農業土地資源遙感研究動態評述*

吳文斌，余強毅，楊 鵬，陸 苗，胡 瓊，宋 茜，史 云，孫 晶，張保輝，史中超

（1. 中國農業科學院農業資源與農業區劃研究所/農業農村部農業遙感重點實驗室，北京100081；2. 華中師范大學城市與環境科學學院，武漢430070；3. 日本東京都市大學環境科學學院，神奈川224-8551）

0 引言

作為重要的自然資源和社會生產要素，農業土地資源是衣食之源，是人類農業生產、生活和經營開發的基礎。農業土地資源歷來受到各級政府、科研單位和高等院校的廣泛重視，準確、及時掌握農業土地資源的數量、分布、質量及其變化，已經成為長期追求的目標。隨著空間技術的進步，遙感技術（高時效、寬范圍、低成本的特點）現已成為大范圍區域農業土地資源研究的新技術［1-3］。

農業土地資源遙感總體框架如圖1所示。從目標看，農業土地資源遙感的目的是調查自然要素和社會經濟因素共同作用下的農業土地資源的類型、數量、分布和質量現狀，監測其時空變化過程及規律。從核心任務看，其包括資源調查和變化監測兩大方面。資源調查以遙感分類方法為技術支撐，獲取空間、質量屬性等狀態數據；變化監測則依托遙感變化檢測技術，得到多維度時空變化信息。在某種程度上，變化監測中的變化檢測也是一種分類，是一種基于分類又高于分類的再分類過程［4］。從覆蓋的內容看，農業土地資源遙感的主要內容包括4個方面，可以歸納為2W2H。耕地資源是農業土地利用的基礎，第一個W是要掌握耕地資源的數量和空間分布（Where），摸清耕地資源家底；第二個W就是要明確農作物種植結構（What），揭示一個地區或生產單元內農作物的組成（作物類型）和種植布局（空間分布）［3，5］。同時，隨著農業土地系統概念的深入，農業土地資源遙感研究在關注耕地及其作物種植格局的同時，也高度重視農業土地集約化利用。第三個方面的內容就是研究農業土地如何種植、集約化利用的問題（How），即農業土地的時間和空間利用強度、農業生產資料（資金、勞動和技術等）投入狀況等［6］。最后，農業土地資源遙感監測結果的現勢性是衡量其使用價值的重要標志之一，需要不斷進行時空變化監測或制圖更新，形成長時間序列的農業土地利用數據集。第四個方面的內容是農業土地利用時空變化的問題（How），即在特定的時間段內，一個區域或生產單元內農業土地利用發生變化的數量、位置、范圍和類型等信息。

圖1 農業土地資源遙感總體框架Fig.1 Overview framework of agricultural land resources remote sensing

1 耕地資源數量和空間遙感調查

早期的農業土地資源遙感多集中于耕地時空格局及其動態變化研究，重點監測耕地數量和空間分布及變化趨勢，以及耕地與其他土地利用方式間的轉換過程、特征及規律［1］。技術方法逐漸由目視解譯法發展到基于統計學的分類法（監督分類、多時相及多源數據結合分類等），進一步發展為如隨機森林分類法、神經元網絡方法、模糊數學分類法等其他遙感分類方法，同時，面向對象分類法（包括空間領域特征、紋理特征等）亦是輔助光譜特征分類的另一重要方法［2］。

近年來，耕地資源遙感調查主要向兩方面發展。一是在空間尺度上，隨著地表覆蓋遙感制圖的發展，耕地調查逐漸從局部尺度向區域和全球尺度擴展。早期的全球耕地制圖以中低分辨率為主，如美國馬里蘭大學的UMD數據集［7］、國際地圈—生物圈計劃的IGBP-DISCover數據集［8］、美國波士頓大學的MODIS Collection數據集［9］、歐盟聯合研究中心的GLC2000數據集［10］等。進入21世紀以來，耕地制圖的遙感數據空間分辨率逐漸提高，如波士頓大學研制了分辨率為500 m的全球地表覆蓋數據MODIS Collection 5［11］；歐空局基于MERIS反射率數據得到了2005年和2009年全球300 m空間分辨率的GlobCover［12］。中國的FROM-GLC數據集［13］和GlobeLand30數據集［14］成為全球首例30 m空間分辨率的地表覆蓋遙感產品，將全球耕地遙感數據集的空間分辨率提高了10倍。同時，單一耕地類型制圖逐漸發展，如美國南達科他州立大學將時序MODIS數據和統計數據結合，生成了250 m的MODIS Cropland數據集［15］；Fritz等在Geo-wiki采集樣本的基礎上，結合全球和區域多套地表覆蓋產品研制了新的全球耕地分布圖和耕地地塊大小分布圖［16］。

