EN中文

Journal of Geo-information Science >

2022 , Vol. 24 >Issue 1: 176 - 188

DOI: https://doi.org/10.12082/dqxxkx.2022.210604

Progress and Prospect on Mapping Cropping Systems Using Time Series Images

  • QIU Bingwen , * ,
  • YAN Chao ,
  • HUANG Wenqing
Expand
  • Key Laboratory of Spatial Data Mining &Information Sharing of the Ministry of Education, Fuzhou University, Fuzhou 350108, China
* QIU Bingwen, Email: .

Received date: 2021-10-05

  Revised date: 2021-10-26

  Online published: 2022-03-25

Supported by

National Natural Science Foundation of China(42171325)

National Natural Science Foundation of China(4771468)

Science Bureau of Fujian Province(2020N5002)

Copyright

Copyright reserved © 2022
Fold

Abstract

Updated spatiotemporal explicit data on cropping system is vital for ensuring the implementation of the national food security strategy and reasonable cropping structures. Time series analysis techniques are playing a more important role in agricultural remote sensing along with the continuously improved quality of remote sensing time series images. This paper analyzes main progresses and challenges in the field of cropping systems mapping using time series images from three aspects: mapping framework, remote sensing feature parameters, and data products. We find that: (1) The current cropping system mapping framework which mainly includes cropping intensity and agricultural planting structures, needs to cope with the problems of pre-requirements of cropland distribution data with high-quality. However, the existing land use/cover data could not fully fulfil this requirement due to the complex spectral characteristics of cropland introduced by multiple cropping systems over large regions. It is difficult to accurately derive information on cropping intensity using traditional time series vegetation indices datasets. Specifically, cropland fallow/abandonment in humid regions might be misclassified as single crop due to its corresponding high values of vegetation indices. Cropland abandonment and fallow are not negligible in recent decades and need further investigations, especially in China; (2) Novel multi-dimensional spectral indices based on red-edge and short-wave near-infrared bands are efficient in revealing the crop growth processes. Great progresses have been made in crop mapping in recent years. However, crop mapping at large scale is challenged by the minor differences among different crops as well as distinct heterogeneity within the same crop across different regions and multiple years; (3) There are increasing available remote sensing products of cropping intensity from national to global scale, however, the timeliness and spatiotemporal continuity need to be further improved; (4) Except for a few countries in North America and Europe, crop distribution maps at national scale are not fully available or limited to several staple crops with coarse resolution. There is a deficiency of finer datasets on cropping systems at large scale, especially in the complex multi-cropped regions. Fortunately, new technologies (i.e., cloud computing platform and deep learning algorithms) and emerging multi-sources remote sensing data with higher spatial, spectral, and temporal resolution provide great opportunities for spatiotemporally continuously detecting changes in cropping system at large scale. Future research should be focused on the following directions. First, we could improve the research strategy by developing an integrated mapping framework for directly deriving information on cropland and cropping patterns without relying on existing cropland distribution data. Second, we need to enrich the phenological features through exploring multiple-dimensional and less exploited spectral indices, such as the pigment indices, soil indices, nitrogen indices, and dry matter indices. Finally, we can develop spatiotemporal continuous change detection techniques for automatically tracking changes in cropping systems at multiple years and large scale.

Key words： agricultural cropping systems; time series remote sensing; cropping intensity; crop phenology; automatic mapping; cropland abandonment; spectral indices; spatiotemporal continuous

Cite this article

QIU Bingwen , YAN Chao , HUANG Wenqing . Progress and Prospect on Mapping Cropping Systems Using Time Series Images[J]. Journal of Geo-information Science, 2022 , 24(1) : 176 -188 . DOI: 10.12082/dqxxkx.2022.210604

1 引言

作物种植制度包括耕地复种指数（Cropping Index, 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[7,8,9,10,11,12]。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（图1）。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（图2）、遥感特征参数以及相关数据产品等角度展开综述。
图1 本文的组织结构

Fig. 1 The framework of this paper

图2 基于时序遥感数据的农作物种植制度研究框架

Fig. 2 Research framework of cropping systems based on time series images

2 耕地复种指数遥感监测研究进展

2.1 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=1,2,3 or 4?)[13] （图2）。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(Uncropped Region)[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[7,8,9],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](表1)。中科院空天院吴炳方研究团队,最新发布了全球30 m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]。
表1 国家或全球尺度耕地复种指数部分代表性数据产品

Tab. 1 Some representative data products of cropping intensity at national or global scales

范围 数据源 分辨率 时间/年 监测方法 方法校验 代表文献
全球 国际或次国家尺度作物播种和收获统计面积 30 弧分 1998—2002 作物生长季节的重叠性 与多季种植统计数据等对比分析 Waha等[24]
全球 15 d GIMMS NDVI 8 km 1982—2012 峰值法 未验证 Chen等[26]
全球 15 d GIMMS NDVI 8 km 2010 峰值法 未验证 Wu等[2]
全球 Landsat、Sentinel-2 MSI 30 m 2016—2018 穿过1/2变幅的点位数 近4000个参考点位(OA>93%) Zhang等[17]
亚洲 8 d MODIS EVI 500 m 2009—2012 改进的峰值法 191个调研点位(OA≥11%) Gray等[1]
中国 8 d MODIS EVI 500 m 2001—2015 改进的峰值法 起始年份各自200个目视解译样点(OA=96%) 闫慧敏等[14]
中国 旬SPOT NDVI 1 km 1999—2013 峰值法 1515个目视解译样点(OA=92%) 丁明军等[27]
中国 7 d VIP EVI2
8 d MODIS EVI2		 500 m/5 km(20世纪) 1982—2018 小波特征图谱法 近1000个调研点位(OA>91%) 邱炳文等[18,28]

