欢迎您访问《智慧农业（中英文）》官方网站！ English
智慧农业

智慧农业 >

2025 , Vol. 7 >Issue 6: 58 - 74

DOI: https://doi.org/10.12133/j.smartag.SA202505022

专刊--遥感+AI 赋能农业农村现代化

南方丘陵山区耕地撂荒遥感监测综述

  • 龙禹桥 1 ,
  • 孙晶 2 ,
  • 温艳茹 2 ,
  • 汪楚涯 1 ,
  • 董秀春 1 ,
  • 黄平 1 ,
  • 吴文斌 2 ,
  • 陈晋 3 ,
  • 丁明忠 , 4
展开
  • 1. 四川省农业科学院遥感与数字农业研究所（成都农业遥感分中心），四川 成都 610066，中国
  • 2. 中国农业科学院农业资源与农业区划研究所/北方干旱半干旱耕地高效利用全国重点实验室，北京 100081，中国
  • 3. 北京师范大学 地理科学学部，北京，100875，中国
  • 4. 四川省农业科学院，四川 成都 610066，中国
丁明忠，博士，高级农艺师，研究方向为农业信息化。E-mail：

龙禹桥，博士，助理研究员，研究方向为农业土地资源遥感。E-mail：

收稿日期: 2025-05-22

  网络出版日期: 2025-08-28

基金资助

国家重点研发计划项目(2022YFD2001105)

西藏自治区科技计划重点研发计划项目(XZ202201ZY0008N)

四川省财政自主创新专项(2022ZZCX031)

收起

Remote Sensing Approaches for Cropland Abandonment Perception in Southern Hilly and Mountainous Areas of China: A Review

  • LONG Yuqiao 1 ,
  • SUN Jing 2 ,
  • WEN Yanru 2 ,
  • WANG Chuya 1 ,
  • DONG Xiuchun 1 ,
  • HUANG Ping 1 ,
  • WU Wenbin 2 ,
  • CHEN Jin 3 ,
  • DING Mingzhong , 4
Expand
  • 1. Institute of Remote Sensing and Digital Agriculture (Chengdu Agricultural Remote Sensing Sub-center), Sichuan Academy of Agricultural Sciences, Chengdu 610066, China
  • 2. Institute of Agricultural Resources and Regional Planning, Chinese Academy of Agricultural Sciences/State Key Laboratory of Efficient Utilization of Arid and Semi-arid Arable Land in Northern China, Beijing 100081, China
  • 3. Faculty of Geography Science, Beijing Normal University, Beijing 100875, China
  • 4. Sichuan Academy of Agricultural Sciences, Chengdu 610066, China
DING Mingzhong, E-mail:

LONG Yuqiao, E-mail:

Received date: 2025-05-22

  Online published: 2025-08-28

Supported by

National Key Research and Development Project of China(2022YFD2001105)

Key Research and Development Project of the Tibet Autonomous Region Science and Technology Program(XZ202201ZY0008N)

Sichuan Provincial Financial Independent Innovation Project(2022ZZCX031)

Copyright

copyright©2025 by the authors
Fold

摘要

［目的/意义］ 耕地撂荒是全球土地利用变化中的一个核心议题，其背后蕴含着粮食安全与生态恢复（如碳汇）之间复杂的权衡关系。在中国南方丘陵山区，破碎的地形与复杂的农业系统使得撂荒现象尤为普遍且监测困难。精准、高效地获取撂荒时空信息，对于制定兼顾粮食生产与生态服务的土地利用政策至关重要。本文旨在系统评述撂荒地遥感监测方法，梳理其技术演进脉络，并展望未来发展方向。 ［进展］ 本文系统回顾了相关文献，揭示出撂荒地遥感监测技术已展现出清晰的演进脉络。在监测范式层面，其已从早期基于多时相分类后比较的“状态对比”，发展为当前利用时间序列分割算法进行“过程追踪”的主流动态分析。在识别算法层面，则实现了从依赖特征工程的传统机器学习，向能够自动学习时空特征的深度学习模型的深化。然而，现有研究在方法论上仍存在共性问题，突出表现为地面验证样本的时空代表性偏差，以及由云覆盖、混合像元和物候差异导致的不确定性。 ［结论/展望］ 当前研究仍面临光学数据获取难、方法精细度不够、撂荒特征挖掘弱等挑战。未来的研究应致力于构建一个集成的、智能化的监测体系。具体发展方向包括：构建融合光学、合成孔径雷达（Synthetic Aperture Radar, SAR）等多模态信息的无缝、高分辨率数据立方体；建立基于分层抽样原则的地面验证与多目标校准网络；发展物候知识与深度学习耦合的精细识别模型，并向量化评估“撂荒强度”演进；推动遥感云计算平台从“数据仓库”向支撑多尺度、多模态分析的“智能生态系统”转型；最终实现从描述性制图向预测性过程模拟与风险评估的范式跃迁。

