摘要：及時(shí)準(zhǔn)確掌握農(nóng)作物種植制度時(shí)空分布信息，對(duì)于確保國(guó)家糧食安全與農(nóng)業(yè)結(jié)構(gòu)合理具有重要意義。隨著時(shí)序遙感影像質(zhì)量的不斷提高，基于時(shí)序遙感數(shù)據(jù)的農(nóng)作物種植制度研究備受關(guān)注。本文從研究框架、遙感特征參數(shù)以及數(shù)據(jù)產(chǎn)品等角度，分析了基于時(shí)序遙感數(shù)據(jù)的農(nóng)作物種植制度最新研究進(jìn)展。研究發(fā)現(xiàn)：①前農(nóng)作物種植制度研究框架，主要包括耕地復(fù)種指數(shù)和農(nóng)作物制圖等相關(guān)內(nèi)容，其問(wèn)題在于需要高質(zhì)量耕地分布數(shù)據(jù)支撐以及易將熱帶亞熱帶濕潤(rùn)區(qū)撂荒地誤判為農(nóng)作物等;②于紅邊和短波紅外的新型多維度光譜指數(shù)，有助于更好地揭示農(nóng)作物生長(zhǎng)發(fā)育過(guò)程，大尺度農(nóng)作物時(shí)序遙感制圖取得了系列研究成果，但需要應(yīng)對(duì)不同作物光譜差異細(xì)微、同種作物在不同區(qū)域和年份存在明顯類內(nèi)異質(zhì)性的挑戰(zhàn);③尺度中高分辨率耕地復(fù)種指數(shù)產(chǎn)品不斷豐富，但其時(shí)效性和時(shí)空連續(xù)性有待加強(qiáng);④歐美少數(shù)國(guó)家外，目前農(nóng)作物分布數(shù)據(jù)產(chǎn)品覆蓋的作物類型有限，我國(guó)大尺度農(nóng)作物種植制度數(shù)據(jù)產(chǎn)品欠缺，特別是復(fù)雜多熟制農(nóng)業(yè)區(qū)。隨著多源遙感數(shù)據(jù)時(shí)空譜分辨率的不斷提高以及云計(jì)算平臺(tái)性能的不斷發(fā)展，我們對(duì)以下方面進(jìn)行了研究展望：①新研究框架，建立直接提取耕作區(qū)、農(nóng)作物種植模式的農(nóng)作物種植制度一體化遙感監(jiān)測(cè)技術(shù)框架;②一步加強(qiáng)新型多維度遙感指數(shù)及其物候特征指標(biāo)設(shè)計(jì)，拓展農(nóng)作物種植制度監(jiān)測(cè)的遙感特征參數(shù);③立作物種植制度變化遙感監(jiān)測(cè)技術(shù)，實(shí)現(xiàn)多年信息連續(xù)自動(dòng)提取。

　　關(guān)鍵詞：農(nóng)作物種植制度;時(shí)序遙感;復(fù)種指數(shù);農(nóng)作物物候;自動(dòng)制圖;耕地拋荒;光譜指數(shù);時(shí)空連續(xù)

　　1引言

　　作物種植制度包括耕地復(fù)種指數(shù)(CroppingIndex,CI)和種植結(jié)構(gòu)等相關(guān)內(nèi)容。作為作物種植制度的重要組成部分，耕地復(fù)種指數(shù)遙感監(jiān)測(cè)為農(nóng)作物制圖的基礎(chǔ)。復(fù)種，作為一種最直接有效提高產(chǎn)量的耕作方式，在全國(guó)特別是亞洲國(guó)家普遍采用[1]。我國(guó)為世界上耕地復(fù)種面積最大的國(guó)家，將近一半耕地實(shí)施復(fù)種，并且隨著氣候變暖我國(guó)耕地復(fù)種潛力明顯增加[2-3]。

