劉 哲 劉帝佑 朱德海 張 琳 昝糈莉 童 亮

(1.中國(guó)農(nóng)業(yè)大學(xué)土地科學(xué)與技術(shù)學(xué)院， 北京 100083；2.中國(guó)農(nóng)業(yè)大學(xué)農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)災(zāi)害遙感重點(diǎn)實(shí)驗(yàn)室， 北京 100083；3.中國(guó)農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院， 北京 100083)

0 引言

隨著全球人口的持續(xù)增長(zhǎng)和氣候環(huán)境劇變，如何在確保糧食安全的同時(shí)兼顧社會(huì)、環(huán)境資源的可持續(xù)發(fā)展將是一個(gè)嚴(yán)峻的挑戰(zhàn)，也對(duì)農(nóng)業(yè)生產(chǎn)及經(jīng)營(yíng)調(diào)控提出了更高的要求。自20世紀(jì)90年代以來(lái)許多學(xué)者開(kāi)展了相關(guān)研究。結(jié)合衛(wèi)星導(dǎo)航系統(tǒng)[1]和地球衛(wèi)星觀測(cè)系統(tǒng)[2-4]，在農(nóng)業(yè)地塊上的單點(diǎn)變量監(jiān)測(cè)、作物生長(zhǎng)模擬和產(chǎn)量估計(jì)方面取得了較大的進(jìn)展，“精準(zhǔn)農(nóng)業(yè)”的概念也同時(shí)被提出。隨著更多的新興技術(shù)與理念的出現(xiàn)，如生物技術(shù)、遙感技術(shù)、云計(jì)算、物聯(lián)網(wǎng)和人工智能，并逐漸應(yīng)用到農(nóng)業(yè)領(lǐng)域的各個(gè)環(huán)節(jié)，“智慧農(nóng)業(yè)”的概念成為新的時(shí)代共識(shí)[5]。而智慧農(nóng)業(yè)，以各個(gè)環(huán)節(jié)的數(shù)字信息流動(dòng)為基礎(chǔ)，深度結(jié)合以人工智能為核心的分析與決策手段，在確保農(nóng)業(yè)糧食安全的同時(shí)兼顧環(huán)境與資源的可持續(xù)性，有助于真正實(shí)現(xiàn)農(nóng)業(yè)的可持續(xù)發(fā)展。

而在智慧農(nóng)業(yè)的各種場(chǎng)景中，不管是面向種植過(guò)程的作物長(zhǎng)勢(shì)監(jiān)測(cè)、作物關(guān)鍵生育期的風(fēng)險(xiǎn)脅迫評(píng)估，面向收獲的成熟期預(yù)測(cè)、作物產(chǎn)量估計(jì)，還是面向宏觀調(diào)控的作物種植結(jié)構(gòu)調(diào)整與優(yōu)化等，作物類型識(shí)別與制圖數(shù)據(jù)產(chǎn)品都是各個(gè)農(nóng)業(yè)應(yīng)用場(chǎng)景的一種基礎(chǔ)支撐數(shù)據(jù)[6-8]。隨著遙感技術(shù)的發(fā)展，作物類型識(shí)別與制圖在國(guó)內(nèi)外也取得很大進(jìn)展。美國(guó)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(jì)劃，開(kāi)展全球范圍內(nèi)主要作物的識(shí)別、多種糧食作物的長(zhǎng)勢(shì)監(jiān)測(cè)和產(chǎn)量估算；歐盟在1987年提出MARS(Monitoring agricultural with remote sensing)計(jì)劃，開(kāi)展基于遙感的歐盟農(nóng)業(yè)統(tǒng)計(jì)及獲取作物相關(guān)信息；與此同時(shí)，其它國(guó)家如俄羅斯、法國(guó)、德國(guó)、日本等也有遙感作物識(shí)別相關(guān)的研究[9]。我國(guó)農(nóng)業(yè)遙感開(kāi)始于1979年聯(lián)合國(guó)糧農(nóng)組織在中國(guó)農(nóng)業(yè)大學(xué)援建的“中國(guó)農(nóng)業(yè)遙感應(yīng)用與培訓(xùn)中心”，隨后在遙感作物識(shí)別、種植面積提取、作物長(zhǎng)勢(shì)監(jiān)測(cè)與估產(chǎn)等方面發(fā)展和探索了系列技術(shù)方法[10-12]。

經(jīng)過(guò)幾十年的發(fā)展，基于遙感的作物類型識(shí)別與制圖取得快速發(fā)展，而隨著農(nóng)業(yè)發(fā)展進(jìn)入智慧農(nóng)業(yè)時(shí)代，對(duì)作物類型識(shí)別與制圖產(chǎn)品在空間范圍、實(shí)時(shí)性、產(chǎn)品精度等方面提出新的需求。而對(duì)地觀測(cè)技術(shù)的進(jìn)一步發(fā)展，如我國(guó)GF系列衛(wèi)星、歐空局的Sentinel系列衛(wèi)星，全球范圍的微小衛(wèi)星星座計(jì)劃(如Planlab等)，以及各種無(wú)人機(jī)平臺(tái)，為獲取全球覆蓋、無(wú)縫的高時(shí)空地表反射數(shù)據(jù)奠定了堅(jiān)實(shí)的數(shù)據(jù)基礎(chǔ)；與此同時(shí)，數(shù)字影像處理技術(shù)、機(jī)器學(xué)習(xí)，特別是深度學(xué)習(xí)為核心的人工智能技術(shù)的突破進(jìn)展，為獲得滿足智慧農(nóng)業(yè)需求的作物類型識(shí)別與制圖產(chǎn)品提供了新的方法與手段。

本文從3方面：小尺度、近實(shí)時(shí)、高精度的作物識(shí)別，大尺度、可靠精度的自動(dòng)化作物制圖，由確認(rèn)監(jiān)測(cè)型向提前預(yù)判型和特定作物類型轉(zhuǎn)變的作物識(shí)別與制圖模式，來(lái)闡述智慧農(nóng)業(yè)時(shí)代的作物類型識(shí)別與制圖面臨的新需求和新變化，總結(jié)國(guó)內(nèi)外面對(duì)這些新變化所開(kāi)展的研究工作以及存在的科學(xué)問(wèn)題和技術(shù)難題，并對(duì)遙感作物識(shí)別與制圖研究與應(yīng)用予以展望。

