作物遙感精細識別與自動制圖研究進展與展望

劉 哲 劉帝佑 朱德海 張 琳 昝糈莉 童 亮

(1.中國農業大學土地科學與技術學院， 北京 100083；2.中國農業大學農業農村部農業災害遙感重點實驗室， 北京 100083；3.中國農業大學信息與電氣工程學院， 北京 100083)

0 引言

隨著全球人口的持續增長和氣候環境劇變，如何在確保糧食安全的同時兼顧社會、環境資源的可持續發展將是一個嚴峻的挑戰，也對農業生產及經營調控提出了更高的要求。自20世紀90年代以來許多學者開展了相關研究。結合衛星導航系統[1]和地球衛星觀測系統[2-4]，在農業地塊上的單點變量監測、作物生長模擬和產量估計方面取得了較大的進展，“精準農業”的概念也同時被提出。隨著更多的新興技術與理念的出現，如生物技術、遙感技術、云計算、物聯網和人工智能，并逐漸應用到農業領域的各個環節，“智慧農業”的概念成為新的時代共識[5]。而智慧農業，以各個環節的數字信息流動為基礎，深度結合以人工智能為核心的分析與決策手段，在確保農業糧食安全的同時兼顧環境與資源的可持續性，有助于真正實現農業的可持續發展。

而在智慧農業的各種場景中，不管是面向種植過程的作物長勢監測、作物關鍵生育期的風險脅迫評估，面向收獲的成熟期預測、作物產量估計，還是面向宏觀調控的作物種植結構調整與優化等，作物類型識別與制圖數據產品都是各個農業應用場景的一種基礎支撐數據[6-8]。隨著遙感技術的發展，作物類型識別與制圖在國內外也取得很大進展。美國在1974年和1980年，分別制定了LACIE(Large area crop inventory experiment)和AgRISTARS(Agriculture and resources inventory surveys through aerospace remote sensing)計劃，開展全球范圍內主要作物的識別、多種糧食作物的長勢監測和產量估算；歐盟在1987年提出MARS(Monitoring agricultural with remote sensing)計劃，開展基于遙感的歐盟農業統計及獲取作物相關信息；與此同時，其它國家如俄羅斯、法國、德國、日本等也有遙感作物識別相關的研究[9]。我國農業遙感開始于1979年聯合國糧農組織在中國農業大學援建的“中國農業遙感應用與培訓中心”，隨后在遙感作物識別、種植面積提取、作物長勢監測與估產等方面發展和探索了系列技術方法[10-12]。

經過幾十年的發展，基于遙感的作物類型識別與制圖取得快速發展，而隨著農業發展進入智慧農業時代，對作物類型識別與制圖產品在空間范圍、實時性、產品精度等方面提出新的需求。而對地觀測技術的進一步發展，如我國GF系列衛星、歐空局的Sentinel系列衛星，全球范圍的微小衛星星座計劃(如Planlab等)，以及各種無人機平臺，為獲取全球覆蓋、無縫的高時空地表反射數據奠定了堅實的數據基礎；與此同時，數字影像處理技術、機器學習，特別是深度學習為核心的人工智能技術的突破進展，為獲得滿足智慧農業需求的作物類型識別與制圖產品提供了新的方法與手段。

本文從3方面：小尺度、近實時、高精度的作物識別，大尺度、可靠精度的自動化作物制圖，由確認監測型向提前預判型和特定作物類型轉變的作物識別與制圖模式，來闡述智慧農業時代的作物類型識別與制圖面臨的新需求和新變化，總結國內外面對這些新變化所開展的研究工作以及存在的科學問題和技術難題，并對遙感作物識別與制圖研究與應用予以展望。

1 小尺度、近實時和高精度作物識別

遙感技術的高速發展促使農業生產和研究從傳統階段進入精細化、定量化和機理化階段，尤其是高分辨率影像使得地物精細分類和監測成為可能[13]。智慧農業時代，人們希望能夠通過對農業生產環境的智能感知與預警，實現農業生產的種植精準化、管理可視化、分析決策智能化，要實現該目標除了需要大尺度的農業遙感監測支撐之外，還需要獲取村級乃至地塊級的農作物生長信息。與大范圍的農業監測主要服務于宏觀決策不同，小尺度(農田尺度或試驗小區)的農情或表型信息可直接用于栽培管理優化、育種決策分析等應用，具有更大的應用潛力[14-15]，但是對影像數據的時效性、空間分辨率、提取的作物信息的精度等都有更嚴格的要求。

