基于文獻(xiàn)計量的農(nóng)作物種植結(jié)構(gòu)遙感提取發(fā)展態(tài)勢分析

張代維, 馬友華, 吳 雷, 王 強, 王肖飛

(1.安徽農(nóng)業(yè)大學(xué)資源與環(huán)境學(xué)院,安徽 合肥 230036; 2.安徽省北斗精準(zhǔn)農(nóng)業(yè)信息工程實驗室,安徽 合肥 230036)

農(nóng)業(yè)是社會經(jīng)濟(jì)發(fā)展的基礎(chǔ),農(nóng)業(yè)生產(chǎn)對糧食安全、土地資源管理和社會穩(wěn)定有至關(guān)重要的作用[1-3]。農(nóng)作物種植結(jié)構(gòu)是農(nóng)業(yè)生產(chǎn)活動對土地利用的具體體現(xiàn)形式,其主要包括3個方面的內(nèi)容:一是作物的種植類型和空間分布;二是種植的規(guī)模;三是農(nóng)作物的種植模式,包括連作、輪作、間作和套種等模式[4-6]。高精度且快速地提取農(nóng)作物種植結(jié)構(gòu)不僅可以為農(nóng)作物生長監(jiān)測、產(chǎn)量預(yù)測、農(nóng)田灌溉和災(zāi)害評價等農(nóng)業(yè)應(yīng)用提供基礎(chǔ),也是整體把握糧食儲備、評估人口承載能力和農(nóng)產(chǎn)品價格調(diào)控等決策的重要依據(jù),對增強區(qū)域農(nóng)業(yè)競爭力、優(yōu)化農(nóng)業(yè)資源利用、保障糧食安全、促進(jìn)可持續(xù)發(fā)展都具有重要的意義[2,7]。

獲取農(nóng)作物種植結(jié)構(gòu)信息的方法主要包括調(diào)查統(tǒng)計和遙感提取。中國農(nóng)作物種植結(jié)構(gòu)具有范圍廣、面積大的特點,傳統(tǒng)的調(diào)查統(tǒng)計方式存在著主觀性強、調(diào)查周期長、數(shù)據(jù)更新緩慢、缺乏空間信息的問題,且調(diào)查過程中需要大量的人力財力,無法及時、有效、經(jīng)濟(jì)地獲取種植結(jié)構(gòu)信息[8-9]。遙感技術(shù)具有時效性強、監(jiān)測范圍廣、成本低的優(yōu)點,隨著空間信息技術(shù)的發(fā)展和衛(wèi)星及傳感器的不斷更新,具有更高空間分辨率和時間分辨率的遙感數(shù)據(jù)被廣泛應(yīng)用于農(nóng)作物種植結(jié)構(gòu)遙感提取領(lǐng)域,為農(nóng)作物種植提供了科學(xué)、準(zhǔn)確的信息[10-12]。

已有綜述對農(nóng)作物種植結(jié)構(gòu)遙感提取的研究進(jìn)展進(jìn)行了總結(jié)[4-6],但利用文獻(xiàn)計量學(xué)方法對農(nóng)作物種植結(jié)構(gòu)遙感提取領(lǐng)域進(jìn)行全面系統(tǒng)總結(jié)的鮮有報道。本文采用文獻(xiàn)計量學(xué)方法,以Web of Science核心合集和中國知網(wǎng)(CNKI)為數(shù)據(jù)源,利用Vosviewer軟件和R語言程序包Bibliometrix對農(nóng)作物種植結(jié)構(gòu)遙感提取領(lǐng)域近20年的發(fā)文量、發(fā)文國家、發(fā)文機(jī)構(gòu)、載文期刊、關(guān)鍵詞進(jìn)行分析,系統(tǒng)地總結(jié)了農(nóng)作物種植結(jié)構(gòu)遙感提取領(lǐng)域的發(fā)展態(tài)勢及熱點問題,并對具體的數(shù)據(jù)源及方法的特點和應(yīng)用現(xiàn)狀進(jìn)行總結(jié)分析。

