基于VOSviewer的農作物遙感制圖研究的文獻特征與熱點演變分析*

張士博，查 燕，溫彩運，史 云，宋 茜

（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）

0 引言

農作物空間分布信息是農作物長勢監測、產量估測和災害評估的基礎數據，也是農作物種植結構優化調整、水土資源管理和政府宏觀決策的重要支撐［1-4］。作為景觀生態組成的重要因素，農作物的空間分布與氣候變化、自然資源的可持續管理、地貌景觀、生態安全等諸多問

題有著千絲萬縷的聯系［5-6］。當前世界人口持續增長、消費結構不斷升級、糧食需求日益增長、資源環境承載能力趨緊，摸清農作物種植的數量和分布對于國家糧食安全具有重要意義［7-8］。特別是在新冠肺炎疫情全球大流行、國際農產品市場供給不確定性增加的背景下，及時、準確地獲取農作物空間分布信息為耕地“非糧化”“非農化”防治可以提供有效數據支撐，對于落實與評價相應的農業政策的執行情況、支持農作物市場的相關決策至關重要［5］。傳統的統計方法獲取某一行政區域的農作物種植信息，可以獲取描述作物分布變化的數量和速率等特征的詳細信息，但由于對統計數據的過度依賴，使得研究結果往往表現為時間上的滯后，并且缺乏農作物空間分布信息［9-10］。遙感因其覆蓋范圍大、高效及時以及低成本等優點，已經廣泛應用于農作物空間分布信息提取研究中，為快速、準確獲取大范圍的農作物空間分布提供了全新的技術手段［11-12］。

自20世紀70年代“大面積作物清查試驗”以來農作物遙感監測從單一農作物制圖目標發展到多種農作物同步提取。20世紀80年代我國的遙感工作取得了快速發展，開展了重點糧區主要農作物種植結構遙感制圖和估產工作［13］。進入21世紀，隨著遙感衛星和空間技術的發展，農作物遙感制圖技術和產品對種植前的作物種植結構宏觀調控與優化、種植中的作物長勢監測、風險脅迫以及收獲時的成熟期預測、作物產量估計等各個農業應用場景提供基礎數據和依據。近年來新一代信息技術與農業學科領域深度融合交叉，農作物遙感制圖無論是在理論和技術方法還是在實踐方面都取得了長足進展［14-17］。

知識圖譜是顯示學科的發展進程與結構關系的一種圖形，具有“圖”和“譜”的雙重性質與特征。近年來，作為科學計量學的新方法和新領域已勃然興起，知識圖譜在環境工程與科學、土壤學、生態學、食品安全、新能源利用等方面廣泛應用［18］。目前，常用的科學知識圖譜的軟件多達十幾種，如Netdraw，Pajek，Gephi，CiteSpace，VOSviewer等［19］。秦長江通過Pajek對中國農業史進行分析，論述了我國農業史不同時期的研究領域與各學科間的聯系，形象地展示了我國農業史的發展［20］。褚農農等通過CiteSpace對2009—2018年農業遙感領域的科研論文進行了分析，闡述了國際農業遙感領域的研究前沿與熱點［21］。林巧等利用VOSviewer對京津冀地區農業科技發展進行了分析，發現近年來生物技術及相關研究是京津冀地區農業領域的研究熱點與發展方向［22］。VOSviewer是基于科學計量學、數據可視化理論，利用高級布局和分類聚類的方法，生成多種文獻計量關系圖譜的分析平臺。在農作物遙感制圖領域深化發展期，基于可視化分析的方法，通過分析農作物遙感制圖相關文獻的引用關系，有助于挖掘農業土地系統學科發展的趨勢與動向，有利于明晰知識領域研究前沿的演進歷程，繼而發現新興的分支學科［23］。面對大量科學文獻新信息，目前基于文獻計量的農作物遙感制圖研究態勢分析還未見報道?；诖耍恼乱詷嫿ㄖR圖譜為切入點，利用VOSviewer分析近10年農作物遙感制圖領域中的年文獻量、屬地分布、合作關系、發文機構、熱門期刊和研究熱點等計量關系，旨在揭示全球農作物遙感制圖研究領域的研究現狀、前沿動態和發展趨勢。