目前用于小尺度農情監測的影像主要是高分辨率的衛星影像以及無人機遙感影像[16-17]。ZARCO-TEJADA等[18]利用1m空間分辨率的ROSIS高光譜影像估算了西班牙南部地區橄欖樹林的葉面葉綠素含量；競霞等[19]利用高分辨率IKONOS影像提取一系列植被指數，包括增強植被指數(EVI)、再歸一化植被指數(RDVI)、差值植被指數(DVI)、修改型土壤調整植被指數(MSAVI)、歸一化植被指數(NDVI)等，有效地估測了棉花黃萎病的病情嚴重度；較多的學者研究表明，無人機影像相對衛星影像而言，具有低成本、高時間、高空間分辨率的特點，在精細化的農業管理方面更具優勢[20]，例如小范圍的農作物倒伏監測[21]、農作物的種植密度估計[22]等。

田間作物表型信息是揭示作物生長發育規律及其與環境關系的重要依據，準確快速地獲取作物表型信息可以為現代農業的發展提供技術支撐[23]。借力于光學傳感器的快速發展，小尺度的農情監測使非破壞性、快速實時地估計作物表型成為可能，當前估算的表型特征主要包括：株高、葉面積指數(LAI)以及作物倒伏等。作物株高是反映作物生長狀態的有效指標，與生物量、LAI產量等有顯著的相關關系。利用無人機獲取的可見光成像數據，通過構建作物表面模型(CVMS)可以提取作物的株高信息[24-25]。光譜特征分析可以依據植物對光譜的吸收、反射特性識別植物的不同性狀，例如通過對光譜反射數據進行經驗性處理構建大量的植被指數可用于預測作物LAI、生物量以及葉綠素含量等。歸一化植被指數、可見光大氣阻抗植被指數(Visible atmospherically resistant index, VARI)、修正的土壤調節植被指數可用于預測作物LAI[16, 26-27]；再歸一化植被指數可用于預測作物生物量[28]。作物倒伏是常見的農業自然災害之一，基于遙感的農業自然災害監測可以彌補傳統方法費事費力的缺點，有較好的應用前景[29]。部分學者提出無人機影像中的紋理特征和顏色特征有利于區域尺度的倒伏評估[30-31]；HAN等[32]利用統計方法計算無人影像的各項特征因子，如紋理特征、光譜特征等，并通過構建nomogram 預測北京市昌平區小湯山國家精準農業研究基地的玉米倒伏情況。

小尺度農情監測依賴于高分辨率的遙感影像，如今隨著傳感器技術的快速發展，我們能獲取大量的高時空分辨率遙感影像，但受限于計算機性能，遙感影像的快速處理仍存在問題；同時，通過遙感構建的作物表型模型普適性較差，針對不同作物、不同種植區域存在參數乃至模型有效性的問題；而且遙感反演模型本身的誤差會降低作物表型信息解析精度，后期研究可以通過融合多源遙感信息、環境以及作物生理學知識提高作物表型反演精度[23]。

2 大尺度、可靠精度的自動化作物制圖

大尺度指區域、國家乃至全球尺度，該尺度下的作物識別與制圖產品更多服務于宏觀的應用與決策，如作物的長勢監測、災害風險評估、產量預測以及作物種植結構的監測與優化等。將遙感技術引入農業領域，開展作物識別與制圖的研究與應用，最初的目的是為了解決傳統作物抽樣調查無法獲得大范圍面狀的作物空間分布信息。但是受限于當時的遙感技術發展水平，難以獲得高時空分辨率的遙感數據，因此大尺度的作物識別與制圖多采用MODIS數據，得到的通常是250、500、1 000 m的粗糙空間分辨率的作物識別與制圖產品[33-37]。

在智慧農業時代，對大尺度的作物識別與制圖產品有了更高的要求，首先需要這些產品具有更高空間分辨率，如從30 m 到10 m[38]。快速發展的遙感技術為獲取大范圍、高時空分辨遙感數據奠定了堅實的數據基礎；同時云計算和機器學習、深度學習等人工智能技術為海量遙感存儲管理及分析計算奠定了存儲、計算與分析基礎。因此，數據與存儲、計算與分析能力的發展為獲取大范圍、高空間分辨率、可靠精度的作物識別與制圖產品帶來巨大的機遇，同時也帶來“時空大數據”、分類方法適應性等關鍵問題與難題。