1 數(shù)據(jù)來源與研究方法

研究的文獻(xiàn)數(shù)據(jù)來源于Web of Science核心數(shù)據(jù)集和中國知網(wǎng),具體文獻(xiàn)檢索規(guī)則如表1所示,獲得初步檢索結(jié)果后,對文獻(xiàn)類型進(jìn)行精煉,剔除會議通知、書評、新聞報道、政策文件、領(lǐng)導(dǎo)講話等非學(xué)術(shù)性文章;然后,利用文獻(xiàn)計量學(xué)方法對國內(nèi)外現(xiàn)有農(nóng)作物種植結(jié)構(gòu)遙感提取領(lǐng)域的文獻(xiàn)數(shù)據(jù)進(jìn)行分析。文獻(xiàn)計量學(xué)是一套注重量化分析的綜合性知識體系,有利于幫助學(xué)者從海量文獻(xiàn)中高效挖掘出其中隱藏的有價值的信息,預(yù)測出研究領(lǐng)域未來的發(fā)展趨勢[13]。本文主要利用Vosviewer軟件和R語言程序包Bibliometrix,對所檢索到的文獻(xiàn)進(jìn)行文章數(shù)量、發(fā)文國家和國內(nèi)發(fā)文機(jī)構(gòu)、主要發(fā)表期刊、研究內(nèi)容與發(fā)展態(tài)勢的計量和可視化分析。

表1 文獻(xiàn)檢索規(guī)則及結(jié)果

2 文獻(xiàn)現(xiàn)狀分析

2.1 文獻(xiàn)時序分布

發(fā)文量是科學(xué)界對某一領(lǐng)域關(guān)注程度的總體表征,可在一定程度上反映該領(lǐng)域的發(fā)展動態(tài),并對判斷研究趨勢有重要意義[12]。根據(jù)檢索結(jié)果,繪制了2000年1月1日至2022年5月31日的中英文發(fā)文量圖(圖1),英文總發(fā)文量465篇,中文總發(fā)文量402篇。農(nóng)作物種植結(jié)構(gòu)遙感提取的研究整體分為初步探索和快速發(fā)展2個階段。其中,2000-2010年為該研究領(lǐng)域的初步探索階段,年均發(fā)文量為3.77篇,研究成果較少;2011-2022年為該研究領(lǐng)域的快速發(fā)展階段,年發(fā)文量由2011年的20篇增長至2021年的139篇,年均發(fā)文量為32.67篇,是前一階段的8.67倍。其原因可能是隨著遙感技術(shù)的快速發(fā)展,能獲取到更高時間、空間分辨率和更多光譜波段的遙感數(shù)據(jù),推動了農(nóng)作物種植結(jié)構(gòu)遙感提取研究的發(fā)展。2000-2014年中英文文獻(xiàn)年發(fā)文量明顯增長;2019年至今該領(lǐng)域的英文文獻(xiàn)發(fā)文量增長迅速,高于中文文獻(xiàn)發(fā)文量。從圖1的中英文累計發(fā)文量可以看出農(nóng)作物種植結(jié)構(gòu)遙感提取研究的發(fā)展是穩(wěn)步上升的,整體呈現(xiàn)指數(shù)增長的趨勢,其擬合曲線R2為0.973 4,擬合優(yōu)度較高。

圖1 中、英文文獻(xiàn)發(fā)文量變化趨勢Fig.1 Trend of publication number of Chinese and English literatures

2.2 國家及國內(nèi)機(jī)構(gòu)的發(fā)文量和合作分析

分別對發(fā)文量前10的英文文獻(xiàn)的發(fā)文國家和中文文獻(xiàn)的發(fā)文機(jī)構(gòu)進(jìn)行統(tǒng)計分析,結(jié)果如表2所示。農(nóng)作物種植結(jié)構(gòu)遙感提取領(lǐng)域英文文獻(xiàn)發(fā)文量前三的國家分別是中國(197篇)、美國(87篇)、德國(46篇);中文文獻(xiàn)發(fā)文量前三的國內(nèi)研究機(jī)構(gòu)分別是中國科學(xué)院(89篇)、中國農(nóng)業(yè)科學(xué)院(38篇)、北京師范大學(xué)(19篇)。再利用Vosviewer分別對英文文獻(xiàn)中的發(fā)文國家和中文文獻(xiàn)中的發(fā)文機(jī)構(gòu)進(jìn)行網(wǎng)絡(luò)共現(xiàn)圖譜分析,結(jié)果如圖2所示。