二是在制圖策略上，除了常用的遙感分類外，通過數據融合生成的高質量耕地數據集受到廣泛關注。多源數據融合是在不同來源耕地數據的對比分析基礎上，借助數學算法進行融合，從分辨率、時序性、精度等方面彌補單個數據無法滿足分類需求的劣勢［17-18］。多源數據分為遙感數據與非遙感數據兩大類。遙感數據即全球、洲域或國家級尺度的耕地遙感數據。非遙感數據則包括統計數據、土地利用及其調查數據、專題圖件等。多源耕地遙感數據集來自不同的傳感器，空間分辨率不同，分類體系和技術方法存在差異，使得不同耕地數據集之間的精度和一致性差異較大。因此，通過多源遙感數據融合可有效解決上述問題［19］。遙感數據和非遙感數據的融合主要結合遙感數據在空間分布表達和非遙感數據數量動態描述兩方面的優勢，構建地理空間模型或空間分配算法，實現耕地數據集的重建。目前，最著名的兩個數據集為SAGE數據集［20］和HYDE（Historical Database of the Global Environment）數據集［21］，HYDE在數據資料和算法等方面總體優于SAGE數據集。目前的多源數據融合方法主要包括基于回歸分析的融合、基于數據一致性的融合、基于D-S證據理論的融合、基于數據集成方法的融合、基于模糊集合理論的融合和基于統計模型的融合等6類［19］。其中基于數據一致性的融合方法［16，22］和基于回歸分析的融合方法［23-24］應用最為廣泛。

2 農作物種植結構遙感調查

基于遙感技術進行農作物種植結構提取實質是利用遙感影像進行農作物分類。農作物在遙感影像中的光譜、時相和空間等特征成為農作物種植結構遙感提取的重要基礎。不同作物及同一作物在不同生長發育期具有不同光譜反射特性，而且會受生長期、長勢及田間管理等影響，僅利用光譜特性識別農作物種植結構很難取得理想結果。生長環境的差異使作物在影像上的空間特性（紋理、結構、幾何等）有所區別，因此，科學利用不同作物之間的光譜、時相和空間特征差異，可實現對農作物種植結構的高精度提取［5］。

基于單一影像數據的種植結構提取方法是目前較常用的方法［25-28］，操作簡單、適宜簡單區域。該方法多采用重訪周期長、受天氣影響大的中高空間分辨率數據，獲取作物種植結構識別的“最佳物候期”面臨很多挑戰。基于時間序列遙感數據，利用不同作物的時相規律提取種植結構是當前的主流方法。黃青等［29］基于作物物候特征、NDVI時序特征，構建了東北地區4種農作物種植結構提取模型且獲得其空間分布特征。Hu等［30-32］提出了一種分離指數擴展方法，將類對光譜分離指數應用于農作物種植結構提取，并建立一種新的光譜—時序自動優選算法，綜合光譜分離性和特征冗余性循環迭代，實現了東北不同作物識別的光譜和時序最優特征集的自動選擇。Song等［33-34］基于GF-1/WFV數據，利用面向對象分類方法，提出了多作物同步識別和逐步優化方法，實現了不同生育期作物種植結構制圖。此外，由于中國作物種植區域地形破碎、種植結構復雜，混合像元的現象普遍存在，很多學者將作物的種植面積與“光譜—時序”曲線聯系起來，建立了一種定量的函數關系，實現農作物種植面積及空間分布的準確提取。Lobell等［35］假定每個像元內部的光譜信息由多種作物混合而成，將單個光譜特征時序曲線視為光譜曲線，曲線每個時序點視為單個波段，利用線性光譜分解原理，即每個像元的每個時序光譜值由像元內不同作物相應時序光譜值共同作用形成，通過構建相應的多元線性模型可定量計算出每個像元內部作物的復雜度。構建基于“光譜—時序”特征量的統計模型可以在一定程度上解決混合像元問題，使得農作物種植面積提取精度更高，但是這種模型的普適性還需要進一步加強與完善，以滿足不同區域尺度下農作物種植結構提取的精度要求。