2.1 大范圍遙感數據獲取、存儲管理與計算分析

開展大范圍高空間分辨率的遙感作物識別與制圖，在數據處理、存儲管理與計算分析等方面都面臨著新的挑戰。過去大范圍作物識別與制圖產品使用的MODIS數據，寬幅大、空間分辨率小，覆蓋一個大區域需要的數據量相對不大，而制作高空間分辨率的作物識別與制圖產品，目前符合條件的遙感數據源有GF-1 WFV、Sentinel-2和Landsat-8，全覆蓋一個大區域的數據量將是海量的。以京津冀地區(約21.7156萬km2)2017年全覆蓋影像數據為例，如圖1和表1所示，從MODIS、Landsat-8、GF-1 WFV到Sentinel-2，數據的時空分辨率越來越高，其數據量也急劇增長，就全年數據量而言，Sentinel-2大約是MODIS 8 d合成地表反射率數據的250倍。除了海量數據之外，遙感數據在用于作物識別研究前，還需要一系列復雜、繁瑣的預處理過程(如輻射定標、大氣校正、云檢測以及幾何配準等步驟)，而傳統的單機、人工處理模式在人力成本和時間成本上都是無法接受的。因此，適應海量遙感空間大數據存儲管理與計算分析的新工具、新平臺成為迫切的需求。

圖1 4種遙感數據在京津冀地區的全覆蓋示意圖Fig.1 Full coverage of four remote sensing data in Beijing-Tianjin-Hebei region

Google Earth Engine(GEE)是當下空間大數據平臺中最為知名的平臺，是Google公司推出的一個基于云環境下全球尺度的地理空間分析平臺。該平臺上開放了PB級的空間數據，包含幾十種矢量和柵格數據集，如行政邊界數據、MODIS、Landsat和Sentinel遙感數據等；Google數據中心還為GEE平臺提供了內在的并行計算訪問，使之具有強大的計算能力，用戶可以通過互聯網調用API形式訪問和使用GEE平臺的數據與計算能力[39-41]。當前，全球范圍的科學家基于GEE開展了很多科學研究，如PATEL等[42]基于GEE開展了多年的居住區和人口制圖，JOHANSEN 等[43]基于GEE在澳大利亞開展了植被制圖，LEE等[44]基于GEE開展了油棕探測研究。當然，也有不少學者在GEE上開展大范圍的作物識別與制圖相關研究工作[45-48]。除此之外，全球還有不少科研團隊在海量多源數據的時空框架設計方面開展了相關研究與應用。如澳大利亞地球科學局LEWIS等[49]通過將OpenStack搭建在澳大利亞國立大學國家計算中心的超級計算機上，建立了數據立方體，在地表水資源觀測、多源數據融合和水資源質量監測等方面進行了廣泛應用。浙江大學戚將輝等[50]利用大數據技術與智能化思想，研究空間信息組織模型，探索構建了一個智能化的空間信息立方體，滿足空間信息發現和智能化預測等應用需求。YE等[51]設計了RDCRMG格網體系，可對多源柵格數據進行切分和統一編碼，實現了多源遙感數據的格網化存儲、管理和計算；同時YAO等[52-53]研究了基于Hadoop大數據平臺的矢量數據空間劃分方法和編碼規則，實現了全國尺度的矢量數據計算和可視化。

表1 京津冀地區2017年4種遙感數據信息統計Tab.1 Statistical information of four remote sensing data in 2017 in Beijing-Tianjin-Hebei region

綜上所述，在大范圍開展可靠精度的遙感作物識別與制圖面臨著海量數據預處理、存儲管理和分析計算的問題，而類似GEE這種同時提供數據與計算能力的新型空間大數據云平臺，使得大范圍、可靠精度的作物識別與制圖成為可能。

2.2 適應大范圍遙感作物識別的方法與方案

基于遙感數據實現作物識別與制圖，主要實施過程為：針對目標對象從遙感數據中尋找合適的區分特征，將區分特征作為某種分類算法的輸入參數，經過運算后獲得某個時空范圍內的作物分布結果。由此可見，除了遙感數據外，基于遙感的作物識別主要考慮兩個要素：區分特征和分類算法。總結國內外的遙感作物分類研究可知，從遙感數據中常被選為區分特征的有：光譜及其衍生指數信息、紋理信息、時間序列的閾值和變化信息。而分類算法的選擇則與計算機領域的發展密切相關。