圖2 國家間及國內(nèi)機(jī)構(gòu)間研究合作網(wǎng)絡(luò)圖譜Fig.2 Research cooperation network map between nations and domestic agencies

表2 英文文獻(xiàn)、中文文獻(xiàn)發(fā)文量前10名的國家與國內(nèi)機(jī)構(gòu)

2.2.1 論文產(chǎn)出國家間合作網(wǎng)絡(luò)分析 對Web of Science中的英文文獻(xiàn)進(jìn)行發(fā)文國家網(wǎng)絡(luò)共現(xiàn)分析,其發(fā)文量、合作關(guān)系和大致的地理空間分布如圖2a所示。中國、美國、德國、印度和加拿大是農(nóng)作物種植結(jié)構(gòu)遙感提取研究領(lǐng)域與其他國家合作較豐富的5個國家。在所有發(fā)文國家中中國發(fā)文量最多,與美國、德國、加拿大、西班牙等14個國家有合作關(guān)系,中國與印度等7個國家沒有合作關(guān)系,其中中國和美國是在整個國家合作關(guān)系網(wǎng)中合作最密切的2個國家。

2.2.2 中國學(xué)術(shù)機(jī)構(gòu)間的科研合作 圖2b是利用Vosviewer對知網(wǎng)文獻(xiàn)的發(fā)文機(jī)構(gòu)進(jìn)行網(wǎng)絡(luò)共現(xiàn)分析,并對各二級機(jī)構(gòu)進(jìn)行合并,得到的機(jī)構(gòu)合作網(wǎng)絡(luò)圖。在農(nóng)作物種植結(jié)構(gòu)遙感提取研究領(lǐng)域中主要研究機(jī)構(gòu)是中國科學(xué)院和中國農(nóng)業(yè)科學(xué)院。在整個機(jī)構(gòu)合作共現(xiàn)網(wǎng)絡(luò)中主要形成了以中國科學(xué)院、中國農(nóng)業(yè)科學(xué)院、北京師范大學(xué)和廣州大學(xué)為合作中心的4個聚類,中國科學(xué)院和其他3個合作中心都有緊密的合作關(guān)系。中國科學(xué)院作為國內(nèi)自然科學(xué)研究領(lǐng)域重要的學(xué)術(shù)機(jī)構(gòu),在農(nóng)作物種植結(jié)構(gòu)遙感提取研究領(lǐng)域也是和其他機(jī)構(gòu)合作交流最頻繁的研究機(jī)構(gòu)。

2.3 來源期刊分析

學(xué)術(shù)期刊是研究者發(fā)表成果的主要載體,對文獻(xiàn)的來源期刊進(jìn)行分析,有利于研究農(nóng)作物種植結(jié)構(gòu)遙感提取的研究人員進(jìn)行相關(guān)文獻(xiàn)的查詢和投稿[14]。本文篩選出的465篇英文文獻(xiàn)分布于91種期刊上,402篇中文文獻(xiàn)分布于108種期刊和碩士、博士學(xué)位論文中。表3展示了國內(nèi)外關(guān)于農(nóng)作物種植結(jié)構(gòu)遙感提取研究載文量排名前10的期刊。其中,英文期刊載文數(shù)量最多的期刊是《Remote Sensing》,載文量為110篇,2021年影響因子為5.349,而影響因子最高的是《Remote Sensing of Environment》,其影響因子高達(dá)13.850,載文量為25篇;中文期刊中發(fā)文量最多的是《農(nóng)業(yè)工程學(xué)報》,載文量27篇,影響因子3.446,而影響因子最高的是《地球信息科學(xué)學(xué)報》,影響因子為3.455,載文量為5篇。