1 小尺度、近實(shí)時(shí)和高精度作物識(shí)別

遙感技術(shù)的高速發(fā)展促使農(nóng)業(yè)生產(chǎn)和研究從傳統(tǒng)階段進(jìn)入精細(xì)化、定量化和機(jī)理化階段，尤其是高分辨率影像使得地物精細(xì)分類和監(jiān)測(cè)成為可能[13]。智慧農(nóng)業(yè)時(shí)代，人們希望能夠通過(guò)對(duì)農(nóng)業(yè)生產(chǎn)環(huán)境的智能感知與預(yù)警，實(shí)現(xiàn)農(nóng)業(yè)生產(chǎn)的種植精準(zhǔn)化、管理可視化、分析決策智能化，要實(shí)現(xiàn)該目標(biāo)除了需要大尺度的農(nóng)業(yè)遙感監(jiān)測(cè)支撐之外，還需要獲取村級(jí)乃至地塊級(jí)的農(nóng)作物生長(zhǎng)信息。與大范圍的農(nóng)業(yè)監(jiān)測(cè)主要服務(wù)于宏觀決策不同，小尺度(農(nóng)田尺度或試驗(yàn)小區(qū))的農(nóng)情或表型信息可直接用于栽培管理優(yōu)化、育種決策分析等應(yīng)用，具有更大的應(yīng)用潛力[14-15]，但是對(duì)影像數(shù)據(jù)的時(shí)效性、空間分辨率、提取的作物信息的精度等都有更嚴(yán)格的要求。

目前用于小尺度農(nóng)情監(jiān)測(cè)的影像主要是高分辨率的衛(wèi)星影像以及無(wú)人機(jī)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(qū)橄欖樹(shù)林的葉面葉綠素含量；競(jìng)霞等[19]利用高分辨率IKONOS影像提取一系列植被指數(shù)，包括增強(qiáng)植被指數(shù)(EVI)、再歸一化植被指數(shù)(RDVI)、差值植被指數(shù)(DVI)、修改型土壤調(diào)整植被指數(shù)(MSAVI)、歸一化植被指數(shù)(NDVI)等，有效地估測(cè)了棉花黃萎病的病情嚴(yán)重度；較多的學(xué)者研究表明，無(wú)人機(jī)影像相對(duì)衛(wèi)星影像而言，具有低成本、高時(shí)間、高空間分辨率的特點(diǎn)，在精細(xì)化的農(nóng)業(yè)管理方面更具優(yōu)勢(shì)[20]，例如小范圍的農(nóng)作物倒伏監(jiān)測(cè)[21]、農(nóng)作物的種植密度估計(jì)[22]等。

田間作物表型信息是揭示作物生長(zhǎng)發(fā)育規(guī)律及其與環(huán)境關(guān)系的重要依據(jù)，準(zhǔn)確快速地獲取作物表型信息可以為現(xiàn)代農(nóng)業(yè)的發(fā)展提供技術(shù)支撐[23]。借力于光學(xué)傳感器的快速發(fā)展，小尺度的農(nóng)情監(jiān)測(cè)使非破壞性、快速實(shí)時(shí)地估計(jì)作物表型成為可能，當(dāng)前估算的表型特征主要包括：株高、葉面積指數(shù)(LAI)以及作物倒伏等。作物株高是反映作物生長(zhǎng)狀態(tài)的有效指標(biāo)，與生物量、LAI產(chǎn)量等有顯著的相關(guān)關(guān)系。利用無(wú)人機(jī)獲取的可見(jiàn)光成像數(shù)據(jù)，通過(guò)構(gòu)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(jù)植物對(duì)光譜的吸收、反射特性識(shí)別植物的不同性狀，例如通過(guò)對(duì)光譜反射數(shù)據(jù)進(jìn)行經(jīng)驗(yàn)性處理構(gòu)建大量的植被指數(shù)可用于預(yù)測(cè)作物L(fēng)AI、生物量以及葉綠素含量等。歸一化植被指數(shù)、可見(jiàn)光大氣阻抗植被指數(shù)(Visible atmospherically resistant index, VARI)、修正的土壤調(diào)節(jié)植被指數(shù)可用于預(yù)測(cè)作物L(fēng)AI[16, 26-27]；再歸一化植被指數(shù)可用于預(yù)測(cè)作物生物量[28]。作物倒伏是常見(jiàn)的農(nóng)業(yè)自然災(zāi)害之一，基于遙感的農(nóng)業(yè)自然災(zāi)害監(jiān)測(cè)可以彌補(bǔ)傳統(tǒng)方法費(fèi)事費(fèi)力的缺點(diǎn)，有較好的應(yīng)用前景[29]。部分學(xué)者提出無(wú)人機(jī)影像中的紋理特征和顏色特征有利于區(qū)域尺度的倒伏評(píng)估[30-31]；HAN等[32]利用統(tǒng)計(jì)方法計(jì)算無(wú)人影像的各項(xiàng)特征因子，如紋理特征、光譜特征等，并通過(guò)構(gòu)建nomogram 預(yù)測(cè)北京市昌平區(qū)小湯山國(guó)家精準(zhǔn)農(nóng)業(yè)研究基地的玉米倒伏情況。

小尺度農(nóng)情監(jiān)測(cè)依賴于高分辨率的遙感影像，如今隨著傳感器技術(shù)的快速發(fā)展，我們能獲取大量的高時(shí)空分辨率遙感影像，但受限于計(jì)算機(jī)性能，遙感影像的快速處理仍存在問(wèn)題；同時(shí)，通過(guò)遙感構(gòu)建的作物表型模型普適性較差，針對(duì)不同作物、不同種植區(qū)域存在參數(shù)乃至模型有效性的問(wèn)題；而且遙感反演模型本身的誤差會(huì)降低作物表型信息解析精度，后期研究可以通過(guò)融合多源遙感信息、環(huán)境以及作物生理學(xué)知識(shí)提高作物表型反演精度[23]。

2 大尺度、可靠精度的自動(dòng)化作物制圖

大尺度指區(qū)域、國(guó)家乃至全球尺度，該尺度下的作物識(shí)別與制圖產(chǎn)品更多服務(wù)于宏觀的應(yīng)用與決策，如作物的長(zhǎng)勢(shì)監(jiān)測(cè)、災(zāi)害風(fēng)險(xiǎn)評(píng)估、產(chǎn)量預(yù)測(cè)以及作物種植結(jié)構(gòu)的監(jiān)測(cè)與優(yōu)化等。將遙感技術(shù)引入農(nóng)業(yè)領(lǐng)域，開(kāi)展作物識(shí)別與制圖的研究與應(yīng)用，最初的目的是為了解決傳統(tǒng)作物抽樣調(diào)查無(wú)法獲得大范圍面狀的作物空間分布信息。但是受限于當(dāng)時(shí)的遙感技術(shù)發(fā)展水平，難以獲得高時(shí)空分辨率的遙感數(shù)據(jù)，因此大尺度的作物識(shí)別與制圖多采用MODIS數(shù)據(jù)，得到的通常是250、500、1 000 m的粗糙空間分辨率的作物識(shí)別與制圖產(chǎn)品[33-37]。

