基于VOSviewer的農(nóng)作物遙感制圖研究的文獻(xiàn)特征與熱點(diǎn)演變分析*

張士博，查 燕，溫彩運(yùn)，史 云，宋 茜

（中國(guó)農(nóng)業(yè)科學(xué)院農(nóng)業(yè)資源與農(nóng)業(yè)區(qū)劃研究所/農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)遙感重點(diǎn)實(shí)驗(yàn)室，北京100081）

0 引言

農(nóng)作物空間分布信息是農(nóng)作物長(zhǎng)勢(shì)監(jiān)測(cè)、產(chǎn)量估測(cè)和災(zāi)害評(píng)估的基礎(chǔ)數(shù)據(jù)，也是農(nóng)作物種植結(jié)構(gòu)優(yōu)化調(diào)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(tài)組成的重要因素，農(nóng)作物的空間分布與氣候變化、自然資源的可持續(xù)管理、地貌景觀、生態(tài)安全等諸多問(wèn)

題有著千絲萬(wàn)縷的聯(lián)系［5-6］。當(dāng)前世界人口持續(xù)增長(zhǎng)、消費(fèi)結(jié)構(gòu)不斷升級(jí)、糧食需求日益增長(zhǎng)、資源環(huán)境承載能力趨緊，摸清農(nóng)作物種植的數(shù)量和分布對(duì)于國(guó)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(guó)際農(nóng)產(chǎn)品市場(chǎng)供給不確定性增加的背景下，及時(shí)、準(zhǔn)確地獲取農(nóng)作物空間分布信息為耕地“非糧化”“非農(nóng)化”防治可以提供有效數(shù)據(jù)支撐，對(duì)于落實(shí)與評(píng)價(jià)相應(yīng)的農(nóng)業(yè)政策的執(zhí)行情況、支持農(nóng)作物市場(chǎng)的相關(guān)決策至關(guān)重要［5］。傳統(tǒng)的統(tǒng)計(jì)方法獲取某一行政區(qū)域的農(nóng)作物種植信息，可以獲取描述作物分布變化的數(shù)量和速率等特征的詳細(xì)信息，但由于對(duì)統(tǒng)計(jì)數(shù)據(jù)的過(guò)度依賴，使得研究結(jié)果往往表現(xiàn)為時(shí)間上的滯后，并且缺乏農(nóng)作物空間分布信息［9-10］。遙感因其覆蓋范圍大、高效及時(shí)以及低成本等優(yōu)點(diǎn)，已經(jīng)廣泛應(yīng)用于農(nóng)作物空間分布信息提取研究中，為快速、準(zhǔn)確獲取大范圍的農(nóng)作物空間分布提供了全新的技術(shù)手段［11-12］。

自20世紀(jì)70年代“大面積作物清查試驗(yàn)”以來(lái)農(nóng)作物遙感監(jiān)測(cè)從單一農(nóng)作物制圖目標(biāo)發(fā)展到多種農(nóng)作物同步提取。20世紀(jì)80年代我國(guó)的遙感工作取得了快速發(fā)展，開(kāi)展了重點(diǎn)糧區(qū)主要農(nóng)作物種植結(jié)構(gòu)遙感制圖和估產(chǎn)工作［13］。進(jìn)入21世紀(jì)，隨著遙感衛(wèi)星和空間技術(shù)的發(fā)展，農(nóng)作物遙感制圖技術(shù)和產(chǎn)品對(duì)種植前的作物種植結(jié)構(gòu)宏觀調(diào)控與優(yōu)化、種植中的作物長(zhǎng)勢(shì)監(jiān)測(cè)、風(fēng)險(xiǎn)脅迫以及收獲時(shí)的成熟期預(yù)測(cè)、作物產(chǎn)量估計(jì)等各個(gè)農(nóng)業(yè)應(yīng)用場(chǎng)景提供基礎(chǔ)數(shù)據(jù)和依據(jù)。近年來(lái)新一代信息技術(shù)與農(nóng)業(yè)學(xué)科領(lǐng)域深度融合交叉，農(nóng)作物遙感制圖無(wú)論是在理論和技術(shù)方法還是在實(shí)踐方面都取得了長(zhǎng)足進(jìn)展［14-17］。