表3 國內(nèi)外農(nóng)作物種植結(jié)構(gòu)遙感提取研究載文量排名前10的期刊分布

3 農(nóng)作物種植結(jié)構(gòu)遙感提取研究熱點分析

關(guān)鍵詞是期刊論文和學(xué)位論文中內(nèi)容或研究方法的高度概括,在一定程度上可以反映該領(lǐng)域研究方向的熱點問題[12-13]。使用Vosviewer分別對英文文獻(xiàn)和中文文獻(xiàn)進(jìn)行關(guān)鍵詞可視化分析,刪掉遙感、種植結(jié)構(gòu)、農(nóng)作物這3個本體核心詞,將部分同義關(guān)鍵詞進(jìn)行合并處理(例如:Landsat8和Landsat-8合并為Landsat-8),得到如圖3所示的中文文獻(xiàn)、英文文獻(xiàn)的農(nóng)作物種植結(jié)構(gòu)遙感提取研究熱點的密度視圖,在密度視圖中,關(guān)鍵詞越接近黑色表示其共現(xiàn)的頻次越高,研究主題的熱度越高。利用Bibliometrix程序包對中英文文獻(xiàn)出現(xiàn)頻次排名前20的關(guān)鍵詞進(jìn)行時間序列演變分析,結(jié)果如圖4所示,圖中圓的大小和數(shù)字表示2000年至當(dāng)前年份該關(guān)鍵詞出現(xiàn)的頻次。結(jié)合文獻(xiàn)分析對圖中熱門數(shù)據(jù)源和提取方法進(jìn)行整理和總結(jié),表4展示了熱門數(shù)據(jù)的基本參數(shù)、適用性及挑戰(zhàn)性,表5展示了熱門提取方法的原理及特點。

MODIS:中分辯率成像光譜儀;evi:增強植被指數(shù);GEE:谷歌地球引擎;SAR:合成孔徑雷達(dá);SVM:支持向量機(jī)。圖3 中英文文獻(xiàn)關(guān)鍵詞密度視圖Fig.3 Keyword density view of Chinese and English literatures

圓和數(shù)字的大小表示2000年至2022年該關(guān)鍵詞出現(xiàn)的頻次高低。NDVI:歸一化植被指數(shù);GEE:谷歌地球引擎;MODIS:中分辯率成像光譜儀。圖4 農(nóng)作物種植結(jié)構(gòu)遙感提取研究熱點關(guān)鍵詞時間序列變化Fig.4 Time series changes of hot keywords in research on remote sensing extraction of crop planting structures

表4 農(nóng)作物種植結(jié)構(gòu)遙感提取研究采用的熱點數(shù)據(jù)源信息

表5 農(nóng)作物種植結(jié)構(gòu)遙感提取研究常用方法

由圖3可知,英文文獻(xiàn)中的熱點關(guān)鍵詞為Random forest(隨機(jī)森林)、Time-series(時間序列)、Sentinel-1、Sentinel-2、Deep learning(深度學(xué)習(xí))、Phenology(物候?qū)W)、Machine learning(機(jī)器學(xué)習(xí));中文文獻(xiàn)中的熱點關(guān)鍵詞為時間序列、面向?qū)ο蠓诸悺㈦S機(jī)森林法、決策樹分類、無人機(jī)遙感、GF-1、歸一化植被指數(shù)(NDVI)、中分辨率成像光譜儀(MODIS),國內(nèi)的熱點研究區(qū)域是東北三省、河南省和新疆維吾爾自治區(qū),提取的主要作物是小麥、水稻等。在整體上中英文文獻(xiàn)的研究熱點保持一致,大致分為3類,分別是提取的影像選擇、提取方法和提取特征的選擇。