注:OA为总体精度。

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500 m)的数据产品（表1）。随着“三高”时序遥感影像数据的不断丰富以及Google Earth Engine (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(680~750 nm)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-2 MSI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]。
农作物时序遥感特征变量,正在从基于常规植被指数,走向充分利用包括红边和短波红外在内所有对植被属性敏感的光谱信息。研究表明,红边和短波红外波段,对于叶面积、植被色素含量、叶片含水量以及植被物候等多维度植被属性具有敏感性,能有效地提高农作物分布制图精度[47,48,49]。例如:加入红边波段,用于非洲东部国家玉米制图[47]以及构建德国农作物类型分布图[50]。短波红外波段,可用于有效区分不同农作物,如美国Illinois州中部和巴西南部的玉米与大豆、我国华北冬小麦制图等相关案例研究中得到证实[48,51]。农作物遥感监测,经历了从遥感影像波段反射率到植被指数时序数据,并进一步发展到集成多种新型光谱指数深入应用研究的发展阶段[49,52]。
尽管包括红边波段和近红外波段在内的光谱信息已经得到充分认可,但在农业遥感分类中相关应用刚刚起步方兴未艾。一些基于红边波段的新型光谱指数非常有效,但由于相关影像数据缺乏鲜有人问津,目前依然大多局限于基于可见光和近红外常规的常规植被指数时序数据[52]。其原因在于两方面:① MODIS和Landsat等常用的遥感数据,缺乏红边波段无法计算基于红边的多维度新型遥感指数,因此限制了其应用潜力[53];② 由于不同植被色素等在农作物不同生长阶段所发挥的功能特性,其含量随生长期变化规律复杂多变,因此新型多维度光谱指数在不同农作物生长期的时序变化特征有待进一步探索。

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]。
农作物制图,经历了从基于波段数据或植被指数的统计分析方法,到基于植被指数的时序分析方法以及基于农作物物候的时序遥感制图方法的发展历程。基于物候的时序遥感制图方法,依据领域专家知识基于物候特征建立判别规则实现自动制图,有望在不依赖地面调查数据的情况下实现农作物分布信息自动提取。基于物候的农作物遥感监测基础依据在于:① 不同农作物物候期存在差异[60];② 不同农作物具有其特色的基因型和表型,通过找到不同农作物特色之处,获取特定物候期光谱与时序特征用于农作物识别[51,61]。基于物候的农作物自动分类算法,最为经典的为俄克拉荷马大学Xiao[34]提出的水稻制图方法,该方法依据水稻在移栽期需要漫灌的特点,基于水体指数和植被指数两者差值进行水稻识别[34]。该方法在我国和东南亚国家等水稻主产区得到很好的应用[62]。然而,相比水稻而言,可应用于识别其他农作物的关键物候期和相应的独特之处值得深入探索[63]。
基于物候的农作物制图方法,关键在于探索不同农作物生长规律和独特之处,需要农作物生长发育的相关农学知识作为支撑[64,65]。例如,通过锁定玉米关键物候期-生长盛期,引入多波段干旱指数(Normalized Multi-band Drought Index, NMDI),分析探索关键物候期内玉米独特的湿度变异性特征,建立了一种基于生长盛期NMDI增减比值指数的玉米制图方法[63]。依据大豆田间水分含量相比玉米田通常偏低的特点,利用植被指数达到峰值后第一个拐点出现时期的短波红外反射率,建立区分大豆与玉米的农作物制图方法[51]。依据土豆前期生长速度快以及收获期田间湿度大的特点,基于红绿蓝和近红外波段,综合生长前期光谱反射率累积量以及生长后期变化量等设计时序指标,用于识别 土豆[61]。
相比不透水面、水体等地物而言,不同农作物光谱特征差异非常小或者仅仅存在于特定农作物物候期,大尺度农作物时序遥感制图,面临着以下二方面的挑战:① 由于不同作物种植制度（如双季稻、冬小麦-水稻等）以及不同区域或不同年份自然条件和耕作管理差异等不同情景下,同一种农作物物候和长势等可能发生变化导致内部光谱差异,即农作物植被指数时序曲线存在类内异质性;② 对于生长期长度和农作物物候期相近的不同农作物,其光谱差异非常细微,普遍存在植被指数时序曲线的类间相似性问题[66]。因此,大尺度农作物遥感自动制图,需要应对农业系统复杂性和多变性的挑战。
面对农作物时序遥感制图面临的挑战,相关研究学者从以下多方面提出应对策略:① 将研究区划分为若干个小区域（如生态区）或网格,然后分别进行分类[67],会一定程度上增加计算复杂度;② 结合物候观测站点数据,消除不同区域农作物物候推移的影响,建立标准的植被指数时序曲线[68],但是对于热带亚热带地区农作物物候变化更多受到人为因素控制的情况下很难准确模拟;③ 结合温度、降水、海拔等辅助数据,更好地确定农作物物候期,或者和植被指数时序数据同时作为输入变[66];④ 聚焦农作物关键物候期或者关键时频域区间,消除其他时段的干扰[69,70];⑤ 将植被指数和其他光谱指数结合,设计新的凸显不同农作物特征的时序指标[71]。以上研究策略,在大尺度农作物自动制图方面发挥了重要作用。然而,目前农作物时序遥感制图,主要聚焦在水稻、玉米、小麦和大豆等少数主要农作物。虽然最近研究开始关注土豆、油菜、棉花等更多其他农作物,但多数依然处于小尺度实验探索阶段[61,72]。随着农作物类型的增加,大尺度农作物制图研究中面临的农作物植被指数时序曲线类内异质性和类间相似性问题愈加严重,对于如何结合领域知识设计更为有效的农作物物候特征指标提出了更高的要求。

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10 km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1 km。在国家尺度上,美国农业部生产覆盖全美30 m农田数据集(Cropland Data Layer (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（30 m）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]。
表2 大尺度农作物分布遥感制图部分代表性数据产品

Tab. 2 Some representative crop spatial distribution data products at large scale using remote sensing images.