在區分特征中，光譜及其衍生指數的信息相對容易獲得也是最常用的。陳思寧等[35]基于MODIS數據利用波譜分析方法對東北三省作物類型的空間分布進行了研究。鄭利娟[54]針對GF-1 PMS數據，對融合后的2 m數據采用多特征的面向對象分類方法進行作物類型區分，取得了較好的分類效果。FORKUOR等[55]利用RapidEye和TerraSAR-X數據融合后的光譜信息進行農作物分類。UPADHYAY等[56]對DigitalGlobe的WorldView-2多光譜數據集中的新增附加波段進行評估，發現WorldView-2中原有的第5、7波段和新增的第4、6、8波段對于作物識別非常重要。用紋理信息作為區分特征進行作物分類研究，通常在高分辨率(米級或亞米級以下)的影像數據上能獲得較好的分類效果[57]，但是在一個作物生育期內，獲取大范圍全覆蓋的高分辨率非常困難，因此紋理信息通常在小范圍的分類理論方法探索研究中使用。張超等[58]針對制種玉米種植特點，在新疆維吾爾自治區奇臺縣坎爾孜鄉，通過利用多時相1 m分辨率GF-2 PAN遙感影像的EVI 數據結合Sobel邊緣檢測算子和Hough 變換方法進行紋理特征提取，實現了制種玉米地的識別。CHUANG等[59]在臺灣地區中部，利用WorldView-2影像的波段信息和灰度共生矩陣(GLCM)紋理信息獲得80個變量作為分類算法的輸入，實現了亞熱帶地區的茶樹識別。隨著國內外對地觀測技術的發展，具有高時空分辨率(時間分辨率在4～5 d或更高，空間分辨率在10～30 m，如GF-1、Sentinel-2)衛星數據越來越多，能反映作物在一個生育期內生長變化的時間序列信息越來越受到關注且被大量使用。黃健熙等[60]使用GF-1 WFV數據構建多時相多植被指數特征，對黑龍江省黑河市嫩江縣進行了主要農作物面積提取。賀鵬等[61]使用多時相GF-1數據，對黑龍江農墾趙光農場開展作物分類研究。TATSUMI等[62]利用Landsat 7影像的EVI時間序列特征進行了遙感作物分類，發現EVI的總和、方差以及多樣性對作物分類精度有很大的影響。INGLADA等[63]在法國西南部，使用Sentinel-1和Landsat-8的融合時間序列特征，開展了早期作物識別研究，發現融合SAR數據可以規避可見光影像受云的影響。而隨著小衛星群對地觀測技術的進一步發展，大范圍全覆蓋的高時空分辨率數據將越來越多，多種區分特征協同是一種趨勢，也將會進一步促進大范圍作物分類的研究與應用。

遙感作物分類算法與數字影像處理、機器學習等領域的發展密切相關。機器學習屬于人工智能的范疇，從20世紀50年代到現在，人工智能的發展經歷多個階段，形成了不同的學派[64],而遙感分類算法往往傾向使用在某個時段處于主流的算法。基于遙感開展作物分類研究從2000年以來逐漸增多，在這期間使用較多的分類算法有決策樹[65-67]、貝葉斯[68]、神經網絡[69-71]、支持向量機[71-74]和隨機森林[62]。自2010年以來，深度學習在人工智能領域迅猛發展，將深度學習用于遙感作物分類的研究也迅速增加，在多數場景下能夠比經典算法獲得更優的分類效果[75-76]。

然而，在大尺度的場景下，因為遙感衛星的軌道參數、云遮擋等因素而導致的遙感影像數據覆蓋狀態在時空維度上存在不平衡、不規則的問題；加之不同地區物候、農事活動的差異而導致作物生育期和生長狀態的不同，從而有可能擴大類內差異，縮小類間差異，進而增大遙感作物分類識別的難度[46,77-78]。當前遙感作物識別中常用的區分特征、分類方法并不能很好地解決上述問題，對此，PETITJEAN等[77]引入語音識別領域的DTW(Dynamic time warping)算法，能夠有效克服大范圍下遙感影像時間序列不規則的問題。YOU等[79]和WANG等[80]從遙感時間序列影像中提取像素的頻譜直方圖，以此作為深度卷積神經網絡的輸入進行產量估算研究，這些研究從遙感數據中獲取的頻譜直方圖有別于前述的3種區分特征，而且這種直方圖特征很適合當前在計算機視覺領域取得突破性進展的深度卷積神經網絡，為從遙感數據中獲取區分特征提出一種新的思路，很有借鑒意義。

