基于VOSviewer的农作物遥感制图研究的文献特征与热点演变分析*

张士博，查 燕，温彩运，史 云，宋 茜

（中国农业科学院农业资源与农业区划研究所/农业农村部农业遥感重点实验室，北京100081）

0 引言

农作物空间分布信息是农作物长势监测、产量估测和灾害评估的基础数据，也是农作物种植结构优化调整、水土资源管理和政府宏观决策的重要支撑［1-4］。作为景观生态组成的重要因素，农作物的空间分布与气候变化、自然资源的可持续管理、地貌景观、生态安全等诸多问

题有着千丝万缕的联系［5-6］。当前世界人口持续增长、消费结构不断升级、粮食需求日益增长、资源环境承载能力趋紧，摸清农作物种植的数量和分布对于国家粮食安全具有重要意义［7-8］。特别是在新冠肺炎疫情全球大流行、国际农产品市场供给不确定性增加的背景下，及时、准确地获取农作物空间分布信息为耕地“非粮化”“非农化”防治可以提供有效数据支撑，对于落实与评价相应的农业政策的执行情况、支持农作物市场的相关决策至关重要［5］。传统的统计方法获取某一行政区域的农作物种植信息，可以获取描述作物分布变化的数量和速率等特征的详细信息，但由于对统计数据的过度依赖，使得研究结果往往表现为时间上的滞后，并且缺乏农作物空间分布信息［9-10］。遥感因其覆盖范围大、高效及时以及低成本等优点，已经广泛应用于农作物空间分布信息提取研究中，为快速、准确获取大范围的农作物空间分布提供了全新的技术手段［11-12］。

自20世纪70年代“大面积作物清查试验”以来农作物遥感监测从单一农作物制图目标发展到多种农作物同步提取。20世纪80年代我国的遥感工作取得了快速发展，开展了重点粮区主要农作物种植结构遥感制图和估产工作［13］。进入21世纪，随着遥感卫星和空间技术的发展，农作物遥感制图技术和产品对种植前的作物种植结构宏观调控与优化、种植中的作物长势监测、风险胁迫以及收获时的成熟期预测、作物产量估计等各个农业应用场景提供基础数据和依据。近年来新一代信息技术与农业学科领域深度融合交叉，农作物遥感制图无论是在理论和技术方法还是在实践方面都取得了长足进展［14-17］。

知识图谱是显示学科的发展进程与结构关系的一种图形，具有“图”和“谱”的双重性质与特征。近年来，作为科学计量学的新方法和新领域已勃然兴起，知识图谱在环境工程与科学、土壤学、生态学、食品安全、新能源利用等方面广泛应用［18］。目前，常用的科学知识图谱的软件多达十几种，如Netdraw，Pajek，Gephi，CiteSpace，VOSviewer等［19］。秦长江通过Pajek对中国农业史进行分析，论述了我国农业史不同时期的研究领域与各学科间的联系，形象地展示了我国农业史的发展［20］。褚农农等通过CiteSpace对2009—2018年农业遥感领域的科研论文进行了分析，阐述了国际农业遥感领域的研究前沿与热点［21］。林巧等利用VOSviewer对京津冀地区农业科技发展进行了分析，发现近年来生物技术及相关研究是京津冀地区农业领域的研究热点与发展方向［22］。VOSviewer是基于科学计量学、数据可视化理论，利用高级布局和分类聚类的方法，生成多种文献计量关系图谱的分析平台。在农作物遥感制图领域深化发展期，基于可视化分析的方法，通过分析农作物遥感制图相关文献的引用关系，有助于挖掘农业土地系统学科发展的趋势与动向，有利于明晰知识领域研究前沿的演进历程，继而发现新兴的分支学科［23］。面对大量科学文献新信息，目前基于文献计量的农作物遥感制图研究态势分析还未见报道。基于此，文章以构建知识图谱为切入点，利用VOSviewer分析近10年农作物遥感制图领域中的年文献量、属地分布、合作关系、发文机构、热门期刊和研究热点等计量关系，旨在揭示全球农作物遥感制图研究领域的研究现状、前沿动态和发展趋势。

