrieving of multiple cropping systems and their spatiotemporal patterns in Zhejing province[J]. Journal of Ecology, 2011, 30(12):2827-2835. ]

[74]
丁明军, 陈倩, 辛良杰, 等. 1999-2013年中国耕地复种指数的时空演变格局[J]. 地理学报, 2015, 70(7):1080-1090.

DOI

[ Ding M, Chen Q, Xin L, et al. Spatial and temporal variations of multiple cropping index in China based on SPOT-NDVI during 1999-2013[J]. Acta Geographica Sinica, 2015, 70(7):1080-1090. ]

[75]
梁守真, 马万栋, 施平, 等. 基于MODIS NDVI数据的复种指数监测——以环渤海地区为例[J]. 中国生态农业学报, 2012, 20(12):1657-1663.

[ Liang S Z, Ma W D, Shi P, et al. Monitoring multiple cropping index using MODIS NDVI data-A case study of Bohai Rim[J]. Chinese Journal of Eco-Agriculture, 2012, 20(12):1657-1663. ]

[76]
吴文斌, 余强毅, 陆苗, 等. 耕地复种指数研究的关键科学问题[J]. 中国农业科学, 2018, 51(9):1681-1694.

[ Wu W B, Yu Q Y, Lu M, et al. Key research priorities for multiple cropping systems[J]. Scientia Agricultura Sinica, 2018, 51(9):1681-1694. ]

[77]
Morton J F. The impact of climate change on smallholder and subsistence agriculture[J]. Proceedings of the National Academy of Sciences, 2007, 104(50):19680-19685.

DOI

[78]
胡琼, 吴文斌, 宋茜, 等. 农作物种植结构遥感提取研究进展[J]. 中国农业科学, 2015, 48(10):1900-1914.

[ Hu Q, Wu W B, Song Q, et al. Recent progresses in research of crop patterns papping by using remote sensing[J]. Scientia Agricultura Sinica, 2015, 48(10):1900-1914. ]

[79]
钱永兰, 杨邦杰, 雷廷武. 数据融合及其在农情遥感监测中的应用与展望[J]. 农业工程学报, 2004, 20(4):286-290.

[ Qian Y L, Yang B J, Lei T W. Data fusion and its application prospect in agricultural condition monitoring using romote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering, 2004, 20(4):286-290. ]

[80]
宋茜, 周清波, 吴文斌, 等. 农作物遥感识别中的多源数据融合研究进展[J]. 中国农业科学, 2015, 48(6):1122-1135.

[ Song Q, Zhou Q B, Wu W B, et al. Recent progresses in research of integrating multi-source remote densing data for crop mapping[J]. Scientia Agricultura Sinica, 2015, 48(6):1122-1135. ]

[81]
吴炳方, 张淼, 曾红伟, 等. 大数据时代的农情监测与预警[J]. 遥感学报, 2016, 20(5):1027-1037.

[ Wu B F, Zhang M, Zeng H W, et al. Agricultural monitoring and early warning in the era of big data[J]. Journal of Remote Sensing, 2016, 20(5):1027-1037. ]

[82]
Gorelick N, Hancher M, Dixon M, et al. Google Earth Engine: Planetary-scale geospatial analysis for everyone[J]. Remote Sensing of Environment, 2017, 202:18-27.

DOI

[83]
郝斌飞, 韩旭军, 马明国, 等. Google Earth Engine在地球科学与环境科学中的应用研究进展[J]. 遥感技术与应用, 2018, 33(4):600-611.

[ Hao B F, Han X J, Ma M G, et al. Research progress on the application of Google Earth engine in geoscience and environmental sciences[J]. Remote Sensing Technology and Application, 2018, 33:600-611. ]

Options
Outlines

/

〈 〉