1 數據來源與研究方法

1.1 數據來源

該文依托Web of Science核心合集和CNKI中國學術文獻網絡出版總庫平臺，聚焦農作物遙感制圖研究，廣泛開展文獻檢索。在Web of science核心合集SCIE數據庫中，檢索式設為TS=（“Agricultural remote sensing*”AND“Crop classification*”OR“Crop identification*”AND“Low，medium and high resolution*”OR“Classifier*”AND“Cultivatedland*”OR“Area monitoring*”AND“Rice mapping*”OR“Wheat mapping*”OR“Maize mapping*”OR“Soybean mapping*”OR“Crop mapping*”），時間跨度為2011—2020年，設定文獻類型為“Article”和“Review”，進行高級檢索，獲得相關研究主題的文獻1.588 5萬篇，經過去重處理后得到密切相關文獻共569篇。在CNKI上，設定主題=（“農業遙感”AND“農作物遙感制圖”OR“作物分類”AND“面積監測”AND“水稻分類”OR“小麥分類”OR“玉米分類”OR“大豆分類”OR“作物分類”），時間跨度為2011—2020年，精確匹配檢索得到文獻715篇，并進行去重處理后，得到相關主題的期刊文獻291篇。

1.2 分析方法

該文借助VOSviewer（V1.6.16）軟件，利用文獻計量學原理，采用數學、統計學等計量方法，構建農作物遙感制圖研究的知識圖譜，分析相關文獻的分布結構、數量管理、變化規律。該軟件由荷蘭萊頓大學開發，主要用于構建文獻計量知識圖譜，分析學科類別與關鍵詞共現及文獻的共引和共被引，可視化能力強。

2 結果與分析

2.1 文獻特征分析

2.1.1 年文獻量趨勢分析

為了全面地了解農作物遙感制圖領域研究內容的特征和演變趨勢，首先對569篇英文文章和291篇中文文章進行年文獻總量及年際間增長率分析，結果如圖1所示。由圖可見，自2011年以來，農作物遙感制圖研究領域英文和中文的發文量總體呈現上升態勢。農作物遙感制圖研究領域根據年文獻量可劃分為3個階段，分別是緩慢增長（2011—2014年）、快速增長（2015—2018年）和持續穩步增長（2019—2020年）階段。在緩慢增長階段，國內外知名期刊刊發農業遙感制圖研究文獻共167篇，年均增長率為7.34%，其中，英文文獻年均發文量29篇，文獻數量整體增加但增幅較小，且存在年際增減波動現象；中文文獻年均發文量13篇。在快速增長階段，國內外知名期刊刊發農業遙感制圖研究文獻共359篇，年均增長率為22.55%，其中，英文文獻年均發文量57篇；該階段內，中文文獻數量不斷增多，年際間未出現下降情況，年均發文量33篇。在平穩增長階段，國內外知名期刊刊發農業遙感制圖研究文獻共334篇，2019年文獻增加幅度加大，年均增長率為22.47%，其中，英文文獻累計達227篇，年均發文量113篇；中文文獻年均發文量53篇。總體上，近10年中文文獻與英文文獻數量的發展趨勢大體相同，中英文發文量逐年增加，農作物遙感制圖領域正被越來越多的研究人員關注。

圖1 2011—2020年農作物遙感制圖研究發文數量趨勢Fig.1 Trendsin thenumber of research articleson remote sensing mapping of agricultural cropsduring 2011—2020