綜上所述，在大范圍開展可靠精度的遙感作物識別與制圖面臨著因遙感數據覆蓋的不平衡、不規則和因物候、農事差異帶來的生育期、生長狀態不同導致作物分類識別難度增大的問題，需要進一步發展新的區分特征和更加魯棒的分類方法。

2.3 科學、高效的樣本獲取與充分利用

上述分類算法都是采用監督分類策略，必須有地面樣本數據輔助訓練和驗證。當前的研究中，地面樣本數據主要有兩種獲取途徑：從高分辨率影像中目視解譯和開展地面調查。而從影像中解譯地表覆蓋相對容易，但是解譯作物類型卻很困難，在這種情況下地面調查往往必不可少。所以，當面向大范圍實施作物分類，大量的地面輔助樣本數據的獲取必將帶來大量的人力、物力、財力消耗。因此如何科學且高效地擴大地面樣本量，成為目前大范圍遙感分類研究與應用中亟待解決的問題。該領域的研究團隊主要從優化樣本采集、提高樣本獲取自動化水平和充分利用歷史積累數據方面解決遙感作物分類的地面樣本需求。

樣本數量、樣點位置選擇的好壞不僅關系到資源的有效利用，而且對后續研究結果產生重大影響[81]。針對這一問題，國內外均進行了科學采集樣本的研究與應用，美國大面積農作物估產計劃(LACIE)、農業和資源空間遙感調查計劃(AgRISTARS)，以及歐盟的農業遙感監測計劃(MARS，CROP4CAST)，均建立了相應的空間抽樣方案[82]。吳炳方等[83]提出了基于農作物種植結構區劃，采用整群抽樣和樣條采樣技術相結合的解決思路科學采集樣本，進行農作物播種面積的估算。張煥雪等[84]開展了抽樣率、格網大小、樣本空間分布對湖南省晚稻面積估算精度的敏感性定量分析，為農作物種植面積監測空間抽樣方案的選取以及確定特定的抽樣方案可以達到的面積估算水平提供了理論支撐。王迪等[85]對現行農作物播種面積空間抽樣技術體系的研究發現，在進行抽樣時以分縣冬小麥播種面積大小為分層標志的分層抽樣方法效率最高。科學采集樣本不僅包括通過抽樣技術獲得科學的樣本空間分布，還包括不同作物類型合理的比例分配。張煥雪等[86]以黑龍江紅星農場為研究區，基于少量已有地面調查數據，快速獲取2 016個玉米樣本、1 512個大豆樣本、504個小麥樣本，利用環境星CCD數據的NDVI時間序列在對象尺度上進行決策樹訓練，獲得了較滿意的分類精度。楊閆君等[87]利用GF-1數據構建的NDVI時間序列，將1 050個樣本等比例分配為水稻、花生、冬小麥-夏玉米3種作物類型，使用多種分類方法對河北省唐山市南部區域進行了分類研究，結果顯示，支持向量機的分類效果最好，總體精度達到96.33%。

GONG等[88]在進行全球土地覆蓋監測研究中，利用Global Analyst、Global Mapper的擴展功能以及Google Earth開發了土地覆蓋的樣本數據庫系統，研究人員在該系統上通過參考2010年MODIS EVI時間序列信息和Google Earth的高分辨率影像，以人機交互的方式高效獲取大量的樣本數據。此后，在該樣本數據庫系統的基礎上，又增加了在光譜空間存在顯著差異的新樣本單元，建成包含各地主要季節物候信息的動態普適樣本訓練數據庫，這些樣本可用于多種數據制圖且分類精度較高[89]。