3.1 遙感數(shù)據(jù)源

關(guān)注度持續(xù)升高且當(dāng)前最高的是基于時間序列的遙感影像,多時相遙感數(shù)據(jù)能夠較完整地反映各類作物不同時間的生長特征,從而利用作物波譜時間效應(yīng)特征實現(xiàn)農(nóng)作物種植結(jié)構(gòu)遙感提取精度的提高[15]。早期的時間序列農(nóng)作物種植結(jié)構(gòu)遙感提取多以MODIS數(shù)據(jù)為代表的低空間分辨率遙感影像為主,其僅在大區(qū)域的農(nóng)作物種植結(jié)構(gòu)遙感提取中有較好的表現(xiàn)[16-17]。隨著空間信息技術(shù)和衛(wèi)星傳感器的進(jìn)步,不斷有Sentinel、GF-1/WFV等高空間分辨率和高時間分辨率的遙感數(shù)據(jù)源豐富遙感數(shù)據(jù),利用中高時間、空間分辨率的時間序列遙感影像進(jìn)行農(nóng)作物種植結(jié)構(gòu)提取可以進(jìn)一步提高提取精度[17-18]。與此同時,多源遙感數(shù)據(jù)融合也受到廣大科研學(xué)者的關(guān)注,多源遙感數(shù)據(jù)融合技術(shù)是解決傳感器的局限性對遙感數(shù)據(jù)指標(biāo)限制的有效途徑[19],且向著多指標(biāo)綜合、多源傳感器綜合、提高融合精度和增強算法魯棒性發(fā)展[20]。多源遙感數(shù)據(jù)融合技術(shù)的發(fā)展為農(nóng)作物種植結(jié)構(gòu)遙感提取提供了信息更加豐富的數(shù)據(jù)源,農(nóng)作物種植結(jié)構(gòu)遙感提取也將繼續(xù)向多源遙感數(shù)據(jù)發(fā)展。根據(jù)研究區(qū)的范圍和耕地分布實際情況選擇最合適的影像是利用最少的成本、最快的運算速度滿足最高精度的基礎(chǔ)。

3.2 遙感提取方法

當(dāng)前發(fā)展最為成熟的農(nóng)作物種植結(jié)構(gòu)遙感提取方法是機(jī)器學(xué)習(xí)中的隨機(jī)森林分類法(表5),研究熱度最高的提取方法是深度學(xué)習(xí),深度學(xué)習(xí)中的N維卷積神經(jīng)網(wǎng)絡(luò)(N-D Convolutional neural networks,N-D CNN)和遞歸神經(jīng)網(wǎng)絡(luò)(Recursive neural network, RNN)已經(jīng)在農(nóng)作物種植結(jié)構(gòu)提取領(lǐng)域有相關(guān)的研究和應(yīng)用,其中卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用最為廣泛。支持向量機(jī)和決策樹分類都是在2008年就開始應(yīng)用于農(nóng)作物種植結(jié)構(gòu)遙感提取領(lǐng)域中,近年來支持向量機(jī)的熱度要高于決策樹分類,但與隨機(jī)森林和深度學(xué)習(xí)相比整體熱度較低。面向?qū)ο蠓诸愒谵r(nóng)作物種植結(jié)構(gòu)遙感提取領(lǐng)域受到學(xué)者的關(guān)注較晚,但發(fā)展速度一直穩(wěn)定增大,至今已經(jīng)擁有了較高的關(guān)注度。谷歌地球引擎 (Google earth engine,GEE)是在遙感大數(shù)據(jù)時代背景下發(fā)展起來的遙感云計算平臺[21],在2017年開始運用到農(nóng)作物種植結(jié)構(gòu)遙感提取中,近年來其關(guān)注度較高。

3.3 特征選擇

自2018年起多特征組合和特征優(yōu)選就成為了農(nóng)作物種植結(jié)構(gòu)遙感提取研究領(lǐng)域的熱點之一,其中歸一化植被指數(shù)是應(yīng)用最廣泛的特征指數(shù),在此之前已經(jīng)有學(xué)者選擇除光譜特征、時相特征和空間特征之外的物候特征作為提取特征。多特征量的集成可以有效地解決作物交界處和內(nèi)部的光譜混合現(xiàn)象,在農(nóng)作物種植結(jié)構(gòu)復(fù)雜的區(qū)域有較好的表現(xiàn)[4]。如何選擇特征是農(nóng)作物種植結(jié)構(gòu)遙感提取研究面臨的主要問題之一,若特征選擇不合理不僅不能提高精度,反而會因為特征量的增加降低數(shù)據(jù)處理和運算效率造成數(shù)據(jù)冗余,同時還會帶來誤差積累從而降低提取精度[22]。最優(yōu)的多特征量組合應(yīng)該具有特征和目標(biāo)相關(guān)性強、特征之間冗余小和不同作物種類間可分性強的特點,提取農(nóng)作物種植結(jié)構(gòu)才可以有效地提高運算速度和提取精度。