　　適當(dāng)提高復(fù)種集約用地，有助于緩解人地矛盾同時(shí)穩(wěn)步提高糧食產(chǎn)量[2,4]。然而，長(zhǎng)期高強(qiáng)度集約化利用(Intensification)將導(dǎo)致過(guò)渡消耗耕地肥力，從而制約耕地資源的可持續(xù)利用。作為世界人口最多的發(fā)展中國(guó)家，我國(guó)政府高度重視糧食生產(chǎn)，先后出臺(tái)了系列強(qiáng)有力的農(nóng)業(yè)扶持政策，對(duì)于促進(jìn)糧食生產(chǎn)起到了基礎(chǔ)保障作用。然而，我國(guó)糧食生產(chǎn)的結(jié)構(gòu)性矛盾日益突出，表現(xiàn)為：三大糧食作物播種面積持續(xù)攀升，玉米供過(guò)于求并且?guī)齑娓咂螅�大豆的�?duì)外依存度持續(xù)攀升。

　　隨著我國(guó)經(jīng)濟(jì)快速發(fā)展和社會(huì)轉(zhuǎn)型，我國(guó)作物種植制度變化日益頻繁。大尺度中高分辨率現(xiàn)勢(shì)性強(qiáng)的農(nóng)作物種植制度時(shí)空分布信息，對(duì)于確保我國(guó)糧食安全并且持續(xù)推進(jìn)供給側(cè)結(jié)構(gòu)性改革至關(guān)重要[5-6]。遙感，為獲取大尺度農(nóng)作物種植制度時(shí)空分布變化信息的唯一可行方式。隨著遙感大數(shù)據(jù)時(shí)代的來(lái)臨，越來(lái)越多較高時(shí)空分辨率時(shí)序遙感數(shù)據(jù)全球免費(fèi)開(kāi)放獲取，為農(nóng)業(yè)遙感領(lǐng)域帶來(lái)了前所未有的機(jī)遇。

　　本文認(rèn)真梳理了基于時(shí)序遙感數(shù)據(jù)的農(nóng)作物種植制度研究進(jìn)展，旨在推進(jìn)在大尺度長(zhǎng)時(shí)序遙感數(shù)據(jù)支撐背景下的農(nóng)業(yè)遙感技術(shù)發(fā)展。在耕地復(fù)種指數(shù)和農(nóng)作物分布遙感監(jiān)測(cè)方面，此前已有不少學(xué)者分別從科學(xué)問(wèn)題、遙感監(jiān)測(cè)方法以及未來(lái)發(fā)展趨勢(shì)等方面，開(kāi)展了深入細(xì)致的研究綜述[7-12]。本文分別從耕地復(fù)種指數(shù)、農(nóng)作物種植結(jié)構(gòu)遙感監(jiān)測(cè)兩方面內(nèi)容，分析了基于時(shí)序遙感數(shù)據(jù)的農(nóng)作物種植制度最新研究進(jìn)展，闡述農(nóng)作物種植制度研究面臨的挑戰(zhàn)以及未來(lái)發(fā)展趨勢(shì)等。與以往相關(guān)綜述所不同的是，本文側(cè)重從農(nóng)作物種植制度研究框架、遙感特征參數(shù)以及相關(guān)數(shù)據(jù)產(chǎn)品等角度展開(kāi)綜述。

　　2耕地復(fù)種指數(shù)遙感監(jiān)測(cè)研究進(jìn)展

　　耕地復(fù)種指數(shù)遙感監(jiān)測(cè)研究框架與面臨的挑戰(zhàn)耕地復(fù)種指數(shù)遙感監(jiān)測(cè)研究，歷來(lái)備受關(guān)注[11]。本文主要側(cè)重對(duì)耕地復(fù)種指數(shù)遙感監(jiān)測(cè)研究框架研究進(jìn)展分析。在現(xiàn)有耕地復(fù)種指數(shù)遙感監(jiān)測(cè)研究框架中，通常包括以下3個(gè)步驟：①首先，評(píng)估選取研究區(qū)土地利用/覆蓋數(shù)據(jù)集，提取耕地空間分布圖層;②然后，在耕地區(qū)域內(nèi)，剔除耕地復(fù)種指數(shù)為零(CI=0)，即耕地休耕或撂荒區(qū)域，在此基礎(chǔ)上獲得耕作區(qū)域(CI≥1);③在耕作區(qū)域內(nèi)，基于平滑的遙感時(shí)序數(shù)據(jù)集，選取合適的耕地復(fù)種指數(shù)遙感監(jiān)測(cè)方法，進(jìn)行作物熟制判別(判別CI=1,2,3or4?)[13]。