單純基于遙感技術的方法往往多應用于區域尺度，國家乃至全球尺度的農作物種植結構遙感提取較欠缺。近年來，有學者將遙感數據與非遙感數據相結合，充分利用二者優勢，利用空間分配模型將非遙感數據空間化，提取全球或國家尺度農作物種植結構［36-37］。如競霞等利用多時相Landsat TM數據，以非遙感數據為輔助信息，考慮不同植被的季相節律，通過對不同植被的NDVI“光譜—時序”特征進行分析，通過圖像通道間的邏輯運算算法，提取了京郊冬小麥種植面積的空間分布信息［38］。You等基于耕地分布現狀、作物統計信息等多源數據，構建SPAM模型，得到全球20類農作物分布格局信息［39-40］。雖然遙感與非遙感數據融合得到的農作物種植結構數據已成為全球農作物格局研究的重要基礎數據，但是受影像本身的分辨率及精度制約影響，這些數據很難服務于特定的大范圍農作物種植區域，普適性較差。

目前，農作物種植結構遙感提取仍然面臨著眾多的困難和挑戰，亟需加強大區域、多類型、高精度的農作物種植結構遙感提取能力，盡快解決我國“農作物一張圖”空白的問題；需要充分利用遙感與非遙感數據、統計數據與地理數據各自的優勢，加強多源數據的預處理、特征參量選取與分類算法等關鍵技術研究，進行農作物種植結構遙感提取空間范圍的擴展。同時，在全球變化的大背景下，農作物種植結構動態變化遙感提取成為了研究熱點，長期以來，農作物種植結構遙感提取多以靜態（單時間點/段）提取為主，缺乏時空變化規律的動態研究，農作物種植結構遙感提取及多因素影響下的農作物種植結構時空動態特征、過程、機理和優化布局等方面的研究未來亟待加強。

3 農業土地集約化利用遙感監測

目前，農業土地利用集約化（如復種指數、水澆地、設施農業和地膜覆蓋農田等）監測中廣泛使用了遙感技術。耕地復種指數遙感監測是通過基于時序植被指數變化對植被活動描述來實現［41-42］。基于時間序列植被指數蘊涵著植被的生長和枯萎的循環節律，采用各種平滑方法擬合得到作物生長曲線，可以實現耕地復種指數的遙感監測。目前，很多學者利用濾波法［43-46］和非線性擬合法［47-48］等進行曲線擬合，構建如決策樹、滑動分割、二次差分法等特征提取算法［49-66］進行復種指數監測。這些方法在全球及我國多個省市地區（如太湖流域、關中地區、浙江省等）得以應用［53-64，66-69］。利用遙感技術進行耕地復種指數監測能夠有效地避免地面統計匯總方法的不足，可以很好地適應快速、大尺度區域和空間變化等耕地復種指數監測的要求。但是，后續研究應該更多考慮如何科學合理優化和完善時序數據平滑算法和熟制判斷方法，提倡多種算法取長補短，增強各種算法的穩定性和普適性；積極融合遙感監測和地面監測各自的優勢，形成地空一體化的復種指數監測格局，提高耕地復種指數的監測精度，實現該監測的業務化運行；推廣更多使用高空間分辨率的遙感影像，融合不同時空分辨率的遙感數據和改進海量數據處理能力，將會是遙感技術在未來耕地復種指數研究中的必然趨勢。

水澆地是指有水源保證和灌溉設施，在一般年景能正常灌溉、種植旱生農作物的耕地。非監督分類是水澆地遙感中應用最多的方法［70］，聯合國糧食與農業組織和國際水資源管理研究所的全球灌溉面積分布圖［71-73］都是利用非監督分類法提取水澆地。同時，在水澆地遙感分類中監督分類法亦得到應用，如Prasad等［74］、Mutlu和Garik［75］和Salmon等［76］均利用監督分類法分別實現了印度Ganges and Indus流域水澆地、美國水澆地及旱地和全球灌溉、雨養和水稻田的分類識別及空間分布研究；董婷婷等［77］和劉逸竹等［78］均基于MODIS遙感數據對我國旱地與水澆地進行識別，并獲取了其空間分布信息。