在智慧農(nóng)業(yè)時(shí)代，對(duì)大尺度的作物識(shí)別與制圖產(chǎn)品有了更高的要求，首先需要這些產(chǎn)品具有更高空間分辨率，如從30 m 到10 m[38]。快速發(fā)展的遙感技術(shù)為獲取大范圍、高時(shí)空分辨遙感數(shù)據(jù)奠定了堅(jiān)實(shí)的數(shù)據(jù)基礎(chǔ)；同時(shí)云計(jì)算和機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等人工智能技術(shù)為海量遙感存儲(chǔ)管理及分析計(jì)算奠定了存儲(chǔ)、計(jì)算與分析基礎(chǔ)。因此，數(shù)據(jù)與存儲(chǔ)、計(jì)算與分析能力的發(fā)展為獲取大范圍、高空間分辨率、可靠精度的作物識(shí)別與制圖產(chǎn)品帶來(lái)巨大的機(jī)遇，同時(shí)也帶來(lái)“時(shí)空大數(shù)據(jù)”、分類方法適應(yīng)性等關(guān)鍵問(wèn)題與難題。

2.1 大范圍遙感數(shù)據(jù)獲取、存儲(chǔ)管理與計(jì)算分析

開(kāi)展大范圍高空間分辨率的遙感作物識(shí)別與制圖，在數(shù)據(jù)處理、存儲(chǔ)管理與計(jì)算分析等方面都面臨著新的挑戰(zhàn)。過(guò)去大范圍作物識(shí)別與制圖產(chǎn)品使用的MODIS數(shù)據(jù)，寬幅大、空間分辨率小，覆蓋一個(gè)大區(qū)域需要的數(shù)據(jù)量相對(duì)不大，而制作高空間分辨率的作物識(shí)別與制圖產(chǎn)品，目前符合條件的遙感數(shù)據(jù)源有GF-1 WFV、Sentinel-2和Landsat-8，全覆蓋一個(gè)大區(qū)域的數(shù)據(jù)量將是海量的。以京津冀地區(qū)(約21.7156萬(wàn)km2)2017年全覆蓋影像數(shù)據(jù)為例，如圖1和表1所示，從MODIS、Landsat-8、GF-1 WFV到Sentinel-2，數(shù)據(jù)的時(shí)空分辨率越來(lái)越高，其數(shù)據(jù)量也急劇增長(zhǎng)，就全年數(shù)據(jù)量而言，Sentinel-2大約是MODIS 8 d合成地表反射率數(shù)據(jù)的250倍。除了海量數(shù)據(jù)之外，遙感數(shù)據(jù)在用于作物識(shí)別研究前，還需要一系列復(fù)雜、繁瑣的預(yù)處理過(guò)程(如輻射定標(biāo)、大氣校正、云檢測(cè)以及幾何配準(zhǔn)等步驟)，而傳統(tǒng)的單機(jī)、人工處理模式在人力成本和時(shí)間成本上都是無(wú)法接受的。因此，適應(yīng)海量遙感空間大數(shù)據(jù)存儲(chǔ)管理與計(jì)算分析的新工具、新平臺(tái)成為迫切的需求。

圖1 4種遙感數(shù)據(jù)在京津冀地區(qū)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(dāng)下空間大數(shù)據(jù)平臺(tái)中最為知名的平臺(tái)，是Google公司推出的一個(gè)基于云環(huán)境下全球尺度的地理空間分析平臺(tái)。該平臺(tái)上開(kāi)放了PB級(jí)的空間數(shù)據(jù)，包含幾十種矢量和柵格數(shù)據(jù)集，如行政邊界數(shù)據(jù)、MODIS、Landsat和Sentinel遙感數(shù)據(jù)等；Google數(shù)據(jù)中心還為GEE平臺(tái)提供了內(nèi)在的并行計(jì)算訪問(wèn)，使之具有強(qiáng)大的計(jì)算能力，用戶可以通過(guò)互聯(lián)網(wǎng)調(diào)用API形式訪問(wèn)和使用GEE平臺(tái)的數(shù)據(jù)與計(jì)算能力[39-41]。當(dāng)前，全球范圍的科學(xué)家基于GEE開(kāi)展了很多科學(xué)研究，如PATEL等[42]基于GEE開(kāi)展了多年的居住區(qū)和人口制圖，JOHANSEN 等[43]基于GEE在澳大利亞開(kāi)展了植被制圖，LEE等[44]基于GEE開(kāi)展了油棕探測(cè)研究。當(dāng)然，也有不少學(xué)者在GEE上開(kāi)展大范圍的作物識(shí)別與制圖相關(guān)研究工作[45-48]。除此之外，全球還有不少科研團(tuán)隊(duì)在海量多源數(shù)據(jù)的時(shí)空框架設(shè)計(jì)方面開(kāi)展了相關(guān)研究與應(yīng)用。如澳大利亞地球科學(xué)局LEWIS等[49]通過(guò)將OpenStack搭建在澳大利亞國(guó)立大學(xué)國(guó)家計(jì)算中心的超級(jí)計(jì)算機(jī)上，建立了數(shù)據(jù)立方體，在地表水資源觀測(cè)、多源數(shù)據(jù)融合和水資源質(zhì)量監(jiān)測(cè)等方面進(jìn)行了廣泛應(yīng)用。浙江大學(xué)戚將輝等[50]利用大數(shù)據(jù)技術(shù)與智能化思想，研究空間信息組織模型，探索構(gòu)建了一個(gè)智能化的空間信息立方體，滿足空間信息發(fā)現(xiàn)和智能化預(yù)測(cè)等應(yīng)用需求。YE等[51]設(shè)計(jì)了RDCRMG格網(wǎng)體系，可對(duì)多源柵格數(shù)據(jù)進(jìn)行切分和統(tǒng)一編碼，實(shí)現(xiàn)了多源遙感數(shù)據(jù)的格網(wǎng)化存儲(chǔ)、管理和計(jì)算；同時(shí)YAO等[52-53]研究了基于Hadoop大數(shù)據(jù)平臺(tái)的矢量數(shù)據(jù)空間劃分方法和編碼規(guī)則，實(shí)現(xiàn)了全國(guó)尺度的矢量數(shù)據(jù)計(jì)算和可視化。

表1 京津冀地區(qū)2017年4種遙感數(shù)據(jù)信息統(tǒng)計(jì)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(kāi)展可靠精度的遙感作物識(shí)別與制圖面臨著海量數(shù)據(jù)預(yù)處理、存儲(chǔ)管理和分析計(jì)算的問(wèn)題，而類似GEE這種同時(shí)提供數(shù)據(jù)與計(jì)算能力的新型空間大數(shù)據(jù)云平臺(tái)，使得大范圍、可靠精度的作物識(shí)別與制圖成為可能。