1 数据来源与研究方法

1.1 数据来源

该文依托Web of Science核心合集和CNKI中国学术文献网络出版总库平台，聚焦农作物遥感制图研究，广泛开展文献检索。在Web of science核心合集SCIE数据库中，检索式设为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*”），时间跨度为2011—2020年，设定文献类型为“Article”和“Review”，进行高级检索，获得相关研究主题的文献1.588 5万篇，经过去重处理后得到密切相关文献共569篇。在CNKI上，设定主题=（“农业遥感”AND“农作物遥感制图”OR“作物分类”AND“面积监测”AND“水稻分类”OR“小麦分类”OR“玉米分类”OR“大豆分类”OR“作物分类”），时间跨度为2011—2020年，精确匹配检索得到文献715篇，并进行去重处理后，得到相关主题的期刊文献291篇。

1.2 分析方法

该文借助VOSviewer（V1.6.16）软件，利用文献计量学原理，采用数学、统计学等计量方法，构建农作物遥感制图研究的知识图谱，分析相关文献的分布结构、数量管理、变化规律。该软件由荷兰莱顿大学开发，主要用于构建文献计量知识图谱，分析学科类别与关键词共现及文献的共引和共被引，可视化能力强。

2 结果与分析

2.1 文献特征分析

2.1.1 年文献量趋势分析

为了全面地了解农作物遥感制图领域研究内容的特征和演变趋势，首先对569篇英文文章和291篇中文文章进行年文献总量及年际间增长率分析，结果如图1所示。由图可见，自2011年以来，农作物遥感制图研究领域英文和中文的发文量总体呈现上升态势。农作物遥感制图研究领域根据年文献量可划分为3个阶段，分别是缓慢增长（2011—2014年）、快速增长（2015—2018年）和持续稳步增长（2019—2020年）阶段。在缓慢增长阶段，国内外知名期刊刊发农业遥感制图研究文献共167篇，年均增长率为7.34%，其中，英文文献年均发文量29篇，文献数量整体增加但增幅较小，且存在年际增减波动现象；中文文献年均发文量13篇。在快速增长阶段，国内外知名期刊刊发农业遥感制图研究文献共359篇，年均增长率为22.55%，其中，英文文献年均发文量57篇；该阶段内，中文文献数量不断增多，年际间未出现下降情况，年均发文量33篇。在平稳增长阶段，国内外知名期刊刊发农业遥感制图研究文献共334篇，2019年文献增加幅度加大，年均增长率为22.47%，其中，英文文献累计达227篇，年均发文量113篇；中文文献年均发文量53篇。总体上，近10年中文文献与英文文献数量的发展趋势大体相同，中英文发文量逐年增加，农作物遥感制图领域正被越来越多的研究人员关注。

图1 2011—2020年农作物遥感制图研究发文数量趋势Fig.1 Trendsin thenumber of research articleson remote sensing mapping of agricultural cropsduring 2011—2020

2.1.2 属地分布

在全球230个国家和地区中，2011—2020年农作物遥感制图领域中论文发文数量排名前10的国家如表1所示，其中中国的发文数量最多，发文数量高达207篇，其次是美国137篇，德国42篇，巴西38篇。中国和美国两国合计发文数量占总数量的60.5%。从被引频次度量论文学术影响力的结果看，美国发文的被引频次最高达3 803次，其次是中国3 191次，德国1 167次；平均单篇被引频次最高的是西班牙（38.00次）、意大利（31.40次）和法国（30.74次）。整体上，美国发文量第二、论文总被引频次位居第一、单篇被引次数为27.76次，其论文数量多、影响力大，在该领域发挥着引领方向的作用。同时，中国在该领域的发文量排名第一、论文总被引频次位居第二，在农作物遥感制图领域有着举足轻重的地位。

表1 农作物遥感制图领域主要国家发文数量及被引频次Table1 Number of publicationsand citation frequency of major countriesin thefield of remotesensing mapping of agricultural crops

2.1.3 国际合作分析

国际合作图谱可用来揭示各国家或地区的合作领域分布及合作强度。运用VOSviewer软件，分析农作物遥感制图文献数据得到农作物遥感制图研究领域的国际合作网络图谱（图2）。图2中共有节点数20个，节点的大小代表发文数量的多少，越大说明发文数量越多；线条的宽度代表两者之间合作的密切程度；颜色的深浅程度代表国家平均发文年份的年份；黄色的节点代表近期加入的国家，黄色的节点越多，说明不断地有新的国家加入合作网络，产生了新的合作关系。2011—2020年世界各国的国际合作关系网络图可以发现，发达国家和地区在农作物遥感制图领域的合作研究较多，开展较早。其中，中国与美国作为农业大国和农业强国，这两个国家的合作最为密切，同时与加拿大、日本和巴西等国家在农作物遥感制图研究方面合作紧密，形成了一系列研究成果，并且近年来，德国、阿根廷等国家与中国的合作研究逐渐增多，成为了中国合作网络中的新伙伴。