知識(shí)圖譜是顯示學(xué)科的發(fā)展進(jìn)程與結(jié)構(gòu)關(guān)系的一種圖形，具有“圖”和“譜”的雙重性質(zhì)與特征。近年來(lái)，作為科學(xué)計(jì)量學(xué)的新方法和新領(lǐng)域已勃然興起，知識(shí)圖譜在環(huán)境工程與科學(xué)、土壤學(xué)、生態(tài)學(xué)、食品安全、新能源利用等方面廣泛應(yīng)用［18］。目前，常用的科學(xué)知識(shí)圖譜的軟件多達(dá)十幾種，如Netdraw，Pajek，Gephi，CiteSpace，VOSviewer等［19］。秦長(zhǎng)江通過(guò)Pajek對(duì)中國(guó)農(nóng)業(yè)史進(jìn)行分析，論述了我國(guó)農(nóng)業(yè)史不同時(shí)期的研究領(lǐng)域與各學(xué)科間的聯(lián)系，形象地展示了我國(guó)農(nóng)業(yè)史的發(fā)展［20］。褚農(nóng)農(nóng)等通過(guò)CiteSpace對(duì)2009—2018年農(nóng)業(yè)遙感領(lǐng)域的科研論文進(jìn)行了分析，闡述了國(guó)際農(nóng)業(yè)遙感領(lǐng)域的研究前沿與熱點(diǎn)［21］。林巧等利用VOSviewer對(duì)京津冀地區(qū)農(nóng)業(yè)科技發(fā)展進(jìn)行了分析，發(fā)現(xiàn)近年來(lái)生物技術(shù)及相關(guān)研究是京津冀地區(qū)農(nóng)業(yè)領(lǐng)域的研究熱點(diǎn)與發(fā)展方向［22］。VOSviewer是基于科學(xué)計(jì)量學(xué)、數(shù)據(jù)可視化理論，利用高級(jí)布局和分類聚類的方法，生成多種文獻(xiàn)計(jì)量關(guān)系圖譜的分析平臺(tái)。在農(nóng)作物遙感制圖領(lǐng)域深化發(fā)展期，基于可視化分析的方法，通過(guò)分析農(nóng)作物遙感制圖相關(guān)文獻(xiàn)的引用關(guān)系，有助于挖掘農(nóng)業(yè)土地系統(tǒng)學(xué)科發(fā)展的趨勢(shì)與動(dòng)向，有利于明晰知識(shí)領(lǐng)域研究前沿的演進(jìn)歷程，繼而發(fā)現(xiàn)新興的分支學(xué)科［23］。面對(duì)大量科學(xué)文獻(xiàn)新信息，目前基于文獻(xiàn)計(jì)量的農(nóng)作物遙感制圖研究態(tài)勢(shì)分析還未見(jiàn)報(bào)道?；诖?，文章以構(gòu)建知識(shí)圖譜為切入點(diǎn)，利用VOSviewer分析近10年農(nóng)作物遙感制圖領(lǐng)域中的年文獻(xiàn)量、屬地分布、合作關(guān)系、發(fā)文機(jī)構(gòu)、熱門期刊和研究熱點(diǎn)等計(jì)量關(guān)系，旨在揭示全球農(nóng)作物遙感制圖研究領(lǐng)域的研究現(xiàn)狀、前沿動(dòng)態(tài)和發(fā)展趨勢(shì)。

1 數(shù)據(jù)來(lái)源與研究方法

1.1 數(shù)據(jù)來(lái)源

該文依托Web of Science核心合集和CNKI中國(guó)學(xué)術(shù)文獻(xiàn)網(wǎng)絡(luò)出版總庫(kù)平臺(tái)，聚焦農(nóng)作物遙感制圖研究，廣泛開(kāi)展文獻(xiàn)檢索。在Web of science核心合集SCIE數(shù)據(jù)庫(kù)中，檢索式設(shè)為TS=（“Agricultural remote sensing*”AND“Crop classification*”O(jiān)R“Crop identification*”AND“Low，medium and high resolution*”O(jiān)R“Classifier*”AND“Cultivatedland*”O(jiān)R“Area monitoring*”AND“Rice mapping*”O(jiān)R“Wheat mapping*”O(jiān)R“Maize mapping*”O(jiān)R“Soybean mapping*”O(jiān)R“Crop mapping*”），時(shí)間跨度為2011—2020年，設(shè)定文獻(xiàn)類型為“Article”和“Review”，進(jìn)行高級(jí)檢索，獲得相關(guān)研究主題的文獻(xiàn)1.588 5萬(wàn)篇，經(jīng)過(guò)去重處理后得到密切相關(guān)文獻(xiàn)共569篇。在CNKI上，設(shè)定主題=（“農(nóng)業(yè)遙感”AND“農(nóng)作物遙感制圖”O(jiān)R“作物分類”AND“面積監(jiān)測(cè)”AND“水稻分類”O(jiān)R“小麥分類”O(jiān)R“玉米分類”O(jiān)R“大豆分類”O(jiān)R“作物分類”），時(shí)間跨度為2011—2020年，精確匹配檢索得到文獻(xiàn)715篇，并進(jìn)行去重處理后，得到相關(guān)主題的期刊文獻(xiàn)291篇。