2.2 適應(yīng)大范圍遙感作物識(shí)別的方法與方案

基于遙感數(shù)據(jù)實(shí)現(xiàn)作物識(shí)別與制圖，主要實(shí)施過(guò)程為：針對(duì)目標(biāo)對(duì)象從遙感數(shù)據(jù)中尋找合適的區(qū)分特征，將區(qū)分特征作為某種分類算法的輸入?yún)?shù)，經(jīng)過(guò)運(yùn)算后獲得某個(gè)時(shí)空范圍內(nèi)的作物分布結(jié)果。由此可見(jiàn)，除了遙感數(shù)據(jù)外，基于遙感的作物識(shí)別主要考慮兩個(gè)要素：區(qū)分特征和分類算法。總結(jié)國(guó)內(nèi)外的遙感作物分類研究可知，從遙感數(shù)據(jù)中常被選為區(qū)分特征的有：光譜及其衍生指數(shù)信息、紋理信息、時(shí)間序列的閾值和變化信息。而分類算法的選擇則與計(jì)算機(jī)領(lǐng)域的發(fā)展密切相關(guān)。

在區(qū)分特征中，光譜及其衍生指數(shù)的信息相對(duì)容易獲得也是最常用的。陳思寧等[35]基于MODIS數(shù)據(jù)利用波譜分析方法對(duì)東北三省作物類型的空間分布進(jìn)行了研究。鄭利娟[54]針對(duì)GF-1 PMS數(shù)據(jù)，對(duì)融合后的2 m數(shù)據(jù)采用多特征的面向?qū)ο蠓诸惙椒ㄟM(jìn)行作物類型區(qū)分，取得了較好的分類效果。FORKUOR等[55]利用RapidEye和TerraSAR-X數(shù)據(jù)融合后的光譜信息進(jìn)行農(nóng)作物分類。UPADHYAY等[56]對(duì)DigitalGlobe的WorldView-2多光譜數(shù)據(jù)集中的新增附加波段進(jìn)行評(píng)估，發(fā)現(xiàn)WorldView-2中原有的第5、7波段和新增的第4、6、8波段對(duì)于作物識(shí)別非常重要。用紋理信息作為區(qū)分特征進(jìn)行作物分類研究，通常在高分辨率(米級(jí)或亞米級(jí)以下)的影像數(shù)據(jù)上能獲得較好的分類效果[57]，但是在一個(gè)作物生育期內(nèi)，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(duì)制種玉米種植特點(diǎn)，在新疆維吾爾自治區(qū)奇臺(tái)縣坎爾孜鄉(xiāng)，通過(guò)利用多時(shí)相1 m分辨率GF-2 PAN遙感影像的EVI 數(shù)據(jù)結(jié)合Sobel邊緣檢測(cè)算子和Hough 變換方法進(jìn)行紋理特征提取，實(shí)現(xiàn)了制種玉米地的識(shí)別。CHUANG等[59]在臺(tái)灣地區(qū)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(gè)變量作為分類算法的輸入，實(shí)現(xiàn)了亞熱帶地區(qū)的茶樹(shù)識(shí)別。隨著國(guó)內(nèi)外對(duì)地觀測(cè)技術(shù)的發(fā)展，具有高時(shí)空分辨率(時(shí)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(wèi)星數(shù)據(jù)越來(lái)越多，能反映作物在一個(gè)生育期內(nèi)生長(zhǎng)變化的時(shí)間序列信息越來(lái)越受到關(guān)注且被大量使用。黃健熙等[60]使用GF-1 WFV數(shù)據(jù)構(gòu)建多時(shí)相多植被指數(shù)特征，對(duì)黑龍江省黑河市嫩江縣進(jìn)行了主要農(nóng)作物面積提取。賀鵬等[61]使用多時(shí)相GF-1數(shù)據(jù)，對(duì)黑龍江農(nóng)墾趙光農(nóng)場(chǎng)開(kāi)展作物分類研究。TATSUMI等[62]利用Landsat 7影像的EVI時(shí)間序列特征進(jìn)行了遙感作物分類，發(fā)現(xiàn)EVI的總和、方差以及多樣性對(duì)作物分類精度有很大的影響。INGLADA等[63]在法國(guó)西南部，使用Sentinel-1和Landsat-8的融合時(shí)間序列特征，開(kāi)展了早期作物識(shí)別研究，發(fā)現(xiàn)融合SAR數(shù)據(jù)可以規(guī)避可見(jiàn)光影像受云的影響。而隨著小衛(wèi)星群對(duì)地觀測(cè)技術(shù)的進(jìn)一步發(fā)展，大范圍全覆蓋的高時(shí)空分辨率數(shù)據(jù)將越來(lái)越多，多種區(qū)分特征協(xié)同是一種趨勢(shì)，也將會(huì)進(jìn)一步促進(jìn)大范圍作物分類的研究與應(yīng)用。

遙感作物分類算法與數(shù)字影像處理、機(jī)器學(xué)習(xí)等領(lǐng)域的發(fā)展密切相關(guān)。機(jī)器學(xué)習(xí)屬于人工智能的范疇，從20世紀(jì)50年代到現(xiàn)在，人工智能的發(fā)展經(jīng)歷多個(gè)階段，形成了不同的學(xué)派[64],而遙感分類算法往往傾向使用在某個(gè)時(shí)段處于主流的算法?；谶b感開(kāi)展作物分類研究從2000年以來(lái)逐漸增多，在這期間使用較多的分類算法有決策樹(shù)[65-67]、貝葉斯[68]、神經(jīng)網(wǎng)絡(luò)[69-71]、支持向量機(jī)[71-74]和隨機(jī)森林[62]。自2010年以來(lái)，深度學(xué)習(xí)在人工智能領(lǐng)域迅猛發(fā)展，將深度學(xué)習(xí)用于遙感作物分類的研究也迅速增加，在多數(shù)場(chǎng)景下能夠比經(jīng)典算法獲得更優(yōu)的分類效果[75-76]。

然而，在大尺度的場(chǎng)景下，因?yàn)檫b感衛(wèi)星的軌道參數(shù)、云遮擋等因素而導(dǎo)致的遙感影像數(shù)據(jù)覆蓋狀態(tài)在時(shí)空維度上存在不平衡、不規(guī)則的問(wèn)題；加之不同地區(qū)物候、農(nóng)事活動(dòng)的差異而導(dǎo)致作物生育期和生長(zhǎng)狀態(tài)的不同，從而有可能擴(kuò)大類內(nèi)差異，縮小類間差異，進(jìn)而增大遙感作物分類識(shí)別的難度[46,77-78]。當(dāng)前遙感作物識(shí)別中常用的區(qū)分特征、分類方法并不能很好地解決上述問(wèn)題，對(duì)此，PETITJEAN等[77]引入語(yǔ)音識(shí)別領(lǐng)域的DTW(Dynamic time warping)算法，能夠有效克服大范圍下遙感影像時(shí)間序列不規(guī)則的問(wèn)題。YOU等[79]和WANG等[80]從遙感時(shí)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(jīng)網(wǎng)絡(luò)的輸入進(jìn)行產(chǎn)量估算研究，這些研究從遙感數(shù)據(jù)中獲取的頻譜直方圖有別于前述的3種區(qū)分特征，而且這種直方圖特征很適合當(dāng)前在計(jì)算機(jī)視覺(jué)領(lǐng)域取得突破性進(jìn)展的深度卷積神經(jīng)網(wǎng)絡(luò)，為從遙感數(shù)據(jù)中獲取區(qū)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(kāi)展可靠精度的遙感作物識(shí)別與制圖面臨著因遙感數(shù)據(jù)覆蓋的不平衡、不規(guī)則和因物候、農(nóng)事差異帶來(lái)的生育期、生長(zhǎng)狀態(tài)不同導(dǎo)致作物分類識(shí)別難度增大的問(wèn)題，需要進(jìn)一步發(fā)展新的區(qū)分特征和更加魯棒的分類方法。