　　最后，基于不同農(nóng)作物生長(zhǎng)期開(kāi)展農(nóng)作物制圖，獲得農(nóng)作物種植制度。基于目前農(nóng)作物種植制度常規(guī)研究框架中，在第一個(gè)步驟中，耕地空間分布數(shù)據(jù)質(zhì)量是關(guān)鍵[13]。在第二個(gè)研究步驟中，撂荒或休耕區(qū)域信息提取方法通常相對(duì)比較簡(jiǎn)單。例如，通常將植被指數(shù)峰值小于某個(gè)閾值(如EVI<0.35或者NDVI<0.5)區(qū)域，設(shè)定為撂荒地或非耕作區(qū)(UncroppedRegion)[14-15]。

　　然而，南方濕潤(rùn)區(qū)耕地撂荒后通常荒草叢生，其植被指數(shù)峰值和農(nóng)作物并無(wú)明顯差異，因此容易將熱帶亞熱帶濕潤(rùn)區(qū)耕地撂荒判別為單季農(nóng)作物從而導(dǎo)致過(guò)高估計(jì)耕地復(fù)種指數(shù)。并且，由于耕地拋荒后的影像特征復(fù)雜多樣，和撂荒前播種農(nóng)作物類型以及撂荒后植被覆蓋情況密切相關(guān)，因此基于常規(guī)遙感監(jiān)測(cè)方法難以實(shí)現(xiàn)耕地撂荒區(qū)域信息有效提取[16]。在第3個(gè)研究步驟中，耕地復(fù)種指數(shù)遙感監(jiān)測(cè)方法，主要包括曲線特征對(duì)比法、峰值法、線性混合模型法、生長(zhǎng)周期判別法、小波特征圖譜法等[7,17-18]。

　　上述耕地復(fù)種指數(shù)遙感監(jiān)測(cè)方法，在如何有效地獲取農(nóng)作物生長(zhǎng)周期方面，分別提出了各自的研究策略。有關(guān)耕地復(fù)種指數(shù)遙感監(jiān)測(cè)方法及其各自的優(yōu)缺點(diǎn)，已有不少深入全面的研究綜述[7-9]，本文不再贅述。目前耕地復(fù)種指數(shù)監(jiān)測(cè)所采用的遙感時(shí)序數(shù)據(jù)集，通常主要為NDVI、EVI等常規(guī)植被指數(shù)數(shù)據(jù)[14,17,19]。在耕地復(fù)種指數(shù)遙感所需的支撐數(shù)據(jù)集方面，面臨以下問(wèn)題與挑戰(zhàn)：

　　①需要高精度耕地分布數(shù)據(jù)圖層，但目前的土地利用/覆蓋產(chǎn)品通常難以滿足高時(shí)效精準(zhǔn)監(jiān)測(cè)的需求[12];②地面調(diào)查參考點(diǎn)位數(shù)據(jù)極其匱乏，尤其是休耕/撂荒地等相關(guān)信息，全世界除日本外其他國(guó)家尚未見(jiàn)有關(guān)耕地拋荒的官方數(shù)據(jù)報(bào)道;③需要高時(shí)間、高空間分辨率的時(shí)序遙感影像，需要擴(kuò)展耕地復(fù)種指數(shù)遙感監(jiān)測(cè)數(shù)據(jù)基礎(chǔ)，不僅僅限于常規(guī)植被指數(shù)時(shí)序數(shù)據(jù)[1]。

　　在普遍實(shí)施多熟制的熱帶亞熱帶濕潤(rùn)區(qū)(如東南亞、南美熱帶雨林區(qū)等)，光學(xué)影像通常容易受到云干擾，時(shí)序遙感數(shù)據(jù)可獲得性不理想，給基于植被指數(shù)時(shí)序特征的遙感監(jiān)測(cè)方法帶來(lái)嚴(yán)峻挑戰(zhàn)[17,20-21]。農(nóng)作物種植制度遙感監(jiān)測(cè)，需要“雙高”乃至“三高”(高時(shí)空譜)時(shí)序遙感影像數(shù)據(jù)，其原因在于：①高時(shí)間分辨率時(shí)序遙感影像，才能確保有效地獲取能區(qū)分不同熟制區(qū)域的季節(jié)性差異，實(shí)現(xiàn)耕作區(qū)信息提取;②世界上很多發(fā)展中國(guó)家(如中國(guó)以及很多非洲國(guó)家)，仍以小農(nóng)農(nóng)業(yè)為主，地塊破碎，耕地撂荒集中于山區(qū)，需要較高空間分辨率的時(shí)序遙感影像數(shù)據(jù)，才能有效地緩解混合像元問(wèn)題[11,22-23]。