1.2 分析方法

該文借助VOSviewer（V1.6.16）軟件，利用文獻(xiàn)計(jì)量學(xué)原理，采用數(shù)學(xué)、統(tǒng)計(jì)學(xué)等計(jì)量方法，構(gòu)建農(nóng)作物遙感制圖研究的知識(shí)圖譜，分析相關(guān)文獻(xiàn)的分布結(jié)構(gòu)、數(shù)量管理、變化規(guī)律。該軟件由荷蘭萊頓大學(xué)開(kāi)發(fā)，主要用于構(gòu)建文獻(xiàn)計(jì)量知識(shí)圖譜，分析學(xué)科類別與關(guān)鍵詞共現(xiàn)及文獻(xiàn)的共引和共被引，可視化能力強(qiáng)。

2 結(jié)果與分析

2.1 文獻(xiàn)特征分析

2.1.1 年文獻(xiàn)量趨勢(shì)分析

為了全面地了解農(nóng)作物遙感制圖領(lǐng)域研究?jī)?nèi)容的特征和演變趨勢(shì)，首先對(duì)569篇英文文章和291篇中文文章進(jìn)行年文獻(xiàn)總量及年際間增長(zhǎng)率分析，結(jié)果如圖1所示。由圖可見(jiàn)，自2011年以來(lái)，農(nóng)作物遙感制圖研究領(lǐng)域英文和中文的發(fā)文量總體呈現(xiàn)上升態(tài)勢(shì)。農(nóng)作物遙感制圖研究領(lǐng)域根據(jù)年文獻(xiàn)量可劃分為3個(gè)階段，分別是緩慢增長(zhǎng)（2011—2014年）、快速增長(zhǎng)（2015—2018年）和持續(xù)穩(wěn)步增長(zhǎng)（2019—2020年）階段。在緩慢增長(zhǎng)階段，國(guó)內(nèi)外知名期刊刊發(fā)農(nóng)業(yè)遙感制圖研究文獻(xiàn)共167篇，年均增長(zhǎng)率為7.34%，其中，英文文獻(xiàn)年均發(fā)文量29篇，文獻(xiàn)數(shù)量整體增加但增幅較小，且存在年際增減波動(dòng)現(xiàn)象；中文文獻(xiàn)年均發(fā)文量13篇。在快速增長(zhǎng)階段，國(guó)內(nèi)外知名期刊刊發(fā)農(nóng)業(yè)遙感制圖研究文獻(xiàn)共359篇，年均增長(zhǎng)率為22.55%，其中，英文文獻(xiàn)年均發(fā)文量57篇；該階段內(nèi)，中文文獻(xiàn)數(shù)量不斷增多，年際間未出現(xiàn)下降情況，年均發(fā)文量33篇。在平穩(wěn)增長(zhǎng)階段，國(guó)內(nèi)外知名期刊刊發(fā)農(nóng)業(yè)遙感制圖研究文獻(xiàn)共334篇，2019年文獻(xiàn)增加幅度加大，年均增長(zhǎng)率為22.47%，其中，英文文獻(xiàn)累計(jì)達(dá)227篇，年均發(fā)文量113篇；中文文獻(xiàn)年均發(fā)文量53篇?？傮w上，近10年中文文獻(xiàn)與英文文獻(xiàn)數(shù)量的發(fā)展趨勢(shì)大體相同，中英文發(fā)文量逐年增加，農(nóng)作物遙感制圖領(lǐng)域正被越來(lái)越多的研究人員關(guān)注。

圖1 2011—2020年農(nóng)作物遙感制圖研究發(fā)文數(shù)量趨勢(shì)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(gè)國(guó)家和地區(qū)中，2011—2020年農(nóng)作物遙感制圖領(lǐng)域中論文發(fā)文數(shù)量排名前10的國(guó)家如表1所示，其中中國(guó)的發(fā)文數(shù)量最多，發(fā)文數(shù)量高達(dá)207篇，其次是美國(guó)137篇，德國(guó)42篇，巴西38篇。中國(guó)和美國(guó)兩國(guó)合計(jì)發(fā)文數(shù)量占總數(shù)量的60.5%。從被引頻次度量論文學(xué)術(shù)影響力的結(jié)果看，美國(guó)發(fā)文的被引頻次最高達(dá)3 803次，其次是中國(guó)3 191次，德國(guó)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(guó)（30.74次）。整體上，美國(guó)發(fā)文量第二、論文總被引頻次位居第一、單篇被引次數(shù)為27.76次，其論文數(shù)量多、影響力大，在該領(lǐng)域發(fā)揮著引領(lǐng)方向的作用。同時(shí)，中國(guó)在該領(lǐng)域的發(fā)文量排名第一、論文總被引頻次位居第二，在農(nóng)作物遙感制圖領(lǐng)域有著舉足輕重的地位。