图2 国家合作网络时间线Fig.2 Country cooperation network timeline chart

链接强度可以反映该节点与其他节点共现次数，间接反映出国家间的合作程度。从国家链接强度看（表2），排名前10的国家依次是美国、中国、德国、法国、巴西、澳大利亚、意大利、加拿大、奥地利和新西兰。其中，美国与很多国家在农作物遥感制图领域开展合作，其关系网最广，链接强度最大，达到了151；中国在农业遥感制图领域合作活跃度第二，链接强度达到126，仅次于美国，远高于世界其他国家；法国、巴西、澳大利亚和意大利链接强度在30～40之间；加拿大、澳地利和新西兰在农作物遥感制图领域合作链接强度在20～30之间。

表2 前10名国家链接强度Table2 Top 10 countrieslink strength

2.1.4 发文机构分析

为了更直观地反映国内外在农作物遥感制图研究中有突出贡献的机构，采用VOSviewer软件对“institution（机构）”的高产机构进行分析，农作物遥感制图领域中英文发文TOP10机构如表3所示。世界范围内具有影响力的机构主要集中分布在中国、美国和加拿大。从机构国际影响力来看，中国科学院在全球众多科研机构居于首位。从英文论文高产机构的归属国来看，大多数高产机构属于中国和美国，并且中国的科研机构占据了前4位。其中CHINESE ACAD SCI发文达到63篇；发文数量最多的国外机构为AGR&AGRIFOODCANADA，发文15篇。通过CNKI平台对国内的机构进行分析，中国农业科学院农业资源与农业区划研究所在农作物遥感制图领域发表的中文论文被引频次最高，高达533次；中国科学院空天信息创新研究院中文论文的单篇被引频次21.42次，中国科学院地理科学与资源研究所被引19次，排名分布为第二和第三。总体来看，中国在农作物遥感制图领域中发文机构的数量多，但单篇被引频次除ZHEJIANGUNIV外，其余都低于20次。平均单篇被引最高的机构是USGEOLSURVEY，平均单篇被引37次。

表3 农作物遥感制图领域发文TOP10机构Table 3 Top 10 publishersin thefield of remotesensing mapping of agricultural crops

2.1.5 热门期刊分析

热门期刊对于科学研究领域及其发展方向具有较强的影响力。基于VOSviewer软件梳理了农作物遥感制图领域高被引排名前十的期刊，被引频次在130以上（表4）。其中，农作物遥感制图领域英文文献发文量最多并且总被引频次最高的期刊是《Remote Sensing》，发文124篇，总被引频次2 523次。《Remote Sensing of Environment》是遥感领域的顶尖期刊，发表的论文创新性强、影响力大，以农作物遥感制图为主题的论文仅35篇，总被引频次高达1 792次。《Isprs Journal of Photogrammetry and Remote Sensing》被引次数仅次于《Remote Sensing of Environment》达859次。从期刊构成来看，该领域文章发表期刊质量普遍较高，构成较为丰富。根据2021年科学网发布的期刊影响因子来看，上述期刊影响力较大，其中影响因子最高的是《Remote Sensing of Environment》，影响因子为10.164。

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

2.2 研究热点演变分析

关键词是作者对文章内容的高度概括与提炼，学科领域的高频关键词可以从一定程度上表征该学科领域的研究内容或者研究范畴，揭示其在农作物遥感制图领域的研究热点，同时也是文献获取中数据来源的基础条件。2011—2020年农作物遥感制图领域高频关键词分布可以看出（图3），该领域出现频率最高的关键词是时间序列（Time Series）。此 外，随 机 森 林（Random Forest）、Landsat、MODIS（Moderate-Resolution Imaging Spectroradiometer）、归一化植被指数（Normalized Difference Vegetation Index，NDVI）与增强植被指数（Enhanced Vegetation Index，EVI）、Sentinel-1/2、植被指数（Vegetation Indices）、玉米（Maize、Corn）、合成孔径雷达（Synthetic Aperture Radar，SAR）、机器学习（Machine Learning）等出现频次依次降低。并且不同时间阶段内各关键词所频次差异较大，说明在不同阶段农作物遥感制图应用的观测手段和识别方法在不断的演变，该领域研究的热点处于变化发展。比如2011—2014年间，学者采用时间序列数据集，利用EVI、NDVI进行农作物遥感制图研究较多；2015—2018年随着Sentinel成功发射，因其具有较高的时空分辨率成为农作物遥感制图研究的主要数据源之一；2019—2020年随机森林和机器学习的出现频次有所下降。整体来看，时间序列数据集是农作物遥感制图的主要手段，随机森林是农作物遥感制图应用最为广泛的分类方法之一，玉米作物类型是制图研究较多，NDVI、EVI是分类特征中常用的植被指数。