范围 数据源 分辨率 时间/年 制图方法 作物 验证数据及精度 代表文献
美国 多源遥感数据 30 m 逐年更新 决策树监督分类 多种农作物 基于调研点位(OA=95%) Boryan等[74]
加拿大 多源遥感数据 30 m 逐年更新 决策树监督分类 多种农作物 基于调研点位(OA>85%) Davidson等[76]
中国和印度 8 d MODIS EVI2、LSWI 500 m 2000—2015 物候指标(水体指数与植被指数之差) 水稻 基于统计数据(中国:R2=0.77—0.92;印度R2=0.79—0.81) Zhang等[62]
中国 8 d GLASS LAI 1 km 2000—2015 植被指数曲线拐点和阈值法 水稻、小麦和玉米 基于统计数据(R2>0.8) Luo等[77]
中国 8 d MODIS EVI2、NMDI 500 m 2005—2017 物候指标(生长盛期NMDI增减比值指数) 玉米 基于2020个调研点位(OA=91%);基于统计数据(R2=0.89) Qiu等[63]
中国东南10省市 8 d MODIS EVI2、LSWI 500 m 2001—2013 物候指标(植被水体变化比值指数) 水稻 基于763个调研点位(OA=95%) Qiu等[71, 78]
中国冬小麦主产区10省市 8 d MODIS EVI2、物候站点数据 500 m 2001—2012 物候指标(基于生长期植被指数增量) 冬小麦 基于653调研点位(OA=92%);基于统计数据(R2=0.84) Qiu等[66]
东北三省 Sentinel-2 MSI 10 m 2017—2019 随机森林 水稻、玉米和大豆等 每年上万个调研点位(OA=81—86%);基于统计数据(R2>0.84) You等[79]

注:OA为总体精度。表中基于物候指标的分类方法,均基于简单决策判别规则。

我国Cropwatch农情监测系统实现了作物分布面积比例信息提取,但尚未形成高分辨率的时空连续作物分布产品[80]。我国农作物时空分布数据产品,分辨率为500 m或者更粗,农作物品种局限于小麦、水稻和玉米等少数大宗农作物,数据年份为2017年及其更早年份[63](表2)。和耕地复种指数产品类似的是,目前多数国家尺度农作物分布产品,多基于500 m MODIS时序数据集,难以避免混合像元问题[19,55]。中国科学院地理科学与资源所董金玮研究团队,最近发布共享了2017—2019年中国东北10 m分辨率的水稻、玉米和大豆等农作物空间分布图[79],这些研究成果填补了我国大尺度中高分辨率农作物制图的空白(表2)。然而,由于农田系统的复杂性和多变性,表现为不同区域播种的农作物可能存在很大差异并且变化频繁,大尺度农作物分布数据产品覆盖的农作物类型有待进一步拓展,南方复杂多熟制农业区数据产品依然非常欠缺[12,31,67]。

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。

4.2 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]。在此基础上,结合农学知识以及非遥感数据(农作物物候历、农田管理措施等),并建议进一步从以下两方面拓展时序遥感特征参数:
（1）加强新型多维度遥感指数设计与应用。为了能在不依赖现有耕地分布数据的情况下,直接提取农作物种植耕作区域,有必要全面分析包括多种树木和草本植物在内的非农作物以及不同农作物的多维度光谱指数时序特征。最近研究表明,结合裸土或干枯植被出现周期性规律,能有效地提高耕地复种指数监测精度[15]。该研究为深入结合包括植被指数在内的多维度时序数据集,建立能适用于大尺度农作物种植制度遥感监测开拓了新思路。Sentinel-2 MSI卫星数据独有的3个红边波段以及两个近红外和短波红外波段,以及国产GF和HJ系列卫星组网运行(GF6拥有2个红边波段),必将开启充分利用多源遥感数据、基于红边和短波红外等新型光谱指数综合应用的新时代[36,86]。但是,不同农作物叶面积、植被色素、氮含量、干物质和叶片含水量等多维度属性,随着环境条件和不同农作物生长阶段的变化规律以及所对应的光谱指数响应,仍有待结合农学和生物学知识进一步深入研究。
（2）加强基于新型多维度遥感指数的物候特征指标设计。基于红边和短波红外的多维度新型指数构建有效的农作物遥感特征变量,多维度刻画农作物生长发育过程特性,为农作物种植制度遥感监测精度提供了很好的机遇。然而,遥感影像特征并非越多越好。农作物生长发育相关的农学知识,为基于物候的农作物时序遥感制图方法基础。对于不同农作物,适合采用的关键物候期和对应的光谱指数并不相同[51,61,63]。如何更好地结合领域知识,基于新型多维度遥感指数,设计构建具有农学知识背景的物候特征指标,是农作物种植制度遥感监测研究解决的关键问题[57,58]。

4.3 发展时空连续变化检测技术,依托云平台,实现作物种植制度多年变化信息自动提取

由于农业土地系统的复杂性,耕地复种指数和农作物时空分布变化信息,通常基于逐年遥感分类制图的方式获取。随着时序遥感数据集的不断丰富,变化检测技术快速发展,先后经历了双时相过渡到多时相以及时序遥感变化检测的发展历程[87]。时序变化检测技术表现出明显技术优势,如最近研究利用LandTrendr时序变化检测算法获取撂荒地空间分布及其发生时间等相关信息[16]。然而,目前现有时序变化检测技术,主要侧重森林或土地干扰等光谱差异非常大的土地覆盖变化检测[88],难以适用于作物种植制度变化这种更为复杂细微的变化形式。如何构建作物种植制度时空连续变化检测技术,实现作物种植制度多年连续变化信息提取,是目前大尺度长时序作物种植制度遥感监测需要解决的关键问题。常规与未来基于时序遥感数据的农作物种植制度发展趋势对比分析见表3。
表3 目前常规与未来新型基于时序遥感数据的农作物种植制度研究对比分析