表1 農(nóng)作物遙感制圖領(lǐng)域主要國(guó)家發(fā)文數(shù)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(guó)際合作分析

國(guó)際合作圖譜可用來(lái)揭示各國(guó)家或地區(qū)的合作領(lǐng)域分布及合作強(qiáng)度。運(yùn)用VOSviewer軟件，分析農(nóng)作物遙感制圖文獻(xiàn)數(shù)據(jù)得到農(nóng)作物遙感制圖研究領(lǐng)域的國(guó)際合作網(wǎng)絡(luò)圖譜（圖2）。圖2中共有節(jié)點(diǎn)數(shù)20個(gè)，節(jié)點(diǎn)的大小代表發(fā)文數(shù)量的多少，越大說(shuō)明發(fā)文數(shù)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(guó)家平均發(fā)文年份的年份；黃色的節(jié)點(diǎn)代表近期加入的國(guó)家，黃色的節(jié)點(diǎn)越多，說(shuō)明不斷地有新的國(guó)家加入合作網(wǎng)絡(luò)，產(chǎn)生了新的合作關(guān)系。2011—2020年世界各國(guó)的國(guó)際合作關(guān)系網(wǎng)絡(luò)圖可以發(fā)現(xiàn)，發(fā)達(dá)國(guó)家和地區(qū)在農(nóng)作物遙感制圖領(lǐng)域的合作研究較多，開(kāi)展較早。其中，中國(guó)與美國(guó)作為農(nóng)業(yè)大國(guó)和農(nóng)業(yè)強(qiáng)國(guó)，這兩個(gè)國(guó)家的合作最為密切，同時(shí)與加拿大、日本和巴西等國(guó)家在農(nóng)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(lái)，德國(guó)、阿根廷等國(guó)家與中國(guó)的合作研究逐漸增多，成為了中國(guó)合作網(wǎng)絡(luò)中的新伙伴。

圖2 國(guó)家合作網(wǎng)絡(luò)時(shí)間線Fig.2 Country cooperation network timeline chart

鏈接強(qiáng)度可以反映該節(jié)點(diǎn)與其他節(jié)點(diǎn)共現(xiàn)次數(shù)，間接反映出國(guó)家間的合作程度。從國(guó)家鏈接強(qiáng)度看（表2），排名前10的國(guó)家依次是美國(guó)、中國(guó)、德國(guó)、法國(guó)、巴西、澳大利亞、意大利、加拿大、奧地利和新西蘭。其中，美國(guó)與很多國(guó)家在農(nóng)作物遙感制圖領(lǐng)域開(kāi)展合作，其關(guān)系網(wǎng)最廣，鏈接強(qiáng)度最大，達(dá)到了151；中國(guó)在農(nóng)業(yè)遙感制圖領(lǐng)域合作活躍度第二，鏈接強(qiáng)度達(dá)到126，僅次于美國(guó)，遠(yuǎn)高于世界其他國(guó)家；法國(guó)、巴西、澳大利亞和意大利鏈接強(qiáng)度在30～40之間；加拿大、澳地利和新西蘭在農(nóng)作物遙感制圖領(lǐng)域合作鏈接強(qiáng)度在20～30之間。

表2 前10名國(guó)家鏈接強(qiáng)度Table2 Top 10 countrieslink strength

2.1.4 發(fā)文機(jī)構(gòu)分析

為了更直觀地反映國(guó)內(nèi)外在農(nóng)作物遙感制圖研究中有突出貢獻(xiàn)的機(jī)構(gòu)，采用VOSviewer軟件對(duì)“institution（機(jī)構(gòu)）”的高產(chǎn)機(jī)構(gòu)進(jìn)行分析，農(nóng)作物遙感制圖領(lǐng)域中英文發(fā)文TOP10機(jī)構(gòu)如表3所示。世界范圍內(nèi)具有影響力的機(jī)構(gòu)主要集中分布在中國(guó)、美國(guó)和加拿大。從機(jī)構(gòu)國(guó)際影響力來(lái)看，中國(guó)科學(xué)院在全球眾多科研機(jī)構(gòu)居于首位。從英文論文高產(chǎn)機(jī)構(gòu)的歸屬國(guó)來(lái)看，大多數(shù)高產(chǎn)機(jī)構(gòu)屬于中國(guó)和美國(guó)，并且中國(guó)的科研機(jī)構(gòu)占據(jù)了前4位。其中CHINESE ACAD SCI發(fā)文達(dá)到63篇；發(fā)文數(shù)量最多的國(guó)外機(jī)構(gòu)為AGR&AGRIFOODCANADA，發(fā)文15篇。通過(guò)CNKI平臺(tái)對(duì)國(guó)內(nèi)的機(jī)構(gòu)進(jìn)行分析，中國(guó)農(nóng)業(yè)科學(xué)院農(nóng)業(yè)資源與農(nóng)業(yè)區(qū)劃研究所在農(nóng)作物遙感制圖領(lǐng)域發(fā)表的中文論文被引頻次最高，高達(dá)533次；中國(guó)科學(xué)院空天信息創(chuàng)新研究院中文論文的單篇被引頻次21.42次，中國(guó)科學(xué)院地理科學(xué)與資源研究所被引19次，排名分布為第二和第三?？傮w來(lái)看，中國(guó)在農(nóng)作物遙感制圖領(lǐng)域中發(fā)文機(jī)構(gòu)的數(shù)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(jī)構(gòu)是USGEOLSURVEY，平均單篇被引37次。