我國設施農業主要包括塑料大棚、連棟溫室及日光溫室三大類。由于其形狀特征和結構均易識別，設施農業制圖主要是基于高空間分辨率影像的面向對象方法。王中華等基于高分影像，依據農業設施的空間尺度和分布規律，利用數字化方法生成設施基線、輸入特征參數，最后通過設施坐標計算法，實現了農業設施信息的自動提取，解決了影像中紋理信息丟失問題［79］。羅軍等通過將農業設施分布規律與其紋理特征相結合，將批量農業設施自動提取算法應用于高分影像，基于GIS組件開發了基于高分辨率遙感影像的設施農業信息采集系統。該方法以高分辨率遙感影像為底圖，結合自動提取算法在影像上批量數字化農業設施，并對其屬性進行自動賦值，準確實現了人機交互式半自動化信息采集技術在高分影像上的使用［80］。郭航等通過分析典型設施農業在遙感影像上光譜、紋理、形狀等特征，建立了設施農業遙感識別的解譯標志，采用人工交互式信息提取技術實現了對北京市域范圍內設施農業面積及空間分布信息的提取，形成一套較為完整的設施農業面積數據遙感識別流程［81］。鄒利東等結合面向對象分類方法對紋理、幾何特征提取所表現出的突出優勢，提出一種耦合利用面向對象和基于支持向量機的分類方法，進行設施農業空間分布信息的自動提取，在河北省定州縣測試結果顯示農業設施的總體分類精度為95.6%［82］。盡管面向對象的分類方法提取設施農業可以綜合考慮地物的光譜、紋理和空間特征，但其信息量比基于像元方法大很多，需要研究建立針對這些高維數據的普適性分類算法。

地膜覆蓋在我國的使用面積、強度不斷增加，利用遙感技術識別地膜覆蓋農田已是當前熱點方向。學者基于Landsat TM數據在我國山東省和新疆維吾爾自治區進行地膜識別制圖［83-85］，但更多研究是基于高空間分辨率數據提取地膜，如Levin等基于1 m的AISA-ES高光譜數據提取地膜，結果顯示透明塑料膜提取精度為90%［86］；Agüera等基于兩種高分辨率遙感數據提取溫室大棚，結果均滿足需求［87-88］；Koc-San分析了3種分類方法對玻璃和塑料溫室棚的識別能力，結果顯示支持向量機分類效果最好、精度最高［89］。Hasituya等基于Landsat OLI影像數據，結合光譜、紋理特征，在支持向量機基礎上構建了地膜覆蓋農田的識別方法［90］。但是，地膜覆蓋農田研究仍多集中于小區域，大區域尺度的制圖方法研究需進一步加強；研究多以溫室大棚和小拱棚為對象，缺乏對塑料地膜的遙感監測研究。

4 農業土地利用時空變化遙感監測

農業土地利用時空變化遙感監測從變化監測和更新策略看，主要包括動態信息更新和定期全面更新等兩類。動態信息更新是在以往耕地數據基礎上，通過將各時期影像進行對比且獲得變化屬性，未變區保留原數據的方法獲取新耕地空間數據。如美國國家地表覆蓋數據（NLCD）基于變化檢測自動對土地覆蓋數據庫進行持續更新，歐洲CORINE地表覆蓋數據和中國土地利用遙感監測數據庫通過人機交互發現變化區域，進行數據更新［91-92］。定期全面更新指將原區域分片，基于最新遙感影像數據重新分類制圖。如英國LCM1990、LCM2000和LCM2007的分類方法前后均有所改變，后期多是采用了多種方法相結合的模式進行分類，進而得到最新地表覆蓋信息［93-94］；美國農業部通過定期采集農場主網絡表報的農作物種植變化信息，實現作物類型數據庫的不斷更新［95］。定期更新在更新變化區域的同時，對不變區域進行重復分類，使得工作量與出錯率增加；同時，更新的精度依賴解譯人員的專家知識，不利于保證制圖數據庫的一致性。相比之下，動態信息更新只進行變化區分類，任務量縮小，有利于保持耕地數據庫的一致性。