2.3 科學(xué)、高效的樣本獲取與充分利用

上述分類算法都是采用監(jiān)督分類策略，必須有地面樣本數(shù)據(jù)輔助訓(xùn)練和驗(yàn)證。當(dāng)前的研究中，地面樣本數(shù)據(jù)主要有兩種獲取途徑：從高分辨率影像中目視解譯和開(kāi)展地面調(diào)查。而從影像中解譯地表覆蓋相對(duì)容易，但是解譯作物類型卻很困難，在這種情況下地面調(diào)查往往必不可少。所以，當(dāng)面向大范圍實(shí)施作物分類，大量的地面輔助樣本數(shù)據(jù)的獲取必將帶來(lái)大量的人力、物力、財(cái)力消耗。因此如何科學(xué)且高效地?cái)U(kuò)大地面樣本量，成為目前大范圍遙感分類研究與應(yīng)用中亟待解決的問(wèn)題。該領(lǐng)域的研究團(tuán)隊(duì)主要從優(yōu)化樣本采集、提高樣本獲取自動(dòng)化水平和充分利用歷史積累數(shù)據(jù)方面解決遙感作物分類的地面樣本需求。

樣本數(shù)量、樣點(diǎn)位置選擇的好壞不僅關(guān)系到資源的有效利用，而且對(duì)后續(xù)研究結(jié)果產(chǎn)生重大影響[81]。針對(duì)這一問(wèn)題，國(guó)內(nèi)外均進(jìn)行了科學(xué)采集樣本的研究與應(yīng)用，美國(guó)大面積農(nóng)作物估產(chǎn)計(jì)劃(LACIE)、農(nóng)業(yè)和資源空間遙感調(diào)查計(jì)劃(AgRISTARS)，以及歐盟的農(nóng)業(yè)遙感監(jiān)測(cè)計(jì)劃(MARS，CROP4CAST)，均建立了相應(yīng)的空間抽樣方案[82]。吳炳方等[83]提出了基于農(nóng)作物種植結(jié)構(gòu)區(qū)劃，采用整群抽樣和樣條采樣技術(shù)相結(jié)合的解決思路科學(xué)采集樣本，進(jìn)行農(nóng)作物播種面積的估算。張煥雪等[84]開(kāi)展了抽樣率、格網(wǎng)大小、樣本空間分布對(duì)湖南省晚稻面積估算精度的敏感性定量分析，為農(nóng)作物種植面積監(jiān)測(cè)空間抽樣方案的選取以及確定特定的抽樣方案可以達(dá)到的面積估算水平提供了理論支撐。王迪等[85]對(duì)現(xiàn)行農(nóng)作物播種面積空間抽樣技術(shù)體系的研究發(fā)現(xiàn)，在進(jìn)行抽樣時(shí)以分縣冬小麥播種面積大小為分層標(biāo)志的分層抽樣方法效率最高?？茖W(xué)采集樣本不僅包括通過(guò)抽樣技術(shù)獲得科學(xué)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(nóng)場(chǎng)為研究區(qū)，基于少量已有地面調(diào)查數(shù)據(jù)，快速獲取2 016個(gè)玉米樣本、1 512個(gè)大豆樣本、504個(gè)小麥樣本，利用環(huán)境星CCD數(shù)據(jù)的NDVI時(shí)間序列在對(duì)象尺度上進(jìn)行決策樹(shù)訓(xùn)練，獲得了較滿意的分類精度。楊閆君等[87]利用GF-1數(shù)據(jù)構(gòu)建的NDVI時(shí)間序列，將1 050個(gè)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(duì)河北省唐山市南部區(qū)域進(jìn)行了分類研究，結(jié)果顯示，支持向量機(jī)的分類效果最好，總體精度達(dá)到96.33%。

GONG等[88]在進(jìn)行全球土地覆蓋監(jiān)測(cè)研究中，利用Global Analyst、Global Mapper的擴(kuò)展功能以及Google Earth開(kāi)發(fā)了土地覆蓋的樣本數(shù)據(jù)庫(kù)系統(tǒng)，研究人員在該系統(tǒng)上通過(guò)參考2010年MODIS EVI時(shí)間序列信息和Google Earth的高分辨率影像，以人機(jī)交互的方式高效獲取大量的樣本數(shù)據(jù)。此后，在該樣本數(shù)據(jù)庫(kù)系統(tǒng)的基礎(chǔ)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(jié)物候信息的動(dòng)態(tài)普適樣本訓(xùn)練數(shù)據(jù)庫(kù)，這些樣本可用于多種數(shù)據(jù)制圖且分類精度較高[89]。

在現(xiàn)有作物分類研究中，當(dāng)季樣本數(shù)據(jù)往往僅用于當(dāng)季作物分類，很少用于下一季甚至后幾季，使得每個(gè)生育期的作物分類都需要重新開(kāi)展地面樣本數(shù)據(jù)采集，這也是造成采樣成本高的主要原因之一。部分學(xué)者在作物種植結(jié)構(gòu)相對(duì)穩(wěn)定的區(qū)域，探索使用歷史樣本用于當(dāng)季作物分類的方法?；跉v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(jìn)行分類。如MASSEY等[90]將美國(guó)劃分為12個(gè)生態(tài)區(qū)，使用MODIS的NDVI數(shù)據(jù)，基于歷史樣本得到不同作物不同時(shí)相的光譜區(qū)間，進(jìn)而應(yīng)用于當(dāng)季作物的分類，分類精度與使用當(dāng)年樣本進(jìn)行分類時(shí)相當(dāng)。HAO等[91]以新疆博樂(lè)和瑪納斯為實(shí)驗(yàn)區(qū)，使用ABNet方法充分利用歷史地面參考數(shù)據(jù)建立主要作物的NDVI時(shí)間序列參考曲線，開(kāi)展當(dāng)年作物分類，與利用當(dāng)年樣本分類相比，博樂(lè)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(guò)歷史樣本數(shù)據(jù)創(chuàng)造當(dāng)季作物的“訓(xùn)練樣本”，基于此樣本對(duì)當(dāng)年進(jìn)行分類而不實(shí)地采集樣本。如MUHAMMAD等[92]基于MODIS EVI時(shí)間序列數(shù)據(jù)和2008—2013年的地面參考數(shù)據(jù)，使用ABNet分類器和其它年份的地面樣本對(duì)美國(guó)堪薩斯州各年主要作物冬小麥、玉米、大豆、高粱和苜蓿進(jìn)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(shí)影像時(shí)間維的不規(guī)則以及樣本時(shí)序性的缺失問(wèn)題，使用歷史樣本進(jìn)行聚類分析再應(yīng)用于次年的分類中，次年可以不重新采集樣本數(shù)據(jù)。HAO等[93]利用美國(guó)堪薩斯州的歷史分類結(jié)果CDL數(shù)據(jù)提取假設(shè)樣本，并利用ABNet方法基于準(zhǔn)確性篩選假設(shè)樣本，得到“訓(xùn)練樣本”對(duì)當(dāng)季作物進(jìn)行分類，獲得了較好的分類精度。