2.1.2 屬地分布

在全球230個國家和地區中，2011—2020年農作物遙感制圖領域中論文發文數量排名前10的國家如表1所示，其中中國的發文數量最多，發文數量高達207篇，其次是美國137篇，德國42篇，巴西38篇。中國和美國兩國合計發文數量占總數量的60.5%。從被引頻次度量論文學術影響力的結果看，美國發文的被引頻次最高達3 803次，其次是中國3 191次，德國1 167次；平均單篇被引頻次最高的是西班牙（38.00次）、意大利（31.40次）和法國（30.74次）。整體上，美國發文量第二、論文總被引頻次位居第一、單篇被引次數為27.76次，其論文數量多、影響力大，在該領域發揮著引領方向的作用。同時，中國在該領域的發文量排名第一、論文總被引頻次位居第二，在農作物遙感制圖領域有著舉足輕重的地位。

表1 農作物遙感制圖領域主要國家發文數量及被引頻次Table1 Number of publicationsand citation frequency of major countriesin thefield of remotesensing mapping of agricultural crops

2.1.3 國際合作分析

國際合作圖譜可用來揭示各國家或地區的合作領域分布及合作強度。運用VOSviewer軟件，分析農作物遙感制圖文獻數據得到農作物遙感制圖研究領域的國際合作網絡圖譜（圖2）。圖2中共有節點數20個，節點的大小代表發文數量的多少，越大說明發文數量越多；線條的寬度代表兩者之間合作的密切程度；顏色的深淺程度代表國家平均發文年份的年份；黃色的節點代表近期加入的國家，黃色的節點越多，說明不斷地有新的國家加入合作網絡，產生了新的合作關系。2011—2020年世界各國的國際合作關系網絡圖可以發現，發達國家和地區在農作物遙感制圖領域的合作研究較多，開展較早。其中，中國與美國作為農業大國和農業強國，這兩個國家的合作最為密切，同時與加拿大、日本和巴西等國家在農作物遙感制圖研究方面合作緊密，形成了一系列研究成果，并且近年來，德國、阿根廷等國家與中國的合作研究逐漸增多，成為了中國合作網絡中的新伙伴。

圖2 國家合作網絡時間線Fig.2 Country cooperation network timeline chart

鏈接強度可以反映該節點與其他節點共現次數，間接反映出國家間的合作程度。從國家鏈接強度看（表2），排名前10的國家依次是美國、中國、德國、法國、巴西、澳大利亞、意大利、加拿大、奧地利和新西蘭。其中，美國與很多國家在農作物遙感制圖領域開展合作，其關系網最廣，鏈接強度最大，達到了151；中國在農業遙感制圖領域合作活躍度第二，鏈接強度達到126，僅次于美國，遠高于世界其他國家；法國、巴西、澳大利亞和意大利鏈接強度在30～40之間；加拿大、澳地利和新西蘭在農作物遙感制圖領域合作鏈接強度在20～30之間。

表2 前10名國家鏈接強度Table2 Top 10 countrieslink strength

2.1.4 發文機構分析

為了更直觀地反映國內外在農作物遙感制圖研究中有突出貢獻的機構，采用VOSviewer軟件對“institution（機構）”的高產機構進行分析，農作物遙感制圖領域中英文發文TOP10機構如表3所示。世界范圍內具有影響力的機構主要集中分布在中國、美國和加拿大。從機構國際影響力來看，中國科學院在全球眾多科研機構居于首位。從英文論文高產機構的歸屬國來看，大多數高產機構屬于中國和美國，并且中國的科研機構占據了前4位。其中CHINESE ACAD SCI發文達到63篇；發文數量最多的國外機構為AGR&AGRIFOODCANADA，發文15篇。通過CNKI平臺對國內的機構進行分析，中國農業科學院農業資源與農業區劃研究所在農作物遙感制圖領域發表的中文論文被引頻次最高，高達533次；中國科學院空天信息創新研究院中文論文的單篇被引頻次21.42次，中國科學院地理科學與資源研究所被引19次，排名分布為第二和第三。總體來看，中國在農作物遙感制圖領域中發文機構的數量多，但單篇被引頻次除ZHEJIANGUNIV外，其余都低于20次。平均單篇被引最高的機構是USGEOLSURVEY，平均單篇被引37次。