关键词： 耕地撂荒; 遥感监测; 可持续利用; 丘陵山区; 南方地区; 遥感信息

本文引用格式

龙禹桥 , 孙晶 , 温艳茹 , 汪楚涯 , 董秀春 , 黄平 , 吴文斌 , 陈晋 , 丁明忠 . 南方丘陵山区耕地撂荒遥感监测综述[J]. 智慧农业, 2025 , 7(6) : 58 -74 . DOI: 10.12133/j.smartag.SA202505022

Abstract

[Significance] Cropland abandonment in hilly and mountainous regions is a pronounced manifestation of land‐use marginalization, with profound implications for both regional food security and ecosystem service provision. In southern China, this issue is particularly acute due to a confluence of factors including early and rapid urbanization, rugged topographic relief, complex multi‐cropping systems, and substantial rural‐to‐urban labor migration, which have driven widespread abandonment of steep, fragmented terraces. This trend presents a profound dual dilemma: On one hand, the cessation of cultivation diminishes local grain production capacity, amplifies pressure on existing cropland, and threatens national food supplies; On the other hand, the secondary succession of spontaneous vegetation on these deserted parcels offers significant carbon sequestration potential and contributes to biodiversity recovery. Yet, accurately mapping these spatio-temporal patterns is severely hampered by persistent cloud cover and the landscape's complexity. This leaves decision-makers without the timely, high‐resolution maps needed to track abandonment dynamics, uncover their socioeconomic and environmental drivers, and craft land-use policies that holistically balance agricultural output, carbon storage, and landscape resilience. [Progress] Drawing from literature published since 2014, this paper systematically reviews remote sensing‐based methods for cropland abandonment, revealing a clear developmental trajectory. Methodologically, the approaches have evolved along two parallel paths. First, the monitoring paradigm has shifted from early "state comparison" methods, such as post-classification comparison of discrete multi-temporal images, to modern "process tracking" approaches. These leverage dense time series, utilizing phenology‐aware algorithms such as LandTrendr and BFAST to identify abrupt or gradual breaks in the vegetation trajectory, thus capturing the dynamics of abandonment and distinguishing it from short-term fallows. Second, the identification algorithm has progressed from traditional machine learning classifiers and object-based image analysis (OBIA), which depend on hand‐crafted features, towards sophisticated deep learning frameworks capable of automatically learning complex spatio-temporal signatures. Concurrently, data pre-processing techniques have advanced significantly, with harmonic analysis, Savitzky-Golay filtering, and the integration of Synthetic Aperture Radar (SAR) data now routinely applied to reconstruct continuous, high-quality time series. Furthermore, this review provides a critical synthesis of common methodological issues, focusing on the spatio-temporal representativeness bias in ground validation samples and the multiple sources of uncertainty stemming from cloud cover, mixed pixels, and phenological variability. [Conclusions and Prospects] Despite considerable advances, persistent challenges continue to limit operational monitoring. Looking forward, the field must evolve from descriptive mapping toward a truly predictive and decision‐ready framework. This transformation hinges on five interlinked frontiers. First, it requires forging the seamless integration of diverse data streams: Fusing optical imagery, radar backscatter, and terrain models within cloud computing environments to yield uninterrupted, high‐resolution time series that capture both abrupt and gradual land‐use changes. Second, it necessitates the establishment of an extensive, stratified ground‐truth network; by systematically sampling high-risk, transitional, and reference plots and collecting synchronized measurements, researchers can iteratively recalibrate classification models and improve their resilience across the region's landscape mosaic. Third, on the algorithmic frontier, hybrid approaches that embed expert‐defined phenological rules within deep learning architectures offer a promising path to robustly disentangle permanent abandonment from temporary fallows and to quantify a continuous "abandonment intensity". Fourth, the deployment of fully automated and reproducible processing pipelines on cloud platforms like Google Earth Engine will democratize access to near-real‐time monitoring and enhance reproducibility through open-source workflows. Finally, anchoring detection within dynamic simulation frameworks (e.g., agent‐based models) driven by historical trajectories and key drivers will allow for the projection of future abandonment of "hotspots". Layering these projections with multi‐criteria risk assessments will yield spatially explicit risk maps to guide precision interventions—such as targeted recultivation subsidies or ecological restoration efforts—enabling sustainable land stewardship that simultaneously safeguards food security and enhances ecosystem resilience.