图3 2011—2020年农作物遥感制图领域高频关键词Fig.3 High frequency keywordsin thefield of remotesensing mapping of agricultural cropsfrom 2011 to 2020

将近10年的农作物遥感制图中英文文献的关键词按照数据类型、分类方法、分类对象与特征指标四类分别进行聚类（表5），国内外研究热点演变趋势存在一定的异同点。从制图数据源看，光学数据与雷达数据是主要的两类遥感数据。光学数据中，MODIS、Landsat一直是国内外主要的数据源；低空间分辨率数据中，MODIS数据具有回访周期短、波段多、宽幅大的特点，在大区域地表监测中发挥重要作用，但是在监测小区域地块中混合像元严重。2018年以前，MODIS出现的频次都比较高，说明该时段内农作物遥感制图以高时间分辨率、低空间分辨率卫星为主；随着Landsat和Sentinel数据的公开共享，中高分辨率卫星数据在农作物遥感制图中广泛应用；2019年之后无人机数据备受关注，无人机可以实现对区域的实时监测，一般空间分辨率非常高（亚米级），在小区域、山地优势明显。同时，自国产高分系列卫星发射以来，我国自主研发的13颗高分卫星星座为我国的地理测绘、气候观测、土地资源监测等方面发挥了重要作用。近年来，高分数据凭借其较高的空间分辨率与时间分辨率优势在农作物遥感制图中迅速升温，但其波段较少并且数据不公开，用户使用时会有所限制。合成孔径雷达数据自2015年以来，出现频次累积达40次，因其全天候、不受云雨天气影响的优良性能，在多云多雨区遥感制图中应用较多。总体而言，目前农作物遥感制图研究多以单一中高空间分辨率遥感数据或者高时间分辨率遥感数据为主，农作物遥感制图尺度从千米级向米级、亚米级发展。在此背景下，协同利用多源数据的分辨率、时序性、光谱等优势，补单一数据不足，重构高质量遥感数据集的方法研究受到广泛关注［24-25］。

表5 2011—2020年农作物遥感制图领域研究热点及变化趋势Table5 Research hotspotsand trendsin thefield of remotesensing mapping of cropsfrom 2011 to 2020

从制图方法看，过去主要是一些传统的机器学习算法，如随机森林、支持向量机、决策树等应用较为广泛。近年来，深度学习在农作物遥感制图中发挥重要作用，其中以卷积神经网络为代表的网络结构在2019—2020年词频高达26次，超越随机森林跃居第一位。卷积神经网络可以实现对影像更深层次特征的挖掘，具有学习能力强、适应性好、可移植性强等优势，潜力巨大。随着计算机性能的提高以及遥感图像处理技术的快速发展，推动了最大似然方法、最小距离法、K-means聚类等基于光谱统计的识别方法在农作物遥感制图研究中应用和推广［26］。一些新的机器学习算法，如人工神经网络、遗传算法等被广泛应用于农作物遥感制图中，取得了较好的分类效果［27-28］。基于像素尺度的农作物遥感识别，分类结果“椒盐现象”严重［29］。面向对象的方法可以有效减少分类存在的噪声斑点，结果更加符合真实状况。近年来，面向对象的分类方法稳步发展，在农作物遥感制图研究中，学者一直在探讨应用。目前，农作物遥感制图从传统的像素水平到面向对象分类，正逐步向地块尺度的方向发展。以对象、地块为制图单元，制图结果与土地权属、生产效益、田间管理等属性信息高度关联，提升了农作物遥感制图产品的实际应用价值，因而成为农作物遥感制图研究的热点［30］。

从分类对象看，目前农作物遥感制图的作物类型较为单一，水稻、小麦、玉米、大豆等作物类型的空间分布信息提取的研究较多，对油菜、高粱、马铃薯、花生等特色小宗作物关注度较低，作物类型多元化是农作物遥感制图的发展方向。