在現有作物分類研究中，當季樣本數據往往僅用于當季作物分類，很少用于下一季甚至后幾季，使得每個生育期的作物分類都需要重新開展地面樣本數據采集，這也是造成采樣成本高的主要原因之一。部分學者在作物種植結構相對穩定的區域，探索使用歷史樣本用于當季作物分類的方法。基于歷史樣本的遙感作物分類目前有兩種思路，一種是基于年際間同種作物的光譜相似性進行分類。如MASSEY等[90]將美國劃分為12個生態區，使用MODIS的NDVI數據，基于歷史樣本得到不同作物不同時相的光譜區間，進而應用于當季作物的分類，分類精度與使用當年樣本進行分類時相當。HAO等[91]以新疆博樂和瑪納斯為實驗區，使用ABNet方法充分利用歷史地面參考數據建立主要作物的NDVI時間序列參考曲線，開展當年作物分類，與利用當年樣本分類相比，博樂市基于歷史參考曲線精度低3.08%，而瑪納斯高0.61%。另一種思路是通過歷史樣本數據創造當季作物的“訓練樣本”，基于此樣本對當年進行分類而不實地采集樣本。如MUHAMMAD等[92]基于MODIS EVI時間序列數據和2008—2013年的地面參考數據，使用ABNet分類器和其它年份的地面樣本對美國堪薩斯州各年主要作物冬小麥、玉米、大豆、高粱和苜蓿進行分類，總體精度介于74.4%～81.9%之間。PETITJEAN等[77]提出使用DTW算法解決大面積作物分類時影像時間維的不規則以及樣本時序性的缺失問題，使用歷史樣本進行聚類分析再應用于次年的分類中，次年可以不重新采集樣本數據。HAO等[93]利用美國堪薩斯州的歷史分類結果CDL數據提取假設樣本，并利用ABNet方法基于準確性篩選假設樣本，得到“訓練樣本”對當季作物進行分類，獲得了較好的分類精度。

綜上所述，在大范圍開展可靠精度的遙感作物識別與制圖面臨著海量地面樣本需求帶來的大量勞力、時間和財力消耗的問題。目前已經有學者從樣本獲取的科學性與高效性做出探索，一定程度上解決了大范圍、少作物或小范圍、多作物的作物遙感分類問題，但是對于任一給定區域，特別是大范圍區域，對于至少需要多少樣本量，不同作物樣點在時間、空間上如何分布，才能確保主要作物分類精度，還缺少有效的測算方法和明確結論。如何充分利用歷史積累的樣本數據，國內外也有學者開始研究，但是對于如何使用歷史積累數據才能保證遙感作物識別與制圖產品的準確性與可用性尚未形成共識，需要進一步拓展研究。

3 作物識別模式由確認監測型向提前預判型和特定作物探測型轉變

目前，遙感作物識別與制圖模式還處于確認監測階段，即在已知的作物種植區，獲取作物一個生育期內的遙感數據和實地樣本數據，經過訓練、識別和驗證得到種植區生育期內的農作物種植的空間分布。但是這種確認型監測，大都需要使用整個生育期的遙感數據，在生育期即將結束或已經結束后才能獲得目標區域的作物種植分布和面積，存在一定的滯后性。隨著智慧農業發展的需要，針對主要糧食和經濟作物，在一個生育期內，越早獲得作物的空間分布信息對農業的經營管理、作物估產、災害預警方面的指導決策越有利[94-95]，也更具現實意義[96]；針對特定的作物，在不確定種植與否或精準的空間位置的情況下，能通過遙感作物識別的方式探測和確定精準種植位置與面積，對于國家農業補貼、農業保險，相關部門的監管、執法和維護市場秩序穩定等都具有重要意義。

對于遙感作物識別與制圖的模式轉變，國內外已有學者關注到，并開展了初步研究。針對提前預判識別，目前主要有兩種思路，一是根據不同作物在物候上的差異，從先驗知識和遙感數據中尋找早期識別的作物特征，從而能在生長發育早期的遙感數據中使用該特征達到早期預判識別的目的。DONG等[97]基于水稻在移栽期獨特的光譜特征，提出使用時間序列Landsat圖像和基于物候的水稻自動提取算法。另一種是在某個目標區域，使用歷史積累的樣本數據構建參考庫或訓練分類模型，在當季作物生育期的早期遙感數據中應用參考庫或分類模型，從而實現早期預判識別。HAO等[91]在中國新疆博樂縣和瑪納斯縣，使用2006—2010年的地面參考數據和MODIS的NDVI數據，構建參考NDVI時間序列，對2011年Landsat-5和環境衛星融合的30m影像和構建的參考NDVI時間序列進行系列轉換，最終用于作物識別，在沒用2011年樣本的情況下整體精度達85%左右。在此基礎上，郝鵬宇等[95]在美國堪薩斯州，基于2006—2013年的MODIS EVI時間序列數據和crop data layer數據獲得2014年的“潛在”訓練樣本，使用這些樣本和2014年的Landat 30m NDVI數據進行了作物識別，總體分類精度為94.02%，并探討了使用短時間序列數據提前獲得作物識別結果的可行性。MUHAMMAD等[92，98]根據往年的樣本和遙感數據，在中國新疆和美國堪薩斯州進行作物分類實驗，總體精度80%。