Key words： cropland abandonment; remote sensing; sustainable utilization; hilly and mountainous areas; Southern China; remote sensing information

0 引 言

耕地撂荒是全球土地利用/土地覆盖变化（Land Use and Land Cover Change, LUCC）研究的核心议题之一［1-3］。工业化和城市化推动农业劳动力转移，削弱农业边际效益，使撂荒成为农地利用变化的常态［4, 5］。近年来，中国耕地撂荒规模呈现扩大趋势，由贫瘠、破碎地块蔓延至肥沃、连片地区［1, 6］，这一趋势具有复杂的双重影响：一方面威胁粮食安全，另一方面其自然演替有助于碳中和目标［3, 7, 8］。与北方平原地区相比，南方丘陵山区的地形破碎、农机作业难度大，劳动力流失和城市化进程更快，导致撂荒现象更为严重［9, 10］。据不完全统计，长江流域部分区域耕地撂荒率通常在20%以内，但在特定年份（如2021年）的局部高发区，该比例可超过50%［11, 12］。此外，2000—2020年间约40%的撂荒耕地持续时间超过5年［13］。在当前粮食安全与生态安全双重压力下，绘制撂荒耕地地图对于可持续发展政策制定至关重要。
联合国粮食及农业组织（Food and Agriculture Organization of the United Nations, FAO）将撂荒定义为连续四年无人管理的农地，但该定义并不通用［14, 15］。中国的《土地管理法》和《基本农田保护条例》等则从法律责任角度，将持续一至两年的“抛荒”行为与补贴取消或土地回收等后果挂钩。政策语境多用“抛荒”，强调主观放弃及法律责任，与“撂荒”内涵相近，但“抛荒”在使用背景上更侧重于有主观放弃耕作意图的行为，法律后果更明确。
在中国南方多熟种植区域，相关研究对撂荒类别进行了进一步细化和拓展，可将其分为广义与狭义两种。广义的撂荒从耕地利用程度的视角判断，不仅包含显性视角下完全未利用的闲置耕地，还包括隐性视角下投入不足、未充分利用的耕地［16-18］。而狭义的撂荒则基于明确的撂荒持续时间。关于其撂荒持续时间的认定，目前学术界尚未形成统一标准，相关研究通常将撂荒持续时间为一季的认定为季节性撂荒，撂荒持续时间为一年和一年以上的则认定为年际性和常年性撂荒［19-21］（图1）。不同撂荒类型在植被指数序列中呈现不同季节特征。正常耕作地块的植被指数曲线会呈现出与作物生长周期一致的、规律性的“波峰-波谷”模式，而季节性撂荒则表现为某一季作物生长周期的缺失；年际撂荒表现为某一整年内所有生长周期的缺失；常年撂荒则表现为连续多年无规律性的作物生长活动。
图1 不同撂荒类型的植被指数时间序列曲线特征示意图

注：以一年两收为例。

Fig. 1 Schematic diagram of vegetation index time-series curve characteristics for different abandonment types

在LUCC和全球土地计划（Global Land Project, GLP）两大计划的推动下，南方丘陵区耕地撂荒信息提取研究不断深化。遥感技术因其覆盖广、时空连续等优势，成为撂荒监测的核心手段。然而，早期基于多时相土地覆盖分类的方法，在南方多熟制背景下存在时效性滞后问题，其监测频率不足以将季节性撂荒与正常的轮作休耕有效区分［22, 23］。尽管利用时间序列分析［24］和面向对象分类（Object-Based Image Analysis, OBIA）［25, 26］技术已在一定程度上提升了监测能力，但目前仍缺乏一个系统、全面的监测体系。
尽管上述方法在显性撂荒监测上已证明其有效性，但针对隐性撂荒的监测能力不足，亟待形成系统、全面的、适用于南方复杂环境的耕地撂荒遥感监测研究体系。鉴于此，本文依托Web of Science和中国知网（China National Knowledge Infrastructure, CNKI）核心数据库，对2014年以来中国南方丘陵山区耕地撂荒遥感监测的研究进展及其存在问题进行综述，通过梳理和总结当前南方丘陵山区耕地撂荒遥感监测任务中数据及研究尺度、遥感图像预处理、监测方法，以及利用策略等，明确耕地撂荒遥感监测的切入点、发展方向和落脚点，重点将现有监测技术梳理为从“状态对比”到“过程追踪”的监测范式演进，以及从传统机器学习到深度学习的识别算法深化这两条并行发展的主线，并分析方法论瓶颈，展望综合智能监测框架，助力构建南方丘陵区精准高效的遥感监测体系。