表3 農(nóng)作物遙感制圖領(lǐng)域發(fā)文TOP10機(jī)構(gòu)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(duì)于科學(xué)研究領(lǐng)域及其發(fā)展方向具有較強(qiáng)的影響力?；赩OSviewer軟件梳理了農(nóng)作物遙感制圖領(lǐng)域高被引排名前十的期刊，被引頻次在130以上（表4）。其中，農(nóng)作物遙感制圖領(lǐng)域英文文獻(xiàn)發(fā)文量最多并且總被引頻次最高的期刊是《Remote Sensing》，發(fā)文124篇，總被引頻次2 523次。《Remote Sensing of Environment》是遙感領(lǐng)域的頂尖期刊，發(fā)表的論文創(chuàng)新性強(qiáng)、影響力大，以農(nóng)作物遙感制圖為主題的論文僅35篇，總被引頻次高達(dá)1 792次。《Isprs Journal of Photogrammetry and Remote Sensing》被引次數(shù)僅次于《Remote Sensing of Environment》達(dá)859次。從期刊構(gòu)成來(lái)看，該領(lǐng)域文章發(fā)表期刊質(zhì)量普遍較高，構(gòu)成較為豐富。根據(jù)2021年科學(xué)網(wǎng)發(fā)布的期刊影響因子來(lái)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(diǎn)演變分析

關(guān)鍵詞是作者對(duì)文章內(nèi)容的高度概括與提煉，學(xué)科領(lǐng)域的高頻關(guān)鍵詞可以從一定程度上表征該學(xué)科領(lǐng)域的研究?jī)?nèi)容或者研究范疇，揭示其在農(nóng)作物遙感制圖領(lǐng)域的研究熱點(diǎn)，同時(shí)也是文獻(xiàn)獲取中數(shù)據(jù)來(lái)源的基礎(chǔ)條件。2011—2020年農(nóng)作物遙感制圖領(lǐng)域高頻關(guān)鍵詞分布可以看出（圖3），該領(lǐng)域出現(xiàn)頻率最高的關(guān)鍵詞是時(shí)間序列（Time Series）。此 外，隨 機(jī) 森 林（Random Forest）、Landsat、MODIS（Moderate-Resolution Imaging Spectroradiometer）、歸一化植被指數(shù)（Normalized Difference Vegetation Index，NDVI）與增強(qiáng)植被指數(shù)（Enhanced Vegetation Index，EVI）、Sentinel-1/2、植被指數(shù)（Vegetation Indices）、玉米（Maize、Corn）、合成孔徑雷達(dá)（Synthetic Aperture Radar，SAR）、機(jī)器學(xué)習(xí)（Machine Learning）等出現(xiàn)頻次依次降低。并且不同時(shí)間階段內(nèi)各關(guān)鍵詞所頻次差異較大，說(shuō)明在不同階段農(nóng)作物遙感制圖應(yīng)用的觀測(cè)手段和識(shí)別方法在不斷的演變，該領(lǐng)域研究的熱點(diǎn)處于變化發(fā)展。比如2011—2014年間，學(xué)者采用時(shí)間序列數(shù)據(jù)集，利用EVI、NDVI進(jìn)行農(nóng)作物遙感制圖研究較多；2015—2018年隨著Sentinel成功發(fā)射，因其具有較高的時(shí)空分辨率成為農(nóng)作物遙感制圖研究的主要數(shù)據(jù)源之一；2019—2020年隨機(jī)森林和機(jī)器學(xué)習(xí)的出現(xiàn)頻次有所下降。整體來(lái)看，時(shí)間序列數(shù)據(jù)集是農(nóng)作物遙感制圖的主要手段，隨機(jī)森林是農(nóng)作物遙感制圖應(yīng)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(shù)。

圖3 2011—2020年農(nóng)作物遙感制圖領(lǐng)域高頻關(guān)鍵詞Fig.3 High frequency keywordsin thefield of remotesensing mapping of agricultural cropsfrom 2011 to 2020