綜上所述，在大范圍開(kāi)展可靠精度的遙感作物識(shí)別與制圖面臨著海量地面樣本需求帶來(lái)的大量勞力、時(shí)間和財(cái)力消耗的問(wèn)題。目前已經(jīng)有學(xué)者從樣本獲取的科學(xué)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(wèn)題，但是對(duì)于任一給定區(qū)域，特別是大范圍區(qū)域，對(duì)于至少需要多少樣本量，不同作物樣點(diǎn)在時(shí)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(cè)算方法和明確結(jié)論。如何充分利用歷史積累的樣本數(shù)據(jù)，國(guó)內(nèi)外也有學(xué)者開(kāi)始研究，但是對(duì)于如何使用歷史積累數(shù)據(jù)才能保證遙感作物識(shí)別與制圖產(chǎn)品的準(zhǔn)確性與可用性尚未形成共識(shí)，需要進(jìn)一步拓展研究。

3 作物識(shí)別模式由確認(rèn)監(jiān)測(cè)型向提前預(yù)判型和特定作物探測(cè)型轉(zhuǎn)變

目前，遙感作物識(shí)別與制圖模式還處于確認(rèn)監(jiān)測(cè)階段，即在已知的作物種植區(qū)，獲取作物一個(gè)生育期內(nèi)的遙感數(shù)據(jù)和實(shí)地樣本數(shù)據(jù)，經(jīng)過(guò)訓(xùn)練、識(shí)別和驗(yàn)證得到種植區(qū)生育期內(nèi)的農(nóng)作物種植的空間分布。但是這種確認(rèn)型監(jiān)測(cè)，大都需要使用整個(gè)生育期的遙感數(shù)據(jù)，在生育期即將結(jié)束或已經(jīng)結(jié)束后才能獲得目標(biāo)區(qū)域的作物種植分布和面積，存在一定的滯后性。隨著智慧農(nóng)業(yè)發(fā)展的需要，針對(duì)主要糧食和經(jīng)濟(jì)作物，在一個(gè)生育期內(nèi)，越早獲得作物的空間分布信息對(duì)農(nóng)業(yè)的經(jīng)營(yíng)管理、作物估產(chǎn)、災(zāi)害預(yù)警方面的指導(dǎo)決策越有利[94-95]，也更具現(xiàn)實(shí)意義[96]；針對(duì)特定的作物，在不確定種植與否或精準(zhǔn)的空間位置的情況下，能通過(guò)遙感作物識(shí)別的方式探測(cè)和確定精準(zhǔn)種植位置與面積，對(duì)于國(guó)家農(nóng)業(yè)補(bǔ)貼、農(nóng)業(yè)保險(xiǎn)，相關(guān)部門的監(jiān)管、執(zhí)法和維護(hù)市場(chǎng)秩序穩(wěn)定等都具有重要意義。

對(duì)于遙感作物識(shí)別與制圖的模式轉(zhuǎn)變，國(guó)內(nèi)外已有學(xué)者關(guān)注到，并開(kāi)展了初步研究。針對(duì)提前預(yù)判識(shí)別，目前主要有兩種思路，一是根據(jù)不同作物在物候上的差異，從先驗(yàn)知識(shí)和遙感數(shù)據(jù)中尋找早期識(shí)別的作物特征，從而能在生長(zhǎng)發(fā)育早期的遙感數(shù)據(jù)中使用該特征達(dá)到早期預(yù)判識(shí)別的目的。DONG等[97]基于水稻在移栽期獨(dú)特的光譜特征，提出使用時(shí)間序列Landsat圖像和基于物候的水稻自動(dòng)提取算法。另一種是在某個(gè)目標(biāo)區(qū)域，使用歷史積累的樣本數(shù)據(jù)構(gòu)建參考庫(kù)或訓(xùn)練分類模型，在當(dāng)季作物生育期的早期遙感數(shù)據(jù)中應(yīng)用參考庫(kù)或分類模型，從而實(shí)現(xiàn)早期預(yù)判識(shí)別。HAO等[91]在中國(guó)新疆博樂(lè)縣和瑪納斯縣，使用2006—2010年的地面參考數(shù)據(jù)和MODIS的NDVI數(shù)據(jù)，構(gòu)建參考NDVI時(shí)間序列，對(duì)2011年Landsat-5和環(huán)境衛(wèi)星融合的30m影像和構(gòu)建的參考NDVI時(shí)間序列進(jìn)行系列轉(zhuǎn)換，最終用于作物識(shí)別，在沒(méi)用2011年樣本的情況下整體精度達(dá)85%左右。在此基礎(chǔ)上，郝鵬宇等[95]在美國(guó)堪薩斯州，基于2006—2013年的MODIS EVI時(shí)間序列數(shù)據(jù)和crop data layer數(shù)據(jù)獲得2014年的“潛在”訓(xùn)練樣本，使用這些樣本和2014年的Landat 30m NDVI數(shù)據(jù)進(jìn)行了作物識(shí)別，總體分類精度為94.02%，并探討了使用短時(shí)間序列數(shù)據(jù)提前獲得作物識(shí)別結(jié)果的可行性。MUHAMMAD等[92，98]根據(jù)往年的樣本和遙感數(shù)據(jù)，在中國(guó)新疆和美國(guó)堪薩斯州進(jìn)行作物分類實(shí)驗(yàn)，總體精度80%。

針對(duì)特定作物的探測(cè)識(shí)別，目前的研究還不多，與這種需求比較專業(yè)和小眾有關(guān)。例如，針對(duì)罌粟的識(shí)別，陸永帥等[99]利用機(jī)載多光譜數(shù)據(jù)，提出基于深度置信網(wǎng)絡(luò)模型罌粟識(shí)別算法，建立面向罌粟識(shí)別的模型，提前識(shí)別罌粟的種植分布，可節(jié)省人工地面識(shí)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(duì)部分企業(yè)和商販在我國(guó)西北玉米核心制種區(qū)私自繁制種子，導(dǎo)致種子供應(yīng)嚴(yán)重過(guò)剩、非法種子流通猖獗等監(jiān)管難題，劉哲等[58，100-102]從2015年開(kāi)始，利用高時(shí)空分辨率的GF-1、Landsat等衛(wèi)星遙感數(shù)據(jù)，在新疆和甘肅玉米制種地區(qū)，探索準(zhǔn)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(shí)別精度在90%以上，為確保農(nóng)業(yè)供種安全、增強(qiáng)市場(chǎng)監(jiān)管能力和促進(jìn)種業(yè)健康發(fā)展提供了新的思路和方法。