Tab. 3 Comparative analysis of traditional and novel research framework for cropping systems

对比参数 常规研究 发展趋势
遥感影像 MODIS、Landsat等 Sentinel、Landsat、国产GF、无人机等多源高时空谱遥感数据
光谱指数 常规植被指数 新型多维度遥感指数
特征参数 基于常规植被指数的农作物物候特征 植被色素、氮含量、干物质、含水量等多维度属性在不同生长阶段变化特性及其相互时序关系特征等
研究框架 耕地掩膜-剔除撂荒区-熟制识别-农作物制图 一体化遥感监测(耕作区-农作物种植模式)
变化检测 逐年分类制图-分类后检测变化 时序遥感变化检测、时空连续性好
研究方法 监督分类、非监督分类算法 深度学习与基于物候的专家知识方法相结合
支撑平台 ENVI等遥感处理平台 GEE等云计算平台
研究尺度 中小尺度、中低分辨率 大尺度、中高分辨率
遥感云计算平台,如GEE平台,集成了MODIS、Landsat、Sentinel等多源光学与雷达遥感时序数据集,极大地提高了时序遥感影像的处理分析能力,为实现大尺度中高分辨率作物种植制度连续变化检测提供了很好的条件。有必要在新型农作物种植制度研究框架下,探索新型多维度光谱指数在农作物生长期和休耕换茬期内周期性变化规律,跟踪多维度光谱指数时序曲线多年变化轨迹,判断变化/未变化区域并且检测变化年份,建立大尺度作物种植制度变化监测技术方案,实现作物种植制度多年变化信息自动提取。在技术框架层面,借鉴时序变化检测技术方法,更好地集成物候特征和机器学习技术方法优势[78, 89,90]。在方法校验方面,充分借助众源地理数据的优势[91]。在研究策略方法层面,深入探索多维度光谱指数在农作物关键物候期内数值分布、相互关系以及年际年内时序关系特征,建立覆盖多种复杂农作物种植制度的多年连续自动制图方法,提升基于中高分辨率时序遥感影像的大尺度农作物自动遥感监测技术水平。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
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: 10.1109/JSTARS.2014.2344630

DOI

[2]
Wu W, Yu Q, You L, et al. Global cropping intensity gaps: Increasing food production without cropland expansion[J]. Land Use Policy, 2018, 76:515-525. DOI: 10.1016/j.landusepol.2018.02.032

DOI

[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.

[ 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. ] DOI: 10.3864/j.issn.0578-1752.2015.10.005

DOI

[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.

[ Yan H M, Liu J Y, Cao M K, et al. Remotely sensed multiple cropping index variations in China during 1981-2000[J]. Acta Geographica Sinica, 2005,(4):559-566. ] DOI: 10.11821/xb200504004

DOI

[5]
唐华俊, 吴文斌, 余强毅, 等. 农业土地系统研究及其关键科学问题[J]. 中国农业科学, 2015, 48(5):900-910.

[ Tang H J, Wu W B, Yu Q Y, et al. Key research priorities for agricultural land system studies[J]. Scientia Agricultura Sinica, 2015, 48(5):900-910. ] DOI: 10.3864/j.issn.0578-1752.2015.05.08

DOI

[6]
李丹, 韩留生, 黄思宇, 等. 基于 HJ-1 数据的冬小麦种植面积,长势与收割进度遥感监测[J]. 中国农学通报, 2016, 32(12):20-28.

[ Li D, Han L S, Huang S Y, et al. Remote sensing monitoring of planting area, growth situation and harvest process of winter wheat based on HJ-1 satellite data[J]. Chinese Agricultural Science Bulletin, 2016, 32(12):20-28. ] DOI: CNKI:SUN:ZNTB.02016-12-005

DOI

[7]
葛中曦, 黄静, 赖佩玉, 等. 耕地复种指数遥感监测研究进展[J]. 地球信息科学学报, 2021:1-16.

[ Ge Z X, Huang J, Lai P Y, et al. Research progress on remote sensing monitoring of cultivated land cropping intensity[J]. Journal of Geo-information Science, 2021:1-16. ] DOI: 10.11873/J.ISSN.1004-0323.2015.2.0199

DOI

[8]
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. ] DOI: 10.3864/J.ISSN.0578-1752.2018.09.006

DOI

[9]
Ray D K, Foley J A. Increasing global crop harvest frequency: recent trends and future directions[J]. Environmental Research Letters, 2013, 8(4):44041-44050. DOI: 10.1088/1748-9326/8/4/044041

DOI

[10]
Dong J, Xiao X. Evolution of regional to global paddy rice mapping methods: A review[J]. Isprs Journal Of Photogrammetry And Remote Sensing, 2016, 119:214-227. DOI: 10.1016/j.isprsjprs.2016.05.010

DOI

[11]
Thenkabail P S. Remote sensing Handbook-Three volume set[M]. CRC Press, 2015. DOI: 10.1201/b19355

DOI

[12]
董金玮, 吴文斌, 黄健熙, 等. 农业土地利用遥感信息提取的研究进展与展望[J]. 地球信息科学学报, 2020, 22(4):772-783.