1 耕地撂荒遥感监测现状

获取准确、及时的耕地撂荒信息对于优化耕地利用策略、保障国家粮食安全和推进生态恢复具有至关重要的意义［27］，南方丘陵地区，以其复杂多样的地理环境著称。西南地区以喀斯特丘陵为主，东南沿海地区丘陵和山地众多，中部地区则以丘陵和平原交错为主，这些地区均为耕地撂荒的高风险区。本文在Web of Science中，策略设定为：在所有字段中检索包含（“farmland abandonment”或“cropland abandonment”）和（“remotely sensed”或“remote sensing”）的文献。同时，在CNKI中策略设定为：在所有字段检索中包含（“耕地撂荒”或“耕地弃耕”或“农田撂荒”），以及“遥感”的文献，去掉结果中（硕、博）学位论文、学术报告、会议论文集、专著，选取同行评议，使用遥感方法为研究主题且研究区域包含中国南方丘陵山区的学术论文。最终，梳理了2014—2024年10年间相关学术论文。截至2024年10月，相关研究共计221篇（图2a），且数量呈现逐年显著增长的趋势，尤其是2019年以后呈现加速增长趋势，反映出该领域研究的活跃度和关注度不断提升。
图2 南方丘陵山区耕地撂荒遥感监测发文量及技术框架

Fig. 2 Number of publications on spatiotemporal pattern perception methods for cropland abandonment in southern hilly and mountainous regions of China

从技术框架来看（图2b），耕地撂荒遥感监测主要由数据及研究尺度、遥感图像预处理、撂荒遥感识别方法、精度与不确定性分析和应用策略这5部分构成；当前相关研究集中在识别方法方面，尝试探索性能更优的模型克服南方丘陵区多云多雨、地形破碎带来的干扰；相关的模型构建上，主要借助区域地物光谱在关键物候或时序变化的特征差异开展土地覆盖分类，结合撂荒时间维度定义实现显性耕地撂荒遥感识别；相关分类器主要以随机森林、支持向量机和决策树为主，而深度学习的引入则为更复杂的撂荒事件提取提供了新的技术路径。此外，少量研究关注隐性撂荒识别，主要依赖于对土地利用强度等间接指标的分析。

1.1　数据源与研究尺度

耕地撂荒遥感监测研究中主要利用中高分辨率的光学传感器数据，包括Landsat系列数据［28-30］和Sentinel-2数据。Landsat长期记录适用于大尺度趋势分析，但16天重访周期在南方多云区常错失关键物候，难以监测短期或季节性撂荒。随着欧空局Sentinel系列卫星投入对地观测，Sentinel-2因其较短的重访周期和较高的空间分辨率，近年来被广泛用于的耕地撂荒遥感提取，但仍旧无法突破光学云层的限制。因此，具备全天候、全天时观测能力的合成孔径雷达（Synthetic Aperture Radar, SAR）数据，在该领域正扮演着日益重要的角色。其中，Sentinel-1波段数据因其免费开放、重访周期短的特点，已成为当前研究的主流SAR数据源［31］。SAR数据对地表的几何结构、粗糙度和介电常数（水分）高度敏感，弥补光学影像不足，尤其是在监测耕作活动（如犁地、灌溉）和植被结构变化上具有独特优势。除此之外，高分数据［25, 26, 32］和资源数据［33］在局部精细监测中展现了潜力，但其成本与效率限制了大范围应用。中分辨率成像光谱仪（Moderate-resolution Imaging Spectroradiometer, MODIS）数据也是常见数据源［34, 35］，但难以监测丘陵区内部的破碎化地块撂荒。
空间尺度从像元延伸至田块，呈现向大尺度扩展趋势。大尺度研究以省域或流域为单元，揭示撂荒地格局与演变趋势［35, 36］。中尺度研究通常将市、县等作为研究区［37］，通过时间序列变化检测对撂荒事件进行动态提取，在空间分辨率与监测范围之间取得了一定的平衡。微观层面聚焦田块，实现撂荒位置与时间的精细识别，支撑精准治理［38］。在时间尺度上，已从“年度尺度”逐步细化至“季节尺度”。年度尺度基于土地变化轨迹，适合评估长期趋势，但难以捕捉短期或隐性撂荒。为适应南方多熟制特点，研究者进一步将监测频次细化至作物关键生长期，基于物候事件构建归一化差值植被指数（Normalized Difference Vegetation Index, NDVI）曲线，拟合拐点识别季节性撂荒［39］。
尽管数据源与研究尺度日趋多样，但各类数据仍存在固有局限：光学影像受云层制约，SAR数据受地形干扰，高分影像成本高昂，而MODIS空间分辨率不足。因此，当前针对南方地区复杂的撂荒情景，尚缺乏一个能够在时空尺度间灵活切换、并兼顾精度与效率的优化监测范式。