从特征指标看，指标体系构建都围绕光谱与时相特征展开。时间序列、NDVI、EVI、植被指数是主要的特征指标，尤其是时间序列在国外三个时期的出现频率保持最高，其次是NDVI和EVI。基于农作物遥感识别原理和植被在不同遥感波段的反射特性，发展植被指数，可以很好地反映作物的生长状况，因而被广泛地应用于农作物长势监测，使用的频率仅次于时序和NDVI、EVI［31］。随着卫星技术的提升、观测指标的提升，应用新发卫星的红边波段作为特征指标进行农作物分类成为可能，在农作物遥感制图应用中效果备受关注。通过不同特征的组合，结合时间序列分析作物的物候历，进行特征优选，是目前主流的分类策略，过去10年中相关研究日渐增多［32］。

3 结论与展望

过去十年，农作物遥感制图的理论与方法等方面取得了长足进展，为科学掌握农作物资源分布、种植模式和时空变化等发挥了重要作用，有效支撑了农业生产管理与农业政策制定。该文基于Web of Science核心合集数据和CNKI中国学术文献网络出版总库平台，利用VOSviewer，构建了农作物遥感制图领域的年文献量、属地分布、合作关系、发文机构、热门期刊和研究热点的知识图谱。总体看，作物制图领域近10年来论文发表数量在不断增加，大致分为3个阶段：缓慢增长阶段（2011—2014年）、快速增长阶段（2015—2018年）和持续稳步增长阶段（2019—2020年）。从各国的发文数量来看，中国和美国的发文量与影响力最大，且两国之间合作密切。中国近10年的发文数量增长迅速，发表的英文期刊数量207篇居世界第一位，遥遥领先排名第二位的美国137篇，但是文章的被引频次总量稍逊于美国。从国际合作关系来看，世界各国之间的合作关系逐渐增多与密切，多方合作是未来的趋势。我国在作物制图领域的发文机构与发文数量较多，但论文平均单篇被引频次较低，高水平论文较少。从研究热点看，农作物分类对象仍然以主粮作物小麦、水稻、大豆、玉米为主，分类方法从传统机器学习向深度学习发展。

作物“一张图”的研制一直以来备受重视。目前，国内面向作物“一张图”尚属空白。为尽快实现我国作物“一张图”还可以从以下几个方面深入研究。（1）加强多源数据协同利用。单一遥感数据源往往难以完整覆盖整个区域和作物生长时期。通过深度学习的融合算法对中高空间分辨率影像进行融合，重构高空间和高时间分辨率的遥感数据有助于提高作物种植面积估计的准确性，辅助农业决策［33-35］。协同光学与雷达数据的同时关注农业统计数据、气象数据、地形数据、生长度日指标等其他数据，有利于提高分类的精度与模型的鲁棒性［36］。（2）强化历史观测数据融合应用。开展适合于遥感影像深度学习训练与测试用的农作物样本库类型动态扩展与自动精化机制研究，提高样本数据的利用率。此外，通过改善样本获取方式，从人工实地采样慢慢向众包数据转变，通过建立众包数据平台，利用数据共享活动来获取大尺度、长时间序列的作物样本数据。（3）改进分类方法性能。针对遥感影像特点和应用需求，研究遥感影像深度神经网络开源架构与模型，构建顾及遥感特性的专用遥感网络模型。在有充足样本和算力支持的下，发展深度学习的方法，自动学习大量特征，实现端到端的分类；在样本数量较少的情况下，利用对样本和特征的依赖较小的分类器在一定程度上可以提升分类效果，但是这些分类器往往需要人工设置阈值，不断调整优化参数会加大计算量与不确定性。因此，“一套”遥感框架与模型是实现多作物准确分类亟需突破的技术。（4）优化特征组合。将农学信息融入到作物分类中，可以有效提高分类精度。不同的作物具有独特的季相节律特征，是区分作物与非作物、不同作物类型的主要依据，但是输入过多的特征会造成信息冗余，形成“维数灾难”反而增大计算量降低分类精度。因此，进行降维处理筛选出最优的特征和数量，寻找作物在其关键期与其它作物具有明显差异的特征对分类是及其重要的。另一方面需要设计遥感专用的深度学习神经网络，将光谱信息和地学知识融入到网络中，使之能够有效解决自然地理要素制图难题。综合研判，今后遥感数据源越发丰富、分类方法愈发智能，使得农作物遥感制图的大区域、高时效、高精度等成为可能。然而，国内农作物遥感制图研究的网络滞后于国外，研究方法和研究手段上易受外部影响，这就需要面向农业应用主战场、面向遥感技术前沿，以系统性、整体性的视角对多源数据协同利用，综合应用历史与现实样本，对农作物遥感制图进行全流程综合研究。