表3 農作物遙感制圖領域發文TOP10機構Table 3 Top 10 publishersin thefield of remotesensing mapping of agricultural crops

2.1.5 熱門期刊分析

熱門期刊對于科學研究領域及其發展方向具有較強的影響力?；赩OSviewer軟件梳理了農作物遙感制圖領域高被引排名前十的期刊，被引頻次在130以上（表4）。其中，農作物遙感制圖領域英文文獻發文量最多并且總被引頻次最高的期刊是《Remote Sensing》，發文124篇，總被引頻次2 523次。《Remote Sensing of Environment》是遙感領域的頂尖期刊，發表的論文創新性強、影響力大，以農作物遙感制圖為主題的論文僅35篇，總被引頻次高達1 792次?！禝sprs Journal of Photogrammetry and Remote Sensing》被引次數僅次于《Remote Sensing of Environment》達859次。從期刊構成來看，該領域文章發表期刊質量普遍較高，構成較為豐富。根據2021年科學網發布的期刊影響因子來看，上述期刊影響力較大，其中影響因子最高的是《Remote Sensing of Environment》，影響因子為10.164。

表4 前十名高被引論文出版期刊Table 4 Top 10 publishersin thefield of remotesensing mapping of agricultural crops

2.2 研究熱點演變分析

關鍵詞是作者對文章內容的高度概括與提煉，學科領域的高頻關鍵詞可以從一定程度上表征該學科領域的研究內容或者研究范疇，揭示其在農作物遙感制圖領域的研究熱點，同時也是文獻獲取中數據來源的基礎條件。2011—2020年農作物遙感制圖領域高頻關鍵詞分布可以看出（圖3），該領域出現頻率最高的關鍵詞是時間序列（Time Series）。此 外，隨 機 森 林（Random Forest）、Landsat、MODIS（Moderate-Resolution Imaging Spectroradiometer）、歸一化植被指數（Normalized Difference Vegetation Index，NDVI）與增強植被指數（Enhanced Vegetation Index，EVI）、Sentinel-1/2、植被指數（Vegetation Indices）、玉米（Maize、Corn）、合成孔徑雷達（Synthetic Aperture Radar，SAR）、機器學習（Machine Learning）等出現頻次依次降低。并且不同時間階段內各關鍵詞所頻次差異較大，說明在不同階段農作物遙感制圖應用的觀測手段和識別方法在不斷的演變，該領域研究的熱點處于變化發展。比如2011—2014年間，學者采用時間序列數據集，利用EVI、NDVI進行農作物遙感制圖研究較多；2015—2018年隨著Sentinel成功發射，因其具有較高的時空分辨率成為農作物遙感制圖研究的主要數據源之一；2019—2020年隨機森林和機器學習的出現頻次有所下降。整體來看，時間序列數據集是農作物遙感制圖的主要手段，隨機森林是農作物遙感制圖應用最為廣泛的分類方法之一，玉米作物類型是制圖研究較多，NDVI、EVI是分類特征中常用的植被指數。

圖3 2011—2020年農作物遙感制圖領域高頻關鍵詞Fig.3 High frequency keywordsin thefield of remotesensing mapping of agricultural cropsfrom 2011 to 2020