　　2.2大尺度耕地復(fù)種指數(shù)數(shù)據(jù)產(chǎn)品研究進(jìn)展

　　在全球尺度上，澳大利亞學(xué)者利用2000年左右國(guó)家或次國(guó)家尺度26種不同農(nóng)作物種植區(qū)域、全球耕地分布以及作物收割面積，確定多熟制種植分布區(qū)域，首次獲得全球30弧分多熟制種植分布圖[24]。中科院空天院吳炳方研究團(tuán)隊(duì)，最新發(fā)布了全球30m分辨率的2016—2018年耕地復(fù)種指數(shù)均值分布數(shù)據(jù)產(chǎn)品(GCI30)[17]。

　　這些全球尺度的耕地復(fù)種指數(shù)數(shù)據(jù)產(chǎn)品，為支撐在可持續(xù)發(fā)展框架下實(shí)施糧食安全戰(zhàn)略具有重要意義。然而，由于全球不同農(nóng)業(yè)系統(tǒng)的復(fù)雜性以及植被指數(shù)時(shí)序數(shù)據(jù)可獲得性差異(如熱帶亞熱帶濕潤(rùn)區(qū)多云多雨，光學(xué)影像時(shí)序數(shù)據(jù)收到嚴(yán)重干擾)，全球耕地復(fù)種指數(shù)數(shù)據(jù)產(chǎn)品精度存在很大的不確定性[17]。雖然耕地復(fù)種指數(shù)在糧食生產(chǎn)中的重要性得到高度關(guān)注，但大尺度長(zhǎng)時(shí)序耕地復(fù)種指數(shù)數(shù)據(jù)產(chǎn)品依然相對(duì)匱乏[25]。在洲際和國(guó)家尺度上，耕地復(fù)種指數(shù)相關(guān)研究由來(lái)已久，積累了較為豐富的研究成果與數(shù)據(jù)產(chǎn)品[4]。

　　然而，目前相關(guān)數(shù)據(jù)集，主要分布在亞洲和中國(guó)，集中在個(gè)別或少數(shù)年份，跨年代逐年時(shí)空連續(xù)數(shù)據(jù)產(chǎn)品相對(duì)匱乏[1,25]。雖然近年來(lái)逐漸涌現(xiàn)出國(guó)家尺度長(zhǎng)時(shí)序耕地復(fù)種指數(shù)時(shí)空分布數(shù)據(jù)成果，但多為截至2018年以前、低分辨率(如500m)的數(shù)據(jù)產(chǎn)品。隨著“三高”時(shí)序遙感影像數(shù)據(jù)的不斷豐富以及GoogleEarthEngine(GEE)等云計(jì)算服務(wù)能力的加強(qiáng)，大尺度高精度高時(shí)效耕地復(fù)種指數(shù)數(shù)據(jù)產(chǎn)品必將逐步涌現(xiàn)。

　　3農(nóng)作物種植結(jié)構(gòu)遙感監(jiān)測(cè)研究進(jìn)展

　　3.1農(nóng)作物時(shí)序遙感特征參數(shù)研究進(jìn)展

　　分析獲取有效的遙感特征參數(shù)，是地表覆蓋遙感制圖的關(guān)鍵要素[29]。基于多波段信息的光譜指數(shù)，如植被指數(shù)，為植被生長(zhǎng)狀態(tài)監(jiān)測(cè)提供有用信息，有助于提高遙感分類精度[30]。然而，基于可見(jiàn)光和近紅外波段的常規(guī)植被指數(shù)，很難剝離不同農(nóng)作物、不同物候期的光譜差異[31]。