將近10年的農(nóng)作物遙感制圖中英文文獻(xiàn)的關(guān)鍵詞按照數(shù)據(jù)類型、分類方法、分類對(duì)象與特征指標(biāo)四類分別進(jìn)行聚類（表5），國(guó)內(nèi)外研究熱點(diǎn)演變趨勢(shì)存在一定的異同點(diǎn)。從制圖數(shù)據(jù)源看，光學(xué)數(shù)據(jù)與雷達(dá)數(shù)據(jù)是主要的兩類遙感數(shù)據(jù)。光學(xué)數(shù)據(jù)中，MODIS、Landsat一直是國(guó)內(nèi)外主要的數(shù)據(jù)源；低空間分辨率數(shù)據(jù)中，MODIS數(shù)據(jù)具有回訪周期短、波段多、寬幅大的特點(diǎn)，在大區(qū)域地表監(jiān)測(cè)中發(fā)揮重要作用，但是在監(jiān)測(cè)小區(qū)域地塊中混合像元嚴(yán)重。2018年以前，MODIS出現(xiàn)的頻次都比較高，說(shuō)明該時(shí)段內(nèi)農(nóng)作物遙感制圖以高時(shí)間分辨率、低空間分辨率衛(wèi)星為主；隨著Landsat和Sentinel數(shù)據(jù)的公開(kāi)共享，中高分辨率衛(wèi)星數(shù)據(jù)在農(nóng)作物遙感制圖中廣泛應(yīng)用；2019年之后無(wú)人機(jī)數(shù)據(jù)備受關(guān)注，無(wú)人機(jī)可以實(shí)現(xiàn)對(duì)區(qū)域的實(shí)時(shí)監(jiān)測(cè)，一般空間分辨率非常高（亞米級(jí)），在小區(qū)域、山地優(yōu)勢(shì)明顯。同時(shí)，自國(guó)產(chǎn)高分系列衛(wèi)星發(fā)射以來(lái)，我國(guó)自主研發(fā)的13顆高分衛(wèi)星星座為我國(guó)的地理測(cè)繪、氣候觀測(cè)、土地資源監(jiān)測(cè)等方面發(fā)揮了重要作用。近年來(lái)，高分?jǐn)?shù)據(jù)憑借其較高的空間分辨率與時(shí)間分辨率優(yōu)勢(shì)在農(nóng)作物遙感制圖中迅速升溫，但其波段較少并且數(shù)據(jù)不公開(kāi)，用戶使用時(shí)會(huì)有所限制。合成孔徑雷達(dá)數(shù)據(jù)自2015年以來(lái)，出現(xiàn)頻次累積達(dá)40次，因其全天候、不受云雨天氣影響的優(yōu)良性能，在多云多雨區(qū)遙感制圖中應(yīng)用較多?？傮w而言，目前農(nóng)作物遙感制圖研究多以單一中高空間分辨率遙感數(shù)據(jù)或者高時(shí)間分辨率遙感數(shù)據(jù)為主，農(nóng)作物遙感制圖尺度從千米級(jí)向米級(jí)、亞米級(jí)發(fā)展。在此背景下，協(xié)同利用多源數(shù)據(jù)的分辨率、時(shí)序性、光譜等優(yōu)勢(shì)，補(bǔ)單一數(shù)據(jù)不足，重構(gòu)高質(zhì)量遙感數(shù)據(jù)集的方法研究受到廣泛關(guān)注［24-25］。

表5 2011—2020年農(nóng)作物遙感制圖領(lǐng)域研究熱點(diǎn)及變化趨勢(shì)Table5 Research hotspotsand trendsin thefield of remotesensing mapping of cropsfrom 2011 to 2020