DOI

[ Dong J W, Wu W B, Huang J X, et al. State of the art and perspective of agricultural land use remote sensing information extraction[J]. Journal of Geo-information Science, 2020, 22(4):772-783. ] DOI: 10.12082/dqxxkx.2020.200192

DOI

[13]
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(Complete):210-223. DOI: 10.1016/j.rse.2013.02.029

DOI

[14]
Yan H, Liu F, Qin Y, et al. Tracking the spatio-temporal change of cropping intensity in China during 2000-2015[J]. Environmental Research Letters, 2019, 14(3):035008. DOI: 10.1088/1748-9326/aaf9c7

DOI

[15]
Liu L, Xiao X, Qin Y, 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(C). DOI: 10.1016/j.rse.2019.111624

DOI

[16]
Yin H, Brandão A, Buchner J, et al. Monitoring cropland abandonment with Landsat time series[J]. Remote Sensing Of Environment, 2020, 246:111873. DOI: 10.1016/j.rse.2020.111873

DOI

[17]
Zhang M, Wu B, Zeng H, et al. GCI30: a global dataset of 30-m cropping intensity using multisource remote sensing imagery[J]. Earth System Science Data Discussions, 2021:1-22. DOI: 10.5194/ESSD-13-4799-2021

DOI

[18]
Qiu B, Lu D, Tang Z, et al. Mapping cropping intensity trends in China during 1982-2013[J]. Applied Geography, 2017, 79:212-222. DOI: 10.1016/j.apgeog.2017.01.001

DOI

[19]
Liu C, Zhang Q, Tao S, et al. A new framework to map fine resolution cropping intensity across the globe: Algorithm, validation, and implication[J]. Remote Sensing Of Environment, 2020, 251:112095. DOI: 10.1016/j.rse.2020.112095

DOI

[20]
Jain M, Mondal P, Galford G L, et al. An automated approach to map winter cropped area of smallholder farms across large scales using MODIS imagery[J]. Remote Sensing, 2017, 9(6):566. DOI: 10.3390/rs9060566

DOI

[21]
Kuemmerle T, Erb K, Meyfroidt P, et al. Challenges and opportunities in mapping land use intensity globally[J]. Current Opinion in Environmental Sustainability, 2013, 5(5):484-493. DOI: 10.1016/j.cosust.2013.06.002

DOI PMID

[22]
Lowder S K, Skoet J, Singh S. What do we really know about the number and distribution of farms and family farms in the world? Background paper for The State of Food and Agriculture 2014[J]. 2014. DOI: 10.22004/ag.econ.288983

DOI

[23]
李升发, 李秀彬. 耕地撂荒研究进展与展望[J]. 地理学报, 2016, 71(3):370-389.

DOI

[ Li S F, Li X B. Global understanding of farmland abandonment: A review and prospects[J]. Journal of Geographical Sciences, 2016, 71(3):370-389. ] DOI: 10.1007/s11442-017-1426-0

DOI

[24]
Waha K, Dietrich J P, Portmann F T, et al. Multiple cropping systems of the world and the potential for increasing cropping intensity[J]. Global Environmental Change, 2020, 64:102131. DOI: 10.1016/j.gloenvcha.2020.102131

DOI

[25]
Ding M, Chen Q, Xiao X, et al. Variation in cropping intensity in northern China from 1982 to 2012 based on GIMMS-NDVI data[J]. Sustainability, 2016, 8(11):1123. DOI: 10.3390/su8111123

DOI

[26]
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. DOI: 10.5194/isprs-annals-IV-3-45-2018

DOI

[27]
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. ] DOI: 10.11821/dlxb201507005

DOI

[28]
李宇, 邱炳文, 何玉花, 等. 基于MODIS数据的2001—2018年中国耕地复种指数反演研究[J]. 地理科学进展, 2020, 39(11):1874-1883.

DOI

[ Li Y, Qiu B W, He Y H, et al. Cropping intensity based on MODIS data in China during 2001-2018[J]. Progress in Geography, 2020, 39(11):1874-1883. ] DOI: 10.18306/dlkxjz.2020.11.008

DOI

[29]
宫鹏, 张伟, 俞乐, 等. 全球地表覆盖制图研究新范式[J]. 遥感学报, 2016, 20(5):1002-1016.

[ Gong P, Zhang W, Yu L, et al. New research paradigm for global land cover mapping[J]. Journal of Remote Sensing, 2016, 20(5):1002-1016 ] DOI: 10.11834/jrs.20166138

DOI

[30]
黄思宇, 陈水森, 李丹, 等 . 基于 NDVI 物候特征的华南地区冬种马铃薯遥感提取方法[J]. 热带地理, 2016, 36(6):976-984.

[ Huang S Y, Chen S S, Li D, et al. Remote sensing method based on multi-temporal NDVI phenological characters for winter potato planting area in south China[J]. Tropical Geography, 2016, 36(6):976-984. ] DOI: 10.13284/j.cnki.rddl.002892

DOI

[31]
吴文斌, 胡琼, 陆苗, 等. 农业土地系统遥感制图[M]. 北京: 科学出版社, 2020.

[ Wu W B, Hu Q, Lu M, et al. Remote sensing mapping of agricultural land systems[M]. Beijing: Science Publishing, 2020. ] ISBN:9787030667274

[32]
Filella I, Penuelas J. The red edge position and shape as indicators of plant chlorophyll content, biomass and hydric status[J]. International Journal Of Remote Sensing, 1994, 15(7):1459-1470. DOI: 8954177

DOI

[33]
Sharifi A. Remotely sensed vegetation indices for crop nutrition mapping[J]. Journal Of The Science Of Food And Agriculture, 2020, 100:5191-5196. DOI: 10.1002/jsfa.10568

DOI

[34]
Xiao X, Boles S, Liu J, et al. Mapping paddy rice agriculture in southern China using multi-temporal MODIS images[J]. Remote Sensing Of Environment, 2005, 95(4):480-492. DOI: 10.1016/j.rse.2004.12.009