針對特定作物的探測識別，目前的研究還不多，與這種需求比較專業和小眾有關。例如，針對罌粟的識別，陸永帥等[99]利用機載多光譜數據，提出基于深度置信網絡模型罌粟識別算法，建立面向罌粟識別的模型，提前識別罌粟的種植分布，可節省人工地面識別排查非法種植罌粟的大量人力物力，為禁毒工作提供支持。又如，針對部分企業和商販在我國西北玉米核心制種區私自繁制種子，導致種子供應嚴重過剩、非法種子流通猖獗等監管難題，劉哲等[58，100-102]從2015年開始，利用高時空分辨率的GF-1、Landsat等衛星遙感數據，在新疆和甘肅玉米制種地區，探索準確、客觀、早期、定量的制種玉米空間分布和種植面積提取方法，制種玉米的識別精度在90%以上，為確保農業供種安全、增強市場監管能力和促進種業健康發展提供了新的思路和方法。

4 總結與展望

在智慧農業信息流中充當基礎支撐數據的作物分布數據顯得越來越重要，同時也對作物分布數據的時效性、空間覆蓋程度、空間分辨率和精度等提出了更高的要求。近年來，對地觀測系統，云計算、物聯網和人工智能等數字技術的蓬勃發展，為遙感作物識別與制圖提供了豐富的數據和強大的存儲、計算能力，在全球范圍內極大地促進了遙感作物識別與制圖研究和應用。但是，隨著實際應用中對作物分布數據提出的更高要求以及越來越豐富的遙感數據，遙感作物識別與制圖也面臨著新的問題。本文最后從加強科學研究與加快應用落地的角度展開展望。

4.1 加強多學科交叉和對作物種植環境的理解

多學科、多技術以及多應用領域交叉，是遙感天然的屬性，遙感作物識別與制圖是遙感在農業領域發揮作用的具體體現之一。針對作物類型分布產品的新需求、更加豐富的數據等現狀與趨勢，需要新的區分特征、更魯棒的分類算法以及更深刻的農業種植場景的理解。研究者可以增加對作物生物結構、生物活動及其相應的物理電磁過程的理解，由此尋找新區分特征的靈感，熒光遙感就是一個很好的例子；盡管目前遙感作物分類的研究已經得到計算科學的很多支持，特別是圖像識別領域，但是還應該把交叉的視野放到更寬的計算機應用領域，如PETITJEAN等[77]從語音識別領域引入DTW算法解決遙感時間序列不規則的問題；而深入了解農業種植場景有利于制定高效、針對性強的作物識別方案，如劉哲等[58, 100-102]深入考察我國制種玉米的農事過程，根據純合玉米植株相對雜交植株矮小、瘦弱以及生產過程母本去雄和除父本行的現象，找到結合光譜特征與紋理特征的制種玉米地的識別方案。

4.2 發展天空地一體多源協同的數據研究與應用體系

太空、天空、近地及地面的遙感數據平臺產生了豐富的數據資源，而且不同平臺、不同波段的遙感傳感器都有各自的優勢與劣勢；與此同時，互聯網、物聯網以及農業領域多年的數字化發展，也積累了不少農業氣象、種植生產、土地利用等方面的數據。這些不同來源且依舊不斷增加的天空地數據，既為行業應用提供了豐富的數據基礎，也促進了多源協同的技術需求。在遙感作物識別與制圖的研究與應用中，研究者可以融合地面輔助數據與先驗知識，如地表覆蓋數據和生態區劃數據，對待分類識別的空間作一個場景區分，降低分類識別場景的復雜性，在不同場景采用不同數據與分類算法組合。研究者也可以在區分特征上，采用不同電磁波段的遙感數據，如豐富的可見光遙感數據、不受云雨天氣影響的SAR數據，組合得到優勢互補的區分特征集。研究者還可以根據不同分類算法的適應性，選擇相對應的數據和場景，用某些分類算法結果作為另一個算法輸入，通過這種算法層級的信息傳遞最終得到滿足需要的作物分布數據；如在小范圍、超高分辨率(米級或亞米級以下)的影像數據比較容易獲得，結合面向對象的策略通常可以獲得較優的分類精度；不少研究表明，大多數情況下，深度學習算法在分類問題上要比其它機器學習算法表現得更加優異，但是它需要海量的訓練樣本；因此，在大范圍上開展高精度的作物識別制圖之前，可采用超高分辨的影像數據、面向對象策略加上支持向量機或者隨機森林等算法，得到高精度的作物識別結果，然后，使用該作物識別結果與高分辨率的影像數據(如GF-1、Sentinel-2)制作深度學習的訓練數據集，在大范圍上用高分辨率影像加上深度學習算法，最終得到大范圍、高精度的作物識別與制圖產品。