4 結(jié)論與展望

本文以Web of Science核心合集和中國知網(wǎng)的農(nóng)作物種植結(jié)構(gòu)遙感提取領(lǐng)域的867篇文獻(xiàn)為數(shù)據(jù)源,利用文獻(xiàn)計量法、Vosviewer軟件和R語言程序包Bibliometrix,對發(fā)文量、發(fā)文國家、國內(nèi)發(fā)文單位、載文期刊、關(guān)鍵詞等關(guān)鍵信息進(jìn)行統(tǒng)計分析和知識圖譜可視化,分析作物種植結(jié)構(gòu)遙感提取領(lǐng)域的研究發(fā)展態(tài)勢,得出以下主要結(jié)論:

(1)世界范圍內(nèi)對農(nóng)作物種植結(jié)構(gòu)遙感提取的關(guān)注度在持續(xù)升高,2000-2022年該領(lǐng)域的中英文累計發(fā)文量整體呈指數(shù)增長。中國是英文文獻(xiàn)發(fā)文量最多(197篇)的國家,也是與其他國家合作交流最豐富的國家,尤其與美國的合作最為密切;中文文獻(xiàn)中主要的研究機(jī)構(gòu)是中國科學(xué)院和中國農(nóng)業(yè)科學(xué)院,在該領(lǐng)域和其他研究機(jī)構(gòu)合作交流最頻繁的研究機(jī)構(gòu)是中國科學(xué)院。

(2)《農(nóng)業(yè)工程學(xué)報》和《Remote Sensing》分別是國內(nèi)、國外發(fā)表農(nóng)作物種植結(jié)構(gòu)遙感提取相關(guān)文章數(shù)量最多的期刊,而《Remote Sensing of Environment》是該領(lǐng)域影響因子最高的期刊,學(xué)者可以通過關(guān)注這些具有高影響力、高載文量的期刊了解該領(lǐng)域的研究動態(tài)。

(3)通過對關(guān)鍵詞進(jìn)行可視化分析發(fā)現(xiàn),中文文獻(xiàn)中的研究熱點為時間序列、面向?qū)ο蠓诸?、隨機(jī)森林法、決策樹分類、無人機(jī)遙感、GF-1、NDVI、MODIS,英文文獻(xiàn)中的研究熱點為Random forest、Time-series、Sentinel-1、Sentinel-2、Deep learning、Phenology、Machine learning;對其進(jìn)行時序變化分析發(fā)現(xiàn),未來基于時間序列的多源數(shù)據(jù)更受學(xué)者的青睞,提取方法也向著基于GEE等云計算平臺利用隨機(jī)森林、卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行提取的方向發(fā)展,熱門特征指數(shù)還是以NDVI為主并結(jié)合其他特征進(jìn)行多特征量的集成。

基于以上分析,筆者認(rèn)為以下方面是農(nóng)作物種植結(jié)構(gòu)遙感提取研究未來關(guān)注的幾個方面:①對種植結(jié)構(gòu)復(fù)雜、地塊破碎區(qū)域的種植結(jié)構(gòu)進(jìn)行精細(xì)化提取。過去對中國農(nóng)作物種植結(jié)構(gòu)遙感提取區(qū)域主要在種植結(jié)構(gòu)單一、耕地地塊較大、耕地資源分布集中的東北三省、河南省和新疆維吾爾自治區(qū),但對種植結(jié)構(gòu)復(fù)雜區(qū)域的遙感提取也是實際生產(chǎn)的需求。②避免數(shù)據(jù)冗余、對特征進(jìn)行優(yōu)選。豐富的高光譜數(shù)據(jù)和多源數(shù)據(jù)融合都為農(nóng)作物種植結(jié)構(gòu)提取提供了豐富的特征量,但隨之也會造成一定的數(shù)據(jù)冗余,如何進(jìn)行特征優(yōu)選并得到最佳特征組合是當(dāng)前和將來的一個熱點話題。③利用遙感云計算平臺對農(nóng)作物種植結(jié)構(gòu)進(jìn)行高效率提取。當(dāng)涉及大范圍、長時間序列、多源遙感影像時,利用云計算平臺可以節(jié)約大量的數(shù)據(jù)下載、預(yù)處理、影像分析的時間,大大提高提取速度。