4 總結(jié)與展望

在智慧農(nóng)業(yè)信息流中充當(dāng)基礎(chǔ)支撐數(shù)據(jù)的作物分布數(shù)據(jù)顯得越來(lái)越重要，同時(shí)也對(duì)作物分布數(shù)據(jù)的時(shí)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(lái)，對(duì)地觀測(cè)系統(tǒng)，云計(jì)算、物聯(lián)網(wǎng)和人工智能等數(shù)字技術(shù)的蓬勃發(fā)展，為遙感作物識(shí)別與制圖提供了豐富的數(shù)據(jù)和強(qiáng)大的存儲(chǔ)、計(jì)算能力，在全球范圍內(nèi)極大地促進(jìn)了遙感作物識(shí)別與制圖研究和應(yīng)用。但是，隨著實(shí)際應(yīng)用中對(duì)作物分布數(shù)據(jù)提出的更高要求以及越來(lái)越豐富的遙感數(shù)據(jù)，遙感作物識(shí)別與制圖也面臨著新的問(wèn)題。本文最后從加強(qiáng)科學(xué)研究與加快應(yīng)用落地的角度展開(kāi)展望。

4.1 加強(qiáng)多學(xué)科交叉和對(duì)作物種植環(huán)境的理解

多學(xué)科、多技術(shù)以及多應(yīng)用領(lǐng)域交叉，是遙感天然的屬性，遙感作物識(shí)別與制圖是遙感在農(nóng)業(yè)領(lǐng)域發(fā)揮作用的具體體現(xiàn)之一。針對(duì)作物類型分布產(chǎn)品的新需求、更加豐富的數(shù)據(jù)等現(xiàn)狀與趨勢(shì)，需要新的區(qū)分特征、更魯棒的分類算法以及更深刻的農(nóng)業(yè)種植場(chǎng)景的理解。研究者可以增加對(duì)作物生物結(jié)構(gòu)、生物活動(dòng)及其相應(yīng)的物理電磁過(guò)程的理解，由此尋找新區(qū)分特征的靈感，熒光遙感就是一個(gè)很好的例子；盡管目前遙感作物分類的研究已經(jīng)得到計(jì)算科學(xué)的很多支持，特別是圖像識(shí)別領(lǐng)域，但是還應(yīng)該把交叉的視野放到更寬的計(jì)算機(jī)應(yīng)用領(lǐng)域，如PETITJEAN等[77]從語(yǔ)音識(shí)別領(lǐng)域引入DTW算法解決遙感時(shí)間序列不規(guī)則的問(wèn)題；而深入了解農(nóng)業(yè)種植場(chǎng)景有利于制定高效、針對(duì)性強(qiáng)的作物識(shí)別方案，如劉哲等[58, 100-102]深入考察我國(guó)制種玉米的農(nóng)事過(guò)程，根據(jù)純合玉米植株相對(duì)雜交植株矮小、瘦弱以及生產(chǎn)過(guò)程母本去雄和除父本行的現(xiàn)象，找到結(jié)合光譜特征與紋理特征的制種玉米地的識(shí)別方案。

4.2 發(fā)展天空地一體多源協(xié)同的數(shù)據(jù)研究與應(yīng)用體系

太空、天空、近地及地面的遙感數(shù)據(jù)平臺(tái)產(chǎn)生了豐富的數(shù)據(jù)資源，而且不同平臺(tái)、不同波段的遙感傳感器都有各自的優(yōu)勢(shì)與劣勢(shì)；與此同時(shí)，互聯(lián)網(wǎng)、物聯(lián)網(wǎng)以及農(nóng)業(yè)領(lǐng)域多年的數(shù)字化發(fā)展，也積累了不少農(nóng)業(yè)氣象、種植生產(chǎn)、土地利用等方面的數(shù)據(jù)。這些不同來(lái)源且依舊不斷增加的天空地?cái)?shù)據(jù)，既為行業(yè)應(yīng)用提供了豐富的數(shù)據(jù)基礎(chǔ)，也促進(jìn)了多源協(xié)同的技術(shù)需求。在遙感作物識(shí)別與制圖的研究與應(yīng)用中，研究者可以融合地面輔助數(shù)據(jù)與先驗(yàn)知識(shí)，如地表覆蓋數(shù)據(jù)和生態(tài)區(qū)劃數(shù)據(jù)，對(duì)待分類識(shí)別的空間作一個(gè)場(chǎng)景區(qū)分，降低分類識(shí)別場(chǎng)景的復(fù)雜性，在不同場(chǎng)景采用不同數(shù)據(jù)與分類算法組合。研究者也可以在區(qū)分特征上，采用不同電磁波段的遙感數(shù)據(jù)，如豐富的可見(jiàn)光遙感數(shù)據(jù)、不受云雨天氣影響的SAR數(shù)據(jù)，組合得到優(yōu)勢(shì)互補(bǔ)的區(qū)分特征集。研究者還可以根據(jù)不同分類算法的適應(yīng)性，選擇相對(duì)應(yīng)的數(shù)據(jù)和場(chǎng)景，用某些分類算法結(jié)果作為另一個(gè)算法輸入，通過(guò)這種算法層級(jí)的信息傳遞最終得到滿足需要的作物分布數(shù)據(jù)；如在小范圍、超高分辨率(米級(jí)或亞米級(jí)以下)的影像數(shù)據(jù)比較容易獲得，結(jié)合面向?qū)ο蟮牟呗酝ǔ？梢垣@得較優(yōu)的分類精度；不少研究表明，大多數(shù)情況下，深度學(xué)習(xí)算法在分類問(wèn)題上要比其它機(jī)器學(xué)習(xí)算法表現(xiàn)得更加優(yōu)異，但是它需要海量的訓(xùn)練樣本；因此，在大范圍上開(kāi)展高精度的作物識(shí)別制圖之前，可采用超高分辨的影像數(shù)據(jù)、面向?qū)ο蟛呗约由现С窒蛄繖C(jī)或者隨機(jī)森林等算法，得到高精度的作物識(shí)別結(jié)果，然后，使用該作物識(shí)別結(jié)果與高分辨率的影像數(shù)據(jù)(如GF-1、Sentinel-2)制作深度學(xué)習(xí)的訓(xùn)練數(shù)據(jù)集，在大范圍上用高分辨率影像加上深度學(xué)習(xí)算法，最終得到大范圍、高精度的作物識(shí)別與制圖產(chǎn)品。