1.2　数据预处理方法

南方丘陵山区撂荒监测在很大程度上依赖光学遥感观测对耕地/作物信息准确识别，南方频发的多云雨现象会对地面信息造成不同程度的遮挡，导致耕地/作物光谱反射率信息在时间和空间上均存在模糊与缺失［40］，因此，对原始遥感数据进行预处理，重建一套完整、高质量的时间序列是准确、及时地提取地表信息的关键前提。当前主流的重建方法，根据其技术路径可分为基于单一传感器的重建、基于多源传感器的重建，以及基于深度学习的重建三类。

1.2.1　基于单一传感器的重建方法

此类方法主要通过插值/拟合策略，利用同一传感器在时间或空间上邻近的有效观测来重建缺失像元。基于空间或时间信息的插值方法，如局部线性直方图匹配［41, 42］、邻近相似像元插值器［42］和基于光谱角制图［43］的算法，通过寻找时空邻域内的相似像元来填补数据空白。同时，基于时间序列的拟合方法，则引入数学函数（如线性谐波模型［44］或Whittaker平滑器［45］）来对长时序反射率或植被指数曲线进行拟合，生成连续时序数据。一般来说，插补策略更适合单幅影像的修复，而拟合策略在重建整个时间序列上更具优势。单一传感器方法原理相对简单，但其效果严重依赖于可用无云影像的数量及其时间分布，在南方丘陵等云覆盖频繁的区域，其不确定性显著增加。此外，若某一关键生长期（如夏秋季）因云雨覆盖而缺少有效观测，依赖单一植被指数曲线的拟合算法很可能会被误导，错误地将已经撂荒的地块“重建”出一条看似正常的作物生长曲线，从而导致漏判。

1.2.2　基于多源传感器的重建方法

为突破单一传感器的局限，基于多源传感器的重建方法，特别是时空融合技术，通过融合高空间分辨率（如Landsat）与高时间分辨率（如MODIS）影像的数据优势，生成合成数据。自首个时空自适应反射率融合模型（Spatial and Temporal Adaptive Reflectance Fusion Model, STARFM）典型方法［46］被提出以来，大量改良方法相继被提出。这些方法依据其核心原理，可大致分为基于混合像元解混［47］、基于权重函数［46］、基于机器学习［48］等多种类型。近年来，结合多种思路的综合性方法，如灵活时空数据融合（Flexible Spatiotemporal DAta Fusion, FSDAF）及其衍生算法［49, 50］和将插补与融合相结合的卫星数据融合（SaTellite dAta IntegRation, STAIR）算法［51］，进一步提升了融合效果。多传感器融合能够兼容不同传感器优势，但常基于地表同质性、短时间内地物不变等理想化假设，而对于南方丘陵山区，依赖MODIS等低分辨率影像作为辅助数据的时空融合算法（如经典的STARFM），其应用前提受到了根本性的挑战。一个粗分辨率的MODIS像元内往往包含了耕地、林地、建筑、水体等多种地物类型，使得MODIS像元的时间曲线无法准确反映其内部耕地地块的真实物候变化，因此难以适用于本区域零散、细碎的撂荒地块监测。此外，算法参数多凭经验设定，缺乏统一的自适应调优机制，使得跨区迁移时的可靠性和普适性受到严重制约。