從制圖方法看，過(guò)去主要是一些傳統(tǒng)的機(jī)器學(xué)習(xí)算法，如隨機(jī)森林、支持向量機(jī)、決策樹(shù)等應(yīng)用較為廣泛。近年來(lái)，深度學(xué)習(xí)在農(nóng)作物遙感制圖中發(fā)揮重要作用，其中以卷積神經(jīng)網(wǎng)絡(luò)為代表的網(wǎng)絡(luò)結(jié)構(gòu)在2019—2020年詞頻高達(dá)26次，超越隨機(jī)森林躍居第一位。卷積神經(jīng)網(wǎng)絡(luò)可以實(shí)現(xiàn)對(duì)影像更深層次特征的挖掘，具有學(xué)習(xí)能力強(qiáng)、適應(yīng)性好、可移植性強(qiáng)等優(yōu)勢(shì)，潛力巨大。隨著計(jì)算機(jī)性能的提高以及遙感圖像處理技術(shù)的快速發(fā)展，推動(dòng)了最大似然方法、最小距離法、K-means聚類等基于光譜統(tǒng)計(jì)的識(shí)別方法在農(nóng)作物遙感制圖研究中應(yīng)用和推廣［26］。一些新的機(jī)器學(xué)習(xí)算法，如人工神經(jīng)網(wǎng)絡(luò)、遺傳算法等被廣泛應(yīng)用于農(nóng)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(nóng)作物遙感識(shí)別，分類結(jié)果“椒鹽現(xiàn)象”嚴(yán)重［29］。面向?qū)ο蟮姆椒梢杂行p少分類存在的噪聲斑點(diǎn)，結(jié)果更加符合真實(shí)狀況。近年來(lái)，面向?qū)ο蟮姆诸惙椒ǚ€(wěn)步發(fā)展，在農(nóng)作物遙感制圖研究中，學(xué)者一直在探討應(yīng)用。目前，農(nóng)作物遙感制圖從傳統(tǒng)的像素水平到面向?qū)ο蠓诸悾鸩较虻貕K尺度的方向發(fā)展。以對(duì)象、地塊為制圖單元，制圖結(jié)果與土地權(quán)屬、生產(chǎn)效益、田間管理等屬性信息高度關(guān)聯(lián)，提升了農(nóng)作物遙感制圖產(chǎn)品的實(shí)際應(yīng)用價(jià)值，因而成為農(nóng)作物遙感制圖研究的熱點(diǎn)［30］。

從分類對(duì)象看，目前農(nóng)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(duì)油菜、高粱、馬鈴薯、花生等特色小宗作物關(guān)注度較低，作物類型多元化是農(nóng)作物遙感制圖的發(fā)展方向。

從特征指標(biāo)看，指標(biāo)體系構(gòu)建都圍繞光譜與時(shí)相特征展開(kāi)。時(shí)間序列、NDVI、EVI、植被指數(shù)是主要的特征指標(biāo)，尤其是時(shí)間序列在國(guó)外三個(gè)時(shí)期的出現(xiàn)頻率保持最高，其次是NDVI和EVI?；谵r(nóng)作物遙感識(shí)別原理和植被在不同遙感波段的反射特性，發(fā)展植被指數(shù)，可以很好地反映作物的生長(zhǎng)狀況，因而被廣泛地應(yīng)用于農(nóng)作物長(zhǎng)勢(shì)監(jiān)測(cè)，使用的頻率僅次于時(shí)序和NDVI、EVI［31］。隨著衛(wèi)星技術(shù)的提升、觀測(cè)指標(biāo)的提升，應(yīng)用新發(fā)衛(wèi)星的紅邊波段作為特征指標(biāo)進(jìn)行農(nóng)作物分類成為可能，在農(nóng)作物遙感制圖應(yīng)用中效果備受關(guān)注。通過(guò)不同特征的組合，結(jié)合時(shí)間序列分析作物的物候歷，進(jìn)行特征優(yōu)選，是目前主流的分類策略，過(guò)去10年中相關(guān)研究日漸增多［32］。

3 結(jié)論與展望

過(guò)去十年，農(nóng)作物遙感制圖的理論與方法等方面取得了長(zhǎng)足進(jìn)展，為科學(xué)掌握農(nóng)作物資源分布、種植模式和時(shí)空變化等發(fā)揮了重要作用，有效支撐了農(nóng)業(yè)生產(chǎn)管理與農(nóng)業(yè)政策制定。該文基于Web of Science核心合集數(shù)據(jù)和CNKI中國(guó)學(xué)術(shù)文獻(xiàn)網(wǎng)絡(luò)出版總庫(kù)平臺(tái)，利用VOSviewer，構(gòu)建了農(nóng)作物遙感制圖領(lǐng)域的年文獻(xiàn)量、屬地分布、合作關(guān)系、發(fā)文機(jī)構(gòu)、熱門期刊和研究熱點(diǎn)的知識(shí)圖譜?？傮w看，作物制圖領(lǐng)域近10年來(lái)論文發(fā)表數(shù)量在不斷增加，大致分為3個(gè)階段：緩慢增長(zhǎng)階段（2011—2014年）、快速增長(zhǎng)階段（2015—2018年）和持續(xù)穩(wěn)步增長(zhǎng)階段（2019—2020年）。從各國(guó)的發(fā)文數(shù)量來(lái)看，中國(guó)和美國(guó)的發(fā)文量與影響力最大，且兩國(guó)之間合作密切。中國(guó)近10年的發(fā)文數(shù)量增長(zhǎng)迅速，發(fā)表的英文期刊數(shù)量207篇居世界第一位，遙遙領(lǐng)先排名第二位的美國(guó)137篇，但是文章的被引頻次總量稍遜于美國(guó)。從國(guó)際合作關(guān)系來(lái)看，世界各國(guó)之間的合作關(guān)系逐漸增多與密切，多方合作是未來(lái)的趨勢(shì)。我國(guó)在作物制圖領(lǐng)域的發(fā)文機(jī)構(gòu)與發(fā)文數(shù)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(diǎn)看，農(nóng)作物分類對(duì)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(tǒng)機(jī)器學(xué)習(xí)向深度學(xué)習(xí)發(fā)展。