4.3 探索樣本多元化、智能化的獲取與共享機(jī)制

當(dāng)前遙感作物識(shí)別研究和應(yīng)用中，能夠得到相對(duì)可靠且穩(wěn)定分類識(shí)別效果的分類算法都是監(jiān)督型的算法，即便是非監(jiān)督的算法，在驗(yàn)證階段依舊需要地面樣本數(shù)據(jù)支撐，所以地面樣本數(shù)據(jù)在遙感作物識(shí)別中仍是不可或缺的；另外，隨著對(duì)作物識(shí)別制圖產(chǎn)品需要更實(shí)時(shí)，覆蓋范圍更大，意味著地面樣本數(shù)據(jù)的需求量將會(huì)進(jìn)一步增加。在這種形勢(shì)下，依靠當(dāng)前常用的實(shí)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(zhǎng)的樣本需求。因此，結(jié)合當(dāng)下各領(lǐng)域的前沿進(jìn)展，發(fā)展多元化、智能化的地面樣本獲取與共享機(jī)制勢(shì)在必行?？梢詮囊韵?個(gè)方面加以探索：①增強(qiáng)與農(nóng)業(yè)相關(guān)的行業(yè)和單位合作。隨著農(nóng)業(yè)分工的愈發(fā)精細(xì)，在田間活動(dòng)的，除了第一線的種植戶，還有一些相關(guān)群體，如農(nóng)機(jī)類、植保類以及經(jīng)常到田間檢查、考察的部門、單位等。如果能設(shè)計(jì)一些互益、共贏的機(jī)制以及交互簡(jiǎn)單、智能的工具(如手機(jī)APP、微信小程序等，可采用語(yǔ)音交互)，將這些資源納入樣本獲取的渠道，可以產(chǎn)生海量的地面樣本數(shù)據(jù)。②增強(qiáng)與互聯(lián)網(wǎng)平臺(tái)合作。近些年互聯(lián)網(wǎng)飛速發(fā)展，除了很多普及程度高的大平臺(tái)外，也產(chǎn)生了許多小眾但是有特色的平臺(tái)。比如，專用于識(shí)別花草植被的平臺(tái)“形色”、“花伴侶”、“微軟識(shí)花”等。這些平臺(tái)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(tái)合作獲取與作物相關(guān)的信息。③利用眾包和公眾參與模式。眾包模式在一些創(chuàng)意設(shè)計(jì)行業(yè)已經(jīng)相當(dāng)成熟，在作物樣本采集方面，可以和一些導(dǎo)航平臺(tái)合作，以眾包的模式發(fā)布一些作物識(shí)別的任務(wù)。也可以搭建田間樣本共享平臺(tái)，吸引感興趣的公眾參與其中，如俄克拉荷馬大學(xué)的“Earth Observation and Modeling Facility”搭建的“Global Geo-Referenced Field Photo Library”。④增強(qiáng)人機(jī)協(xié)同的智能化樣本生產(chǎn)。以當(dāng)下的人工智能技術(shù)完全自動(dòng)化的樣本采集尚有難度，但是可以開(kāi)發(fā)人機(jī)交互的智能樣本生產(chǎn)系統(tǒng)來(lái)提高樣本獲取的數(shù)量和效率。如使用歷史樣本訓(xùn)練深度學(xué)習(xí)模型，用于當(dāng)年的定點(diǎn)識(shí)別，將識(shí)別的可能結(jié)果和一些指標(biāo)、區(qū)分特征可視化，相關(guān)人員則根據(jù)模式識(shí)別和一些區(qū)分特征做進(jìn)一步確認(rèn)。

4.4 增強(qiáng)數(shù)據(jù)與計(jì)算能力的受眾范圍和可獲得性

可以預(yù)見(jiàn)，未來(lái)可用于遙感作物識(shí)別與制圖的數(shù)據(jù)會(huì)越來(lái)越多，計(jì)算能力也會(huì)越來(lái)越強(qiáng)，但是數(shù)據(jù)和計(jì)算能力的可獲得性在學(xué)術(shù)界和工業(yè)界仍存在不對(duì)等。如一些國(guó)家資助的遙感數(shù)據(jù)源僅在某個(gè)范圍公開(kāi)，超出則需要系列復(fù)雜的申請(qǐng)，有的還需要收費(fèi)；計(jì)算能力的不對(duì)等也比較突出，一些研究經(jīng)費(fèi)不是很充足的團(tuán)隊(duì)很難獲得開(kāi)展研究所需的計(jì)算能力。相對(duì)而言，部分組織(如NASA、ESA)和跨國(guó)企業(yè)(如Google、Amazon)的數(shù)據(jù)和計(jì)算能力共享方式值得借鑒，對(duì)于全球的用戶，只要經(jīng)過(guò)簡(jiǎn)單的注冊(cè)，都能免費(fèi)獲取眾多的遙感數(shù)據(jù)資源；Google推出的Google Earth Engine更是向全球用戶提供免費(fèi)的數(shù)據(jù)和計(jì)算資源。隨著國(guó)內(nèi)遙感數(shù)據(jù)源越來(lái)越多，在國(guó)內(nèi)數(shù)據(jù)不上傳Google等國(guó)外公司平臺(tái)的情況下，急需國(guó)家相關(guān)部門單獨(dú)或與國(guó)內(nèi)大公司合作，推出類似GEE的平臺(tái)，以促進(jìn)遙感數(shù)據(jù)與計(jì)算能力“平民化”，推動(dòng)遙感研究應(yīng)用快速發(fā)展。

4.5 形成作物識(shí)別成果的共享規(guī)范和門戶通道

作物類型分布數(shù)據(jù)作為農(nóng)業(yè)和國(guó)土資源領(lǐng)域眾多應(yīng)用的基礎(chǔ)數(shù)據(jù)，具有廣闊的應(yīng)用空間。然而，當(dāng)前國(guó)內(nèi)尚未有公開(kāi)的作物類型分布數(shù)據(jù)產(chǎn)品，導(dǎo)致了眾多研究工作在開(kāi)展前首先需要進(jìn)行作物識(shí)別與制圖。因此，聯(lián)合國(guó)內(nèi)農(nóng)業(yè)遙感相關(guān)的知名大學(xué)、研究院所或者相關(guān)政府部門，生產(chǎn)和發(fā)布全國(guó)性的作物分布相關(guān)的數(shù)據(jù)產(chǎn)品十分必要。該數(shù)據(jù)的基礎(chǔ)性，意味著其潛在用戶有可能不熟悉遙感作物識(shí)別，因此需要形成作物識(shí)別相關(guān)產(chǎn)品的基本數(shù)據(jù)規(guī)范，同時(shí)搭建共享門戶通道，提升該系列數(shù)據(jù)產(chǎn)品的社會(huì)價(jià)值。