DOI

[35]
Macintyre P, Van Niekerk A, Mucina L. Efficacy of multi-season Sentinel-2 imagery for compositional vegetation classification[J]. International Journal of Applied Earth Observation and Geoinformation, 2020, 85:101980. DOI: 10.1016/j.jag.2019.101980

DOI

[36]
Qiu B, Jiang F, Chen C, et al. Phenology-pigment based automated peanut mapping using sentinel-2 images[J]. GIScience & Remote Sensing, 2021:1-17. DOI: 10.1080/15481603.2021.1987005

DOI

[37]
Daughtry C S T, Walthall C L, Kim M S, et al. Estimating Corn Leaf Chlorophyll Concentration from Leaf and Canopy Reflectance[J]. Remote Sensing Of Environment, 2000, 74(2):229-239. DOI: 10.1016/S0034-4257(00)00113-9

DOI

[38]
Haboudane D, Miller J R, Tremblay N, et al. Integrated narrow-band vegetation indices for prediction of crop chlorophyll content for application to precision agriculture[J]. Remote Sensing Of Environment, 2002, 81(2-3):416-426. DOI: 10.1016/S0034-4257(02)00018-4

DOI

[39]
Gitelson A A, Zur Y, Chivkunova O B, et al. Assessing carotenoid content in plant leaves with reflectance spectroscopy[J]. Photochemistry And Photobiology, 2002, 75(3):272-281. DOI: 10.1562/0031-8655(2002)0750272ACCIPL2.0.CO2

DOI PMID

[40]
Gitelson A A, Keydan G P, Merzlyak M N. Three-band model for noninvasive estimation of chlorophyll, carotenoids, and anthocyanin contents in higher plant leaves[J]. Geophysical Research Letters, 2006, 33(11). DOI: 10.1029/2006GL026457

DOI

[41]
Gitelson A A, Merzlyak M N, Chivkunova O B. Optical properties and nondestructive estimation of anthocyanin content in plant leaves[J]. Photochemistry And Photobiology, 2001, 74(1):38-45. DOI: 10.1562/0031-8655(2001)074<0038:OPANEO>2.0.CO;2

DOI PMID

[42]
Li F, Mistele B, Hu Y, et al. Remotely estimating aerial N status of phenologically differing winter wheat cultivars grown in contrasting climatic and geographic zones in China and Germany[J]. Field Crops Research, 2012, 138:21-32. DOI: 10.1016/j.fcr.2012.09.002

DOI

[43]
Fensholt R, Sandholt I. Derivation of a shortwave infrared water stress index from MODIS near- and shortwave infrared data in a semiarid environment[J]. Remote Sensing Of Environment, 2003, 87(1):111-121. DOI: 10.1016/j.rse.2003.07.002

DOI

[44]
Romero A, Aguado I, Yebra M. Estimation of dry matter content in leaves using normalized indexes and PROSPECT model inversion[J]. International Journal of Remote Sensing, 2012, 33(1-2):396-414. DOI: 10.1080/01431161.2010.532819

DOI

[45]
Gelder B K, Kaleita A L, Cruse R M. Estimating mean field residue cover on midwestern soils using satellite imagery[J]. Agronomy Journal, 2009, 101(3):635-643. DOI: 10.2134/agronj2007.0249

DOI

[46]
Wong C Y S, D'Odorico P, Bhathena Y, et al. Carotenoid based vegetation indices for accurate monitoring of the phenology of photosynjournal at the leaf-scale in deciduous and evergreen trees[J]. Remote Sensing Of Environment, 2019, 233:111407. DOI: 10.1016/j.rse.2019.111407

DOI

[47]
Jin Z, Azzari G, You C, et al. Smallholder maize area and yield mapping at national scales with Google Earth Engine[J]. Remote Sensing Of Environment, 2019, 228:115-128. DOI: 10.1016/j.rse.2019.04.016

DOI

[48]
Cai Y, Guan K, Peng J, et al. A high-performance and in-season classification system of field-level crop types using time-series Landsat data and a machine learning approach[J]. Remote Sensing Of Environment, 2018, 210:35-47. DOI: 10.1016/j.rse.2018.02.045

DOI

[49]
Dong Q, Chen X, Chen J, et al. Mapping winter wheat in north China using sentinel 2A/B data: A Method Based on Phenology-Time Weighted Dynamic Time Warping[J]. Remote Sensing, 2020, 12(8):1274. DOI: 10.3390/rs12081274

DOI

[50]
Griffiths P, Nendel C, Hostert P. Intra-annual reflectance composites from Sentinel-2 and Landsat for national-scale crop and land cover mapping[J]. Remote Sensing Of Environment, 2019, 220:135-151. DOI: 10.1016/j.rse.2018.10.031

DOI

[51]
Zhong L, Hu L, Yu L, et al. Automated mapping of soybean and corn using phenology[J]. Isprs Journal Of Photogrammetry And Remote Sensing, 2016, 119:151-164. DOI: 10.1016/j.isprsjprs.2016.05.014

DOI

[52]
ED Chaves M, CA Picoli M, D Sanches I. Recent applications of Landsat 8/OLI and Sentinel-2/MSI for land use and land cover mapping: A systematic review[J]. Remote Sensing, 2020, 12(18):3062. DOI: 10.3390/rs12183062

DOI

[53]
Zhou X, Huang W, Kong W, et al. Assessment of leaf carotenoids content with a new carotenoid index: Development and validation on experimental and model data[J]. International Journal of Applied Earth Observation and Geoinformation, 2017, 57:24-35. DOI: 10.1016/j.jag.2016.12.005

DOI

[54]
吴炳方, 李强子. 基于两个独立抽样框架的农作物种植面积遥感估算方法[J]. 遥感学报, 2004, 8(6):551-568.