　　因此，有必要充分有效利用短波紅外和紅邊波段等光譜信息，拓展農(nóng)作物時(shí)序遙感特征參數(shù)。紅邊波段(680~750nm)存在很強(qiáng)的葉綠素吸收和葉片反射[32]，與植被光合作用能力密切相關(guān)，能有效監(jiān)測(cè)植被結(jié)構(gòu)與功能屬性。最近研究表明，紅邊波段能用于揭示葉面積和營(yíng)養(yǎng)元素含量等變化信息[33]。短波紅外波段，對(duì)植被葉片含水量敏感，能有效地揭示植被葉片含水量變化[34]。例如，Sentinel-2MSI數(shù)據(jù)的第一和第三紅邊波段，分別與葉綠素含量和葉片結(jié)構(gòu)變化密切相關(guān)，用于監(jiān)測(cè)植被物候變化也非常有效[35]。相比紅邊和短波紅外反射率而言，在此基礎(chǔ)上構(gòu)建的多維度新型光譜指數(shù)，對(duì)于揭示不同農(nóng)作物生長(zhǎng)發(fā)育過(guò)程特性更為有效[36]。

　　例如，葉綠素[37-38]、類胡蘿卜素[39-40]、花青素[41]、氮營(yíng)養(yǎng)指數(shù)[42]、水體指數(shù)[43]、干物質(zhì)指數(shù)[44]、作物殘留物[45]等系列光譜指數(shù)。葉綠素、類胡蘿卜素和花青素3大植被色素，對(duì)植被生長(zhǎng)發(fā)育中發(fā)揮重要作用[46]。葉綠素，是植被光合作用能力和生長(zhǎng)發(fā)育階段的指示器[37]。類胡蘿卜素，作為植被葉綠體第二大色素，具有吸收傳遞光能和光保護(hù)功能[39]。花青素，作為第三類重要的植被色素，植被呈色物質(zhì)大部分與之相關(guān)[41]。不同色素在農(nóng)作物不同生長(zhǎng)階段發(fā)揮重要作用，色素含量隨著農(nóng)作物生長(zhǎng)發(fā)育呈現(xiàn)規(guī)律性變化，最近研究表明植被色素變化能更好地估計(jì)植被光合物候[46]。

　　3.2基于物候的大尺度農(nóng)作物自動(dòng)制圖研究進(jìn)展及其所面臨的挑戰(zhàn)

　　農(nóng)作物種植結(jié)構(gòu)，可以基于不同農(nóng)作物分布圖或結(jié)合抽樣統(tǒng)計(jì)的方式獲取[54]。建立高效的農(nóng)作物遙感監(jiān)測(cè)方法，獲得小試驗(yàn)區(qū)或者整個(gè)研究區(qū)農(nóng)作物分布數(shù)據(jù)的質(zhì)量，是開(kāi)展農(nóng)作物種植結(jié)構(gòu)研究的關(guān)鍵。目前大部分農(nóng)作物時(shí)序遙感制圖方法，需要依賴每種農(nóng)作物實(shí)地調(diào)研訓(xùn)練數(shù)據(jù)。收集地面調(diào)查數(shù)據(jù)成本高耗時(shí)長(zhǎng)，難以實(shí)現(xiàn)大尺度自動(dòng)推廣應(yīng)用[55]。隨著機(jī)器學(xué)習(xí)算法的迅速發(fā)展，在遙感分類領(lǐng)域中發(fā)揮越來(lái)越重要作用[56]。

　　深度學(xué)習(xí)技術(shù)，具有自適應(yīng)提取高維特征的優(yōu)勢(shì)。深度學(xué)習(xí)技術(shù)在遙感領(lǐng)域的應(yīng)用，已有不少深入全面的研究綜述[57-58]，本文不再詳細(xì)闡述。隨著大數(shù)據(jù)時(shí)代的來(lái)臨，基于深度學(xué)習(xí)技術(shù)的農(nóng)作物遙感制圖方法，已經(jīng)成為農(nóng)業(yè)遙感領(lǐng)域極具應(yīng)用前景的熱點(diǎn)研究方向。然而，包括深度學(xué)習(xí)在內(nèi)的基于訓(xùn)練數(shù)據(jù)驅(qū)動(dòng)的算法，不足之處在于大尺度推廣應(yīng)用時(shí)通常需要增加新的訓(xùn)練樣本數(shù)據(jù)，否則可能導(dǎo)致由于不同區(qū)域或年份農(nóng)作物時(shí)序信號(hào)存在差異而難以正確判別[59]。