農業土地利用時空變化遙感監測是對不同時期的遙感影像進行幾何糾正配準和融合處理后，進行變化信息的提取，包括變化區域檢測、變化區域提取、變化類型確定和變化信息表達等4個步驟［4］。變化區域或信息檢測方法包括分類后結果比較法和多時相光譜數據直接比較法兩大類。分類后結果比較法首先進行不同時期分類，然后比較各期分類結果，進而直觀可見變化區域同時得到變化區域的定量數據［96］。該方法總體上不受大氣變化、物候狀況差異、不同傳感器差異的影響，適用性較好，但工作量大、自動化程度低、遺漏圖斑多，精度受不同時相分類精度制約。近年來，多時相光譜數據直接比較法日益成為變化檢測的主流方法。該方法主要包括基于圖像代數運算的方法（如圖像差值法、圖像比值法和變化矢量分析法等）、基于圖像變換的方法（如主成分分析法、光譜特征變異法和正交變換法等）和基于圖像空間結構特征的方法（如基于線性特征、紋理特征和語義描述的方法等）［97］。直接比較法不僅可避免分類后比較法的多次分類、誤差累積并出現不合理變化類型的缺陷，而且可以利用較多波段信息來探測變化區域，提供變化區域的類型信息。然而，目前影像直接比較的變化檢測方法多基于遙感影像的像元單元，面向對象的變化檢測方法發展較為薄弱。面向對象的變化檢測方法以影像分割為基礎，將影像劃分為對象，這些對象形狀各異，但具有光譜、紋理或空間組合等相同特征，是光譜域和空間域上的統一均質單元，后續圖像分析和變化檢測都是基于對象進行。該方法由于區域分割時處理的數據單元由像元變為對象，一方面減少了處理單元的數量，減低了數據處理的復雜度，提高了變化監測效率；另一方面對不同時期影像的空間配準誤差也具有一定的魯棒性。如Lu等發展了新的面向對象的時空植被指數分解模型（OB-STVIUM），基于Landsat和MODIS數據生成對象的高時空分辨率NDVI時間序列數據；然后對于每個對象的NDVI時間序列數據，從光譜形狀差異和光譜量值差異兩方面，利用NDVI斜率差異（NDVI-GD）度量變化強度，通過閾值設置確定耕地變化和不變化的區域［98］。

變化區域或信息檢測能夠檢測出不同時期耕地或作物變化的區域和分布，但存在變化區域和邊界范圍不完整，出現不連續的線狀目標或不完整的面狀目標，這需要從遙感影像上提取變化區域的準確范圍、形狀和邊界。常用的變化區域提取方法包括閾值法、區域生長法、聚類法以及人機交互描繪法。閾值法從變化自動發現的影像自適應獲取變化閾值，多種類型需要多個閾值分層提取各種變化；區域生長法適用于經光譜特征變異法和波段替換法處理后的影像，種子點往往通過人機交互選取，通過區域生長提取變化范圍時，除采用影像的光譜或灰度相似性外，還可以挖掘紋理、結構等復合信息，輔助提高變化范圍提取的可靠性與準確性。聚類法是綜合利用不同時相影像合成后的多譜段影像信息，人機交互描繪法適合于上述方法失效的復雜情況［4］。

變化類型的確定是農業土地利用變化遙感監測的關鍵環節，只針對發生變化的區域進行變化類型的確定，包括人機交互解譯、自動識別以及變化曲線匹配等方法。變化類型的確定需要充分利用多源信息，如不同時相的遙感影像、變化影像、已有的土地利用數據等可以構成變化特征，形成變化類型的判別知識庫，在知識庫引導下進行類別自動識別。變化曲線或模板匹配是利用不同時相影像建立土地利用類型知識庫（如波段的均值、方差以及其紋理、形狀等），確定標準變化曲線或模板，按照設定的匹配規則確定變化類型。農業土地利用變化信息的表達是對單圖斑或對象的量算，以及進行各種統計、匯總和表達，通常以統計報表和以影像為背景的專題圖形式進行表達［4，99］。

5 結語

農業土地資源遙感隨著農業遙感技術的研究與應用不斷發展，過去幾十年，國內外學者圍繞農業土地資源遙感開展了大量研究，在基礎理論、技術方法和應用系統等方面取得了長足進展，為科學掌握耕地資源分布、利用現狀、集約化利用模式、時空變化過程和原因等發揮了重要作用，支撐了各級政府政策制定、宏觀決策和指導農業生產，確保了國家糧食安全、資源安全和農業可持續發展［100］。

該文從農業土地系統科學視角出發，系統梳理農業土地資源遙感的總體框架，圍繞4個核心內容的研究現狀、進展和存在問題進行了深入論述。面向當前和今后相當長時間內智慧農業、農業高質量與綠色發展的迫切需求，遙感技術必將在農業土地資源家底和權屬調查、質量與利用監測、效能評估等方面發揮更為重要作用。農業土地利用本質上反映了復雜的“人—地”耦合關系［101］，這需要未來從系統性和整體性的科學視角開展綜合研究，更好揭示復雜現象的內在本質。因此，天空地一體化、多源數據、多時空尺度和多技術方法的綜合集成將是未來農業土地資源遙感研究的重點發展方向，這迫切需要自然科學、工程科學和社會科學等多個學科門類的融合與交叉發展。