[ Wu B F, Li Q Z. Crop acreage estimation using two individual sampling frameworks with straatification[J]. National Remote Sensing Bulletin, 2004, 8(6):551-568. ] DOI: 1007-4619(2004)06-0551-19

DOI

[55]
Jiang Y, Lu Z, Li S, et al. Large-Scale and High-Resolution Crop Mapping in China Using Sentinel-2 Satellite Imagery[J]. Agriculture, 2020, 10(10):433. DOI: 10.3390/agriculture10100433

DOI

[56]
郝鹏宇, 唐华俊, 陈仲新, 等. 基于历史增强型植被指数时序的农作物类型早期识别[J]. 农业工程学报, 2018, 34(13):179-186.

[ Hao P Y, Tang H J, Chen Z X, et al. Early season crop type recognition based on historical EVI time series[J]. Transactions of the Chinese Society of Agricultural Engineering, 2018, 34(13):179-186. ] DOI: 10.11975/j.issn.1002-6819.2018.13.021

DOI

[57]
Zhu X X, Tuia D, Mou L, et al. Deep learning in remote sensing: A comprehensive review and list of resources[J]. IEEE Geoscience and Remote Sensing Magazine, 2017, 5(4):8-36. DOI: 10.1109/MGRS.2017.2762307

DOI

[58]
Yuan Q, Shen H, Li T, et al. Deep learning in environmental remote sensing: Achievements and challenges[J]. Remote Sensing Of Environment, 2020, 241:111716. DOI: 10.1016/j.rse.2020.111716

DOI

[59]
Waldner F, Canto G S, Defourny P. Automated annual cropland mapping using knowledge-based temporal features[J]. Isprs Journal Of Photogrammetry And Remote Sensing, 2015, 110:1-13. DOI: 10.1016/j.isprsjprs.2015.09.013

DOI

[60]
曾志康, 覃泽林, 黄启厅, 等. 基于国产高时空分辨率卫星影像的作物种植信息提取研究[J]. 福建农业学报, 2017, 32(5):560-567.

[ Zeng Z K, Qin Z L, Huang Q T, et al. Cropping information acquisition from National High Temporal-and-spatial resolution satellite imaging system[J]. Fujian Journal of Agricultural Sciences, 2017, 32(5):560-567. ] DOI: 10.19303/j.issn.1008-0384.2017.05.018

DOI

[61]
Ashourloo D, Shahrabi H S, Azadbakht M, et al. A novel method for automatic potato mapping using time series of Sentinel-2 images[J]. Computers And Electronics In Agriculture, 2020, 175:105583. DOI: 10.1016/j.compag.2020.105583

DOI

[62]
Zhang G, Xiao X, Biradar C M, et al. Spatiotemporal patterns of paddy rice croplands in China and India from 2000 to 2015[J]. Science of The Total Environment, 2017, 579:82-92. DOI: 10.1016/j.scitotenv.2016.10.223

DOI

[63]
Qiu B, Huang Y, Chen C, et al. Mapping spatiotemporal dynamics of maize in China from 2005 to 2017 through designing leaf moisture based indicator from Normalized Multi-band Drought Index[J]. Computers And Electronics In Agriculture, 2018, 153:82-93. DOI: 10.1016/j.compag.2018.07.039

DOI

[64]
许青云, 杨贵军, 龙慧灵, 等. 基于 MODIS NDVI 多年时序数据的农作物种植识别[J]. 农业工程学报, 2014, 30(11):134-144.

[ Xu Q Y, Yang G J, Long H L, et al. Crop information identification based on MODIS NDVI time-series data[J]. Transactions of the Chinese Society of Agricultural Engineering, 2014, 30(11):134-144. ] DOI: 10.3969/j.issn.1002-6819.2014.11.017

DOI

[65]
段春华, 张汛, 尹凡. 基于国产高分卫星影像的水稻种植区提取——以江苏苏中地区为例[J]. 卫星应用, 2021.

[ Duan C H, Zhang X, Yin F, et al. Extraction of rice growing regions based on domestic high-resolution satellite images: A case study of central Jiangsu Province[J]. Satellite Application, 2021. ] DOI: 10.3969/j.issn.1674-9030.2021.02.013

DOI

[66]
Qiu B, Luo Y, Tang Z, et al. Winter wheat mapping combining variations before and after estimated heading dates[J]. Isprs Journal Of Photogrammetry And Remote Sensing, 2017, 123:35-46. DOI: 10.1016/j.isprsjprs.2016.09.016

DOI

[67]
Yang N, Liu D, Feng Q, et al. Large-scale crop mapping based on machine learning and parallel computation with grids[J]. Remote Sensing, 2019, 11(12):1500. DOI: 10.3390/rs11121500

DOI

[68]
Zhang J, Feng L, Yao F. Improved maize cultivated area estimation over a large scale combining MODIS-EVI time series data and crop phenological information[J]. Isprs Journal of Photogrammetry And Remote Sensing, 2014, 94(10):102-113. DOI: 10.1016/j.isprsjprs.2014.04.023

DOI

[69]
Qiu B W, Fan Z L, Zhong M, et al. A new approach for crop identification with wavelet variance and JM distance[J]. Environmental Monitoring And Assessment, 2014, 186:7929-7940. DOI: 10.1007/s10661-014-3977-1

DOI

[70]
Zang Y, Chen X, Chen J, et al. Remote sensing index for mapping canola flowers using MODIS data[J]. Remote Sensing, 2020, 12(23):3912. DOI: 10.3390/rs12233912.