　　3.3大尺度農(nóng)作物時(shí)空分布數(shù)據(jù)產(chǎn)品研究進(jìn)展

　　全球尺度農(nóng)作物分布數(shù)據(jù)產(chǎn)品，多通過(guò)遙感與統(tǒng)計(jì)數(shù)據(jù)相結(jié)合，提供了基于10km網(wǎng)格內(nèi)主要農(nóng)作物占耕地的百分比數(shù)據(jù)[73]。這些全球農(nóng)作物空間分布產(chǎn)品，多為基于農(nóng)作物統(tǒng)計(jì)信息的空間化表達(dá)，統(tǒng)計(jì)數(shù)據(jù)時(shí)效性不足，難以滿足行業(yè)應(yīng)用需求。

　　美國(guó)地質(zhì)勘探局資助的GFSAD30項(xiàng)目利用多傳感器遙感數(shù)據(jù)，提供全球尺度農(nóng)田動(dòng)態(tài)信息，農(nóng)作物類型識(shí)別精度能達(dá)到1km。在國(guó)家尺度上，美國(guó)農(nóng)業(yè)部生產(chǎn)覆蓋全美30m農(nóng)田數(shù)據(jù)集(CroplandDataLayer(CDL)product)[74](表2)。加拿大利用監(jiān)督分類方法獲取國(guó)家尺度年度作物類型分布信息[75-76]。但是，國(guó)家尺度中等分辨率(30m)業(yè)務(wù)化運(yùn)行的農(nóng)作物分布數(shù)據(jù)產(chǎn)品，目前僅局限于美國(guó)、加拿大等少數(shù)歐美國(guó)家[76]。

　　4研究展望

　　4.1創(chuàng)新農(nóng)作物種植制度研究框架

　　耕地復(fù)種指數(shù)和作物類型信息獲取，為土地變化科學(xué)領(lǐng)域最具挑戰(zhàn)性的任務(wù)[67]。如何有效識(shí)別撂荒地，依然屬于復(fù)種指數(shù)遙感監(jiān)測(cè)的盲區(qū)[12]。截止目前為止，全球農(nóng)作物空間分布產(chǎn)品分辨率和空間精度相對(duì)較低，難以滿足行業(yè)應(yīng)用需求。實(shí)現(xiàn)中高分辨率農(nóng)作物種植制度遙感監(jiān)測(cè)的業(yè)務(wù)化運(yùn)行，依然任重道遠(yuǎn)。因此，有必要?jiǎng)?chuàng)新農(nóng)作物種植制度研究框架。

　　(1)創(chuàng)建不依賴現(xiàn)有耕地分布數(shù)據(jù)、直接提取耕作區(qū)域的遙感監(jiān)測(cè)框架與方法。雖然全國(guó)乃至全球土地利用/覆蓋數(shù)據(jù)產(chǎn)品越來(lái)越豐富，但通常并未提供實(shí)際耕作區(qū)或休耕地分布信息[81]。休耕或撂荒耕地，在土地利用變化科學(xué)領(lǐng)域通常屬于被遺忘的角落。基于目前耕地復(fù)種指數(shù)遙感監(jiān)測(cè)方法框架，撂荒或休耕區(qū)域信息提取方法通常相對(duì)比較簡(jiǎn)單。由于城市化進(jìn)程等多種因素導(dǎo)致耕地時(shí)空格局持續(xù)變化，以及由于多種農(nóng)作物種植制度差異引起耕地光譜特征復(fù)雜多樣，耕地空間分布數(shù)據(jù)精度、時(shí)效性以及時(shí)空連續(xù)性依然有待提高[12,82]。擺脫對(duì)現(xiàn)有耕地分布數(shù)據(jù)的依賴，系統(tǒng)分析不同作物類型以及作物與非作物類型的時(shí)序光譜差異，建立直接提取國(guó)家尺度耕作區(qū)域的耕作區(qū)專題制圖方法。