將近10年的農作物遙感制圖中英文文獻的關鍵詞按照數據類型、分類方法、分類對象與特征指標四類分別進行聚類（表5），國內外研究熱點演變趨勢存在一定的異同點。從制圖數據源看，光學數據與雷達數據是主要的兩類遙感數據。光學數據中，MODIS、Landsat一直是國內外主要的數據源；低空間分辨率數據中，MODIS數據具有回訪周期短、波段多、寬幅大的特點，在大區域地表監測中發揮重要作用，但是在監測小區域地塊中混合像元嚴重。2018年以前，MODIS出現的頻次都比較高，說明該時段內農作物遙感制圖以高時間分辨率、低空間分辨率衛星為主；隨著Landsat和Sentinel數據的公開共享，中高分辨率衛星數據在農作物遙感制圖中廣泛應用；2019年之后無人機數據備受關注，無人機可以實現對區域的實時監測，一般空間分辨率非常高（亞米級），在小區域、山地優勢明顯。同時，自國產高分系列衛星發射以來，我國自主研發的13顆高分衛星星座為我國的地理測繪、氣候觀測、土地資源監測等方面發揮了重要作用。近年來，高分數據憑借其較高的空間分辨率與時間分辨率優勢在農作物遙感制圖中迅速升溫，但其波段較少并且數據不公開，用戶使用時會有所限制。合成孔徑雷達數據自2015年以來，出現頻次累積達40次，因其全天候、不受云雨天氣影響的優良性能，在多云多雨區遙感制圖中應用較多。總體而言，目前農作物遙感制圖研究多以單一中高空間分辨率遙感數據或者高時間分辨率遙感數據為主，農作物遙感制圖尺度從千米級向米級、亞米級發展。在此背景下，協同利用多源數據的分辨率、時序性、光譜等優勢，補單一數據不足，重構高質量遙感數據集的方法研究受到廣泛關注［24-25］。

表5 2011—2020年農作物遙感制圖領域研究熱點及變化趨勢Table5 Research hotspotsand trendsin thefield of remotesensing mapping of cropsfrom 2011 to 2020

從制圖方法看，過去主要是一些傳統的機器學習算法，如隨機森林、支持向量機、決策樹等應用較為廣泛。近年來，深度學習在農作物遙感制圖中發揮重要作用，其中以卷積神經網絡為代表的網絡結構在2019—2020年詞頻高達26次，超越隨機森林躍居第一位。卷積神經網絡可以實現對影像更深層次特征的挖掘，具有學習能力強、適應性好、可移植性強等優勢，潛力巨大。隨著計算機性能的提高以及遙感圖像處理技術的快速發展，推動了最大似然方法、最小距離法、K-means聚類等基于光譜統計的識別方法在農作物遙感制圖研究中應用和推廣［26］。一些新的機器學習算法，如人工神經網絡、遺傳算法等被廣泛應用于農作物遙感制圖中，取得了較好的分類效果［27-28］?；谙袼爻叨鹊霓r作物遙感識別，分類結果“椒鹽現象”嚴重［29］。面向對象的方法可以有效減少分類存在的噪聲斑點，結果更加符合真實狀況。近年來，面向對象的分類方法穩步發展，在農作物遙感制圖研究中，學者一直在探討應用。目前，農作物遙感制圖從傳統的像素水平到面向對象分類，正逐步向地塊尺度的方向發展。以對象、地塊為制圖單元，制圖結果與土地權屬、生產效益、田間管理等屬性信息高度關聯，提升了農作物遙感制圖產品的實際應用價值，因而成為農作物遙感制圖研究的熱點［30］。

從分類對象看，目前農作物遙感制圖的作物類型較為單一，水稻、小麥、玉米、大豆等作物類型的空間分布信息提取的研究較多，對油菜、高粱、馬鈴薯、花生等特色小宗作物關注度較低，作物類型多元化是農作物遙感制圖的發展方向。

從特征指標看，指標體系構建都圍繞光譜與時相特征展開。時間序列、NDVI、EVI、植被指數是主要的特征指標，尤其是時間序列在國外三個時期的出現頻率保持最高，其次是NDVI和EVI?；谵r作物遙感識別原理和植被在不同遙感波段的反射特性，發展植被指數，可以很好地反映作物的生長狀況，因而被廣泛地應用于農作物長勢監測，使用的頻率僅次于時序和NDVI、EVI［31］。隨著衛星技術的提升、觀測指標的提升，應用新發衛星的紅邊波段作為特征指標進行農作物分類成為可能，在農作物遙感制圖應用中效果備受關注。通過不同特征的組合，結合時間序列分析作物的物候歷，進行特征優選，是目前主流的分類策略，過去10年中相關研究日漸增多［32］。