DOI

[71]
Qiu B, Li W, Tang Z, et al. Mapping paddy rice areas based on vegetation phenology and surface moisture conditions[J]. Ecological Indicators, 2015, 56(10):79-86. DOI: 10.1016/j.ecolind.2015.03.039

DOI

[72]
Ashourloo D, Shahrabi H S, Azadbakht M, et al. Automatic canola mapping using time series of sentinel 2 images[J]. Isprs Journal of Photogrammetry And Remote Sensing, 2019, 156:63-76. DOI: 10.1016/j.isprsjprs.2019.08.007

DOI

[73]
Leff B, Ramankutty N, Foley J A. Geographic distribution of major crops across the world[J]. Global Biogeochemical Cycles, 2004, 18(1). DOI: 10.1029/2003GB002108

DOI

[74]
Boryan C, Yang Z, Mueller R, et al. Monitoring US agriculture: the US department of agriculture, national agricultural statistics service, cropland data layer program[J]. Geocarto International, 2011, 26(5):341-358. DOI: 10.1080/10106049.2011.562309

DOI

[75]
Fisette T, Rollin P, Aly Z, et al. AAFC annual crop inventory[C]. 2013 Second International Conference on Agro-Geoinformatics (Agro-Geoinformatics): IEEE, 2013.270-274. DOI: 10.1109/Argo-Geoinformatics.2013.6621920

DOI

[76]
Davidson A, Fisette T, McNairn H, et al. Detailed crop mapping using remote sensing data (Crop Data Layers)[J]. Handbook on Remote Sensing for Agricultural Statistics, 2017:91-117.

[77]
Luo Y, Zhang Z, Li Z, et al. Identifying the spatiotemporal changes of annual harvesting areas for three staple crops in China by integrating multi-data sources[J]. Environmental Research Letters, 2020, 15(7):074003. DOI: 10.1088/1748-9326/ab80f0

DOI

[78]
Qiu B, Lu D, Tang Z, et al. Automatic and adaptive paddy rice mapping using Landsat images: Case study in Songnen Plain in Northeast China[J]. Science of The Total Environment, 2017, 598:581-592. DOI: 10.1016/j.scitotenv.2017.03.221

DOI

[79]
You N, Dong J, Huang J, et al. The 10-m crop type maps in Northeast China during 2017-2019[J]. Scientific Data, 2021, 8(1):1-11. DOI: 10.1038/S41597-021-00827-9

DOI

[80]
吴炳方. 全国农情监测与估产的运行化遥感方法[J]. 地理学报, 2000, 55(1):23-35.

[ Wu B F. Operational Remote Sensing Methods for Agricultural Statistics[J]. Acta Geographica Sinica, 2000, 55(1):23-35. ] DOI: 10.3321/j.issn:0375-5444.2000.01.004

DOI

[81]
Tong X, Brandt M, Hiernaux P, et al. The forgotten land use class: Mapping of fallow fields across the Sahel using Sentinel-2[J]. Remote Sensing of Environment, 2020, 239:111598. DOI: 10.1016/j.rse.2019.111598

DOI

[82]
Lu M, Wu W, You L, et al. A cultivated planet in 2010-Part 1: The global synergy cropland map[J]. Earth System Science Data, 2020, 12(3):1913-1928.

DOI

[83]
Gumma M K, Mohanty S, Nelson A, et al. Remote sensing based change analysis of rice environments in Odisha, India[J]. Journal of Environmental Management, 2015, 148:31-41. DOI: 10.5194/essd-12-1913-2020. DOI: 10.1016/j.jenvman.2013.11.039

DOI

[84]
Orynbaikyzy A, Gessner U, Conrad C. Crop type classification using a combination of optical and radar remote sensing data: A review[J]. International Journal of Remote Sensing, 2019, 40(17-18):1-43. DOI: 10.1080/01431161.2019.1569791

DOI

[85]
Sun Y, Luo J, Wu Z, et al. Crop classification in cloudy and rainy areas based on the optical-synthetic aperture radar response mechanism[J]. Journal of Applied Remote Sensing, 2020, 14(2):028501. DOI: 10.1117/1.JRS.14.028501

DOI

[86]
梁继, 郑镇炜, 夏诗婷, 等. 高分六号红边特征的农作物识别与评估[J]. 遥感学报, 2020, 24(10):1168-1179.

[ Liang J, Zheng Z W, Xia S T, et al. Crop recognition and evaluationusing red edge features of GF-6 satellite[J]. Journal of Remote Sensing, 2020, 24(10):1168-1179. ] DOI: 10.11834/jrs.20209289

DOI

[87]
赵忠明, 孟瑜, 岳安志, 等. 遥感时间序列影像变化检测研究进展[J]. 遥感学报, 2016, 20(5):1110-1125.

[ Zhao Z M, Meng Y, Yue A Z, et al. Review of remotely sensed time series data for change detection[J]. Journal of Remote Sensing, 2016, 20(5):1110-1125. ] DOI: 10.11834/jrs.20166170

DOI

[88]
Zhu Z, Zhang J, Yang Z, et al. Continuous monitoring of land disturbance based on Landsat time series[J]. Remote Sensing of Environment, 2020, 238:111116. DOI: 10.1016/j.rse.2019.03.009

DOI

[89]
Zhang C, Zhang H, Zhang L. Spatial domain bridge transfer: An automated paddy rice mapping method with no training data required and decreased image inputs for the large cloudy area[J]. Computers And Electronics In Agriculture, 2021, 181:105978. DOI: 10.1016/J.COMPAG.2020.105978

DOI

[90]
Wei L, Zhifeng W, Jiancheng L, et al. A divided and stratified extraction method of high-resolution remote sensing information for cropland in hilly and mountainous areas based on deep learning[J]. Acta Geodaetica et Cartographica Sinica, 2021, 50(1):105. DOI: 10.11947/j.AGCS.2021.20190448

DOI

[91]
Wu F, Wu B, Zhang M, et al. Identification of crop type in crowdsourced road view photos with deep convolutional neural network[J]. Sensors, 2021, 21(4):1165. DOI: 10.3390/S21041165

DOI

Options
Outlines

/

〈 〉