4.3 探索樣本多元化、智能化的獲取與共享機制

當前遙感作物識別研究和應用中，能夠得到相對可靠且穩定分類識別效果的分類算法都是監督型的算法，即便是非監督的算法，在驗證階段依舊需要地面樣本數據支撐，所以地面樣本數據在遙感作物識別中仍是不可或缺的；另外，隨著對作物識別制圖產品需要更實時，覆蓋范圍更大，意味著地面樣本數據的需求量將會進一步增加。在這種形勢下，依靠當前常用的實地采樣、人工在高分辨率從影像目視解譯的手段難以滿足日益增長的樣本需求。因此，結合當下各領域的前沿進展，發展多元化、智能化的地面樣本獲取與共享機制勢在必行。可以從以下4個方面加以探索：①增強與農業相關的行業和單位合作。隨著農業分工的愈發精細，在田間活動的，除了第一線的種植戶，還有一些相關群體，如農機類、植保類以及經常到田間檢查、考察的部門、單位等。如果能設計一些互益、共贏的機制以及交互簡單、智能的工具(如手機APP、微信小程序等，可采用語音交互)，將這些資源納入樣本獲取的渠道，可以產生海量的地面樣本數據。②增強與互聯網平臺合作。近些年互聯網飛速發展，除了很多普及程度高的大平臺外，也產生了許多小眾但是有特色的平臺。比如，專用于識別花草植被的平臺“形色”、“花伴侶”、“微軟識花”等。這些平臺通常都擁有定位功能，在不泄漏用戶信息的前提下，可以和這些平臺合作獲取與作物相關的信息。③利用眾包和公眾參與模式。眾包模式在一些創意設計行業已經相當成熟，在作物樣本采集方面，可以和一些導航平臺合作，以眾包的模式發布一些作物識別的任務。也可以搭建田間樣本共享平臺，吸引感興趣的公眾參與其中，如俄克拉荷馬大學的“Earth Observation and Modeling Facility”搭建的“Global Geo-Referenced Field Photo Library”。④增強人機協同的智能化樣本生產。以當下的人工智能技術完全自動化的樣本采集尚有難度，但是可以開發人機交互的智能樣本生產系統來提高樣本獲取的數量和效率。如使用歷史樣本訓練深度學習模型，用于當年的定點識別，將識別的可能結果和一些指標、區分特征可視化，相關人員則根據模式識別和一些區分特征做進一步確認。

4.4 增強數據與計算能力的受眾范圍和可獲得性

可以預見，未來可用于遙感作物識別與制圖的數據會越來越多，計算能力也會越來越強，但是數據和計算能力的可獲得性在學術界和工業界仍存在不對等。如一些國家資助的遙感數據源僅在某個范圍公開，超出則需要系列復雜的申請，有的還需要收費；計算能力的不對等也比較突出，一些研究經費不是很充足的團隊很難獲得開展研究所需的計算能力。相對而言，部分組織(如NASA、ESA)和跨國企業(如Google、Amazon)的數據和計算能力共享方式值得借鑒，對于全球的用戶，只要經過簡單的注冊，都能免費獲取眾多的遙感數據資源；Google推出的Google Earth Engine更是向全球用戶提供免費的數據和計算資源。隨著國內遙感數據源越來越多，在國內數據不上傳Google等國外公司平臺的情況下，急需國家相關部門單獨或與國內大公司合作，推出類似GEE的平臺，以促進遙感數據與計算能力“平民化”，推動遙感研究應用快速發展。

4.5 形成作物識別成果的共享規范和門戶通道

作物類型分布數據作為農業和國土資源領域眾多應用的基礎數據，具有廣闊的應用空間。然而，當前國內尚未有公開的作物類型分布數據產品，導致了眾多研究工作在開展前首先需要進行作物識別與制圖。因此，聯合國內農業遙感相關的知名大學、研究院所或者相關政府部門，生產和發布全國性的作物分布相關的數據產品十分必要。該數據的基礎性，意味著其潛在用戶有可能不熟悉遙感作物識別，因此需要形成作物識別相關產品的基本數據規范，同時搭建共享門戶通道，提升該系列數據產品的社會價值。