作物“一張圖”的研制一直以來(lái)備受重視。目前，國(guó)內(nèi)面向作物“一張圖”尚屬空白。為盡快實(shí)現(xiàn)我國(guó)作物“一張圖”還可以從以下幾個(gè)方面深入研究。（1）加強(qiáng)多源數(shù)據(jù)協(xié)同利用。單一遙感數(shù)據(jù)源往往難以完整覆蓋整個(gè)區(qū)域和作物生長(zhǎng)時(shí)期。通過(guò)深度學(xué)習(xí)的融合算法對(duì)中高空間分辨率影像進(jìn)行融合，重構(gòu)高空間和高時(shí)間分辨率的遙感數(shù)據(jù)有助于提高作物種植面積估計(jì)的準(zhǔn)確性，輔助農(nóng)業(yè)決策［33-35］。協(xié)同光學(xué)與雷達(dá)數(shù)據(jù)的同時(shí)關(guān)注農(nóng)業(yè)統(tǒng)計(jì)數(shù)據(jù)、氣象數(shù)據(jù)、地形數(shù)據(jù)、生長(zhǎng)度日指標(biāo)等其他數(shù)據(jù)，有利于提高分類的精度與模型的魯棒性［36］。（2）強(qiáng)化歷史觀測(cè)數(shù)據(jù)融合應(yīng)用。開(kāi)展適合于遙感影像深度學(xué)習(xí)訓(xùn)練與測(cè)試用的農(nóng)作物樣本庫(kù)類型動(dòng)態(tài)擴(kuò)展與自動(dòng)精化機(jī)制研究，提高樣本數(shù)據(jù)的利用率。此外，通過(guò)改善樣本獲取方式，從人工實(shí)地采樣慢慢向眾包數(shù)據(jù)轉(zhuǎn)變，通過(guò)建立眾包數(shù)據(jù)平臺(tái)，利用數(shù)據(jù)共享活動(dòng)來(lái)獲取大尺度、長(zhǎng)時(shí)間序列的作物樣本數(shù)據(jù)。（3）改進(jìn)分類方法性能。針對(duì)遙感影像特點(diǎn)和應(yīng)用需求，研究遙感影像深度神經(jīng)網(wǎng)絡(luò)開(kāi)源架構(gòu)與模型，構(gòu)建顧及遙感特性的專用遙感網(wǎng)絡(luò)模型。在有充足樣本和算力支持的下，發(fā)展深度學(xué)習(xí)的方法，自動(dòng)學(xué)習(xí)大量特征，實(shí)現(xiàn)端到端的分類；在樣本數(shù)量較少的情況下，利用對(duì)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(shè)置閾值，不斷調(diào)整優(yōu)化參數(shù)會(huì)加大計(jì)算量與不確定性。因此，“一套”遙感框架與模型是實(shí)現(xiàn)多作物準(zhǔn)確分類亟需突破的技術(shù)。（4）優(yōu)化特征組合。將農(nóng)學(xué)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(dú)特的季相節(jié)律特征，是區(qū)分作物與非作物、不同作物類型的主要依據(jù)，但是輸入過(guò)多的特征會(huì)造成信息冗余，形成“維數(shù)災(zāi)難”反而增大計(jì)算量降低分類精度。因此，進(jìn)行降維處理篩選出最優(yōu)的特征和數(shù)量，尋找作物在其關(guān)鍵期與其它作物具有明顯差異的特征對(duì)分類是及其重要的。另一方面需要設(shè)計(jì)遙感專用的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，將光譜信息和地學(xué)知識(shí)融入到網(wǎng)絡(luò)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(shù)據(jù)源越發(fā)豐富、分類方法愈發(fā)智能，使得農(nóng)作物遙感制圖的大區(qū)域、高時(shí)效、高精度等成為可能。然而，國(guó)內(nèi)農(nóng)作物遙感制圖研究的網(wǎng)絡(luò)滯后于國(guó)外，研究方法和研究手段上易受外部影響，這就需要面向農(nóng)業(yè)應(yīng)用主戰(zhàn)場(chǎng)、面向遙感技術(shù)前沿，以系統(tǒng)性、整體性的視角對(duì)多源數(shù)據(jù)協(xié)同利用，綜合應(yīng)用歷史與現(xiàn)實(shí)樣本，對(duì)農(nóng)作物遙感制圖進(jìn)行全流程綜合研究。