3 結論與展望

過去十年，農作物遙感制圖的理論與方法等方面取得了長足進展，為科學掌握農作物資源分布、種植模式和時空變化等發揮了重要作用，有效支撐了農業生產管理與農業政策制定。該文基于Web of Science核心合集數據和CNKI中國學術文獻網絡出版總庫平臺，利用VOSviewer，構建了農作物遙感制圖領域的年文獻量、屬地分布、合作關系、發文機構、熱門期刊和研究熱點的知識圖譜。總體看，作物制圖領域近10年來論文發表數量在不斷增加，大致分為3個階段：緩慢增長階段（2011—2014年）、快速增長階段（2015—2018年）和持續穩步增長階段（2019—2020年）。從各國的發文數量來看，中國和美國的發文量與影響力最大，且兩國之間合作密切。中國近10年的發文數量增長迅速，發表的英文期刊數量207篇居世界第一位，遙遙領先排名第二位的美國137篇，但是文章的被引頻次總量稍遜于美國。從國際合作關系來看，世界各國之間的合作關系逐漸增多與密切，多方合作是未來的趨勢。我國在作物制圖領域的發文機構與發文數量較多，但論文平均單篇被引頻次較低，高水平論文較少。從研究熱點看，農作物分類對象仍然以主糧作物小麥、水稻、大豆、玉米為主，分類方法從傳統機器學習向深度學習發展。

作物“一張圖”的研制一直以來備受重視。目前，國內面向作物“一張圖”尚屬空白。為盡快實現我國作物“一張圖”還可以從以下幾個方面深入研究。（1）加強多源數據協同利用。單一遙感數據源往往難以完整覆蓋整個區域和作物生長時期。通過深度學習的融合算法對中高空間分辨率影像進行融合，重構高空間和高時間分辨率的遙感數據有助于提高作物種植面積估計的準確性，輔助農業決策［33-35］。協同光學與雷達數據的同時關注農業統計數據、氣象數據、地形數據、生長度日指標等其他數據，有利于提高分類的精度與模型的魯棒性［36］。（2）強化歷史觀測數據融合應用。開展適合于遙感影像深度學習訓練與測試用的農作物樣本庫類型動態擴展與自動精化機制研究，提高樣本數據的利用率。此外，通過改善樣本獲取方式，從人工實地采樣慢慢向眾包數據轉變，通過建立眾包數據平臺，利用數據共享活動來獲取大尺度、長時間序列的作物樣本數據。（3）改進分類方法性能。針對遙感影像特點和應用需求，研究遙感影像深度神經網絡開源架構與模型，構建顧及遙感特性的專用遙感網絡模型。在有充足樣本和算力支持的下，發展深度學習的方法，自動學習大量特征，實現端到端的分類；在樣本數量較少的情況下，利用對樣本和特征的依賴較小的分類器在一定程度上可以提升分類效果，但是這些分類器往往需要人工設置閾值，不斷調整優化參數會加大計算量與不確定性。因此，“一套”遙感框架與模型是實現多作物準確分類亟需突破的技術。（4）優化特征組合。將農學信息融入到作物分類中，可以有效提高分類精度。不同的作物具有獨特的季相節律特征，是區分作物與非作物、不同作物類型的主要依據，但是輸入過多的特征會造成信息冗余，形成“維數災難”反而增大計算量降低分類精度。因此，進行降維處理篩選出最優的特征和數量，尋找作物在其關鍵期與其它作物具有明顯差異的特征對分類是及其重要的。另一方面需要設計遙感專用的深度學習神經網絡，將光譜信息和地學知識融入到網絡中，使之能夠有效解決自然地理要素制圖難題。綜合研判，今后遙感數據源越發豐富、分類方法愈發智能，使得農作物遙感制圖的大區域、高時效、高精度等成為可能。然而，國內農作物遙感制圖研究的網絡滯后于國外，研究方法和研究手段上易受外部影響，這就需要面向農業應用主戰場、面向遙感技術前沿，以系統性、整體性的視角對多源數據協同利用，綜合應用歷史與現實樣本，對農作物遙感制圖進行全流程綜合研究。