　　(2)建立涵蓋不同熟制和農(nóng)作物種植模式的新型農(nóng)作物種植制度一體化遙感監(jiān)測(cè)框架與技術(shù)方法。雖然在耕地復(fù)種指數(shù)和農(nóng)作物分布制圖方面分別均有不少研究進(jìn)展和相關(guān)數(shù)據(jù)產(chǎn)品，但全面考慮不同作物熟制和多種農(nóng)作物類型的相關(guān)研究與數(shù)據(jù)產(chǎn)品依然非常罕見(jiàn)。由于農(nóng)作物種植模式多樣性(比如：冬小麥-玉米、冬小麥-水稻、冬小麥-大豆、雙季稻、煙葉-水稻、稻稻菜等)、農(nóng)作物物候與農(nóng)作物長(zhǎng)勢(shì)差異等多方面因素，同一熟制下植被指數(shù)時(shí)序特征復(fù)雜多變[83]。

　　隨著人民生活水平的提高與飲食結(jié)構(gòu)的變化，農(nóng)作物產(chǎn)品種類不斷豐富多樣，對(duì)農(nóng)作物遙感監(jiān)測(cè)提出了新要求。在農(nóng)作物種植制度遙感監(jiān)測(cè)研究主題方面，從少數(shù)大宗農(nóng)作物到覆蓋更多農(nóng)作物種植模式的大尺度長(zhǎng)時(shí)序自動(dòng)制圖，依然是今后需要長(zhǎng)期努力的發(fā)展方向[84]。

　　未來(lái)可以嘗試拋棄目前常用的耕地掩膜-剔除撂荒區(qū)-熟制識(shí)別-農(nóng)作物制圖按步驟分別實(shí)施策略，建立農(nóng)作物種植制度一體化遙感監(jiān)測(cè)技術(shù)框架，實(shí)現(xiàn)涵蓋不同熟制與農(nóng)作物類型的農(nóng)作物種植制度一體化信息提取。加強(qiáng)新型多維度遙感指數(shù)及物候指標(biāo)設(shè)計(jì)，融合多源數(shù)據(jù)拓展時(shí)序遙感特征參數(shù)創(chuàng)新農(nóng)作物種植制度研究框架，實(shí)現(xiàn)農(nóng)作物種植制度一體化信息提取，關(guān)鍵在于拓展農(nóng)作物種植制度監(jiān)測(cè)的時(shí)序遙感特征參數(shù)。多源遙感數(shù)據(jù)融合，有助于形成更高維度的時(shí)空譜遙感大數(shù)據(jù)，提升特征提取與綜合應(yīng)用能力[12,85]。

　　參考文獻(xiàn)(References)：

　　[1]GrayJ,FriedlM,FrolkingS,etal.MappingAsiancroppingintensitywithMODIS[J].IEEEJournalofSelectedTopicsinAppliedEarthObservationsandRemoteSensing,2014,7(8):3373-3379.DOI:10.1109/JSTARS.2014.2344630

　　[2]WuW,YuQ,YouL,etal.Globalcroppingintensitygaps:Increasingfoodproductionwithoutcroplandexpansion[J].LandUsePolicy,2018,76:515-525.DOI:10.1016/j.landusepol.2018.02.032

　　[3]楊婷,趙文利,王哲怡,等.基于遙感影像NDVI數(shù)據(jù)的中國(guó)種植制度分布變化[J].中國(guó)農(nóng)業(yè)科學(xué),2015,48(10):1915-1925.[YangT,ZhaoWL,WangZY,etal.ChangesofcroppingsysteminChinabasedonremotelysensedNDVIdata[J].ScientiaAgriculturaSinica,2015,48(10):1915-1925.]DOI:10.3864/j.issn.0578-1752.2015.10.005

　　[4]閆慧敏,劉紀(jì)遠(yuǎn),曹明奎.近20年中國(guó)耕地復(fù)種指數(shù)的時(shí)空變化[J].地理學(xué)報(bào),2005,(4):559-566.[YanHM,LiuJY,CaoMK,etal.RemotelysensedmultiplecroppingindexvariationsinChinaduring1981-2000[J].ActaGeographicaSinica,2005,(4):559-566.]DOI:10.11821/xb200504004

　　作者：邱炳文*，閆超，黃穩(wěn)清