1.2.3　基于深度学习的重建方法

近年来，以深度学习为代表的智能重建方法展现出了潜力。其利用海量数据学习时空-光谱特征，建立含云/缺失到完整影像的非线性映射，实现高精度时序重建［52, 53］。方法的一大优势是能够有效融合多模态辅助数据，特别是具有全天候观测能力的SAR数据，为云覆盖地区的信息重建提供了可靠的补充来源［54］。
当前研究聚焦优化网络架构，以高效融合多源信息。例如，多分支结构可以并行处理光学、雷达等异构数据流，将SAR的后向散射系数、极化或干涉特征作为独立通道输入，再进行特征的有效融合［55］；注意力机制能引导模型自适应地聚焦于时空维度上的关键时空特征，提升重建效率与精度［56, 57］；而基于Transformer的结构则凭借其对长程依赖关系的建模能力，在挖掘全局时序特征方面表现出独特优势［58］。
尽管深度学习方法在精度上表现突出，但其面临的挑战同样不容忽视。首先，空间卷积模型的平滑效应易模糊边缘，不利于识别和提取零散撂荒地块［59, 60］。其次，模型对输入数据的偏差高度敏感。以SAR数据为例，尽管地形校正被用于缓解其地形效应，但其有限的成效（撂荒识别总体精度提升0.6%~2.4%［31］），且斑点噪声与几何畸变需复杂预处理，否则易引入“地形噪声”。再次，深度模型的“黑箱”特性使得重建结果难以解释，野外检验与模型可解释性成为亟待解决的问题。最后，模型性能高度依赖于大规模、高质量的训练样本，其高昂的计算成本也制约了其广泛应用。因此，发展可解释性更强、对样本依赖更小且对数据噪声更鲁棒的深度学习模型，是未来重要的研究方向［55, 61, 62］。
总体而言，南方丘陵撂荒时序重建正从插值、融合迈向智能方法。然而，目前的工作多偏重算法本身的精度提升，而对算法在真实复杂环境中的可迁移性、可解释性及模型运行效率的关注仍显不足。

2 耕地撂荒遥感监测方法

耕地撂荒后，原有的人工农业生态系统会向半自然乃至自然生态系统演替，通常经历从杂草、灌木到森林植被的序列［63, 64］（图3）。这一演替过程在平坦、种源丰富地区可在十余年内加速完成，但在坡度陡、土壤贫瘠的丘陵地带，其演替进程则较为缓慢，甚至出现停滞［65, 66］。更为复杂的是，丘陵区撂荒地同时包含“显性撂荒”与“隐性撂荒”两种形态，二者在植被、群落及物候规律上存在显著差异，为遥感监测的目标定义与特征提取带来了复杂性。
图3 中国南方丘陵山区耕地显性撂荒复杂过程

Fig. 3 The complex process of explicit cropland abandonment in the southern hilly and mountainous regions of China

为了系统地认知并量化这一过程，遥感监测的技术方法经历了演进，表现为两个维度：一是在监测范式上，从早期依赖少数时相影像进行“状态对比”的静态方法，发展为利用密集时间序列影像进行“过程追踪”的动态分析；二是在识别算法上，从传统的机器学习模型，向能够自主学习深层特征的深度学习模型不断深化。本节将按照这一发展，对撂荒地的主要遥感监测方法进行梳理与评述。

2.1　从多时相分类到过程追踪

2.1.1　多时相分类方法

耕地撂荒主流研究范式，将撂荒视为一种土地覆盖类型变化，通过对比两个或以上时相的土地覆盖状态识别变化区域（图4a）。在具体技术实现上，主要存在两种核心方法。
一是基于遥感解译或专题图的双时相叠加分析。早期依赖专家目视解译，结合光谱、纹理和空间特征，手动勾绘地块边界并分类［69］。随着高时空分辨率遥感影像的普及，丰富的光谱和纹理信息显著提高了解译效率与精度［70］。解译人员通过合理选择底图和熟练的判读技巧，有效区分撂荒水田与旱地，尤其在明确地块的初始状态后，其精度进一步提升［71］。为克服人工耗时、难以大范围动态监测的缺陷，发展出基于公开土地覆盖数据集的方法。该方法通过直接对比前后两个时期的土地覆盖专题图，将由“耕地”转变为“林地”“草地”等自然植被的图斑判定为撂荒［67, 72］。
二是基于遥感影像的分类后比较。该方法的核心是，首先对前后两个时期的遥感影像独立进行土地覆盖分类，然后对分类结果图进行空间叠加比较（图4b）。在分类阶段，研究者广泛采用基于像元的监督学习模型（如决策树、支持向量机（Support Vector Machine, SVM）、随机森林）［35, 73］或非监督分类模型（如迭代自组织数据分析算法（Iterative Self-Organizing Data Analysis Techniques Algorithm, ISODATA）算法）［74, 75］来构建地表覆盖图。为避免高分影像中“椒盐”噪声并更好地模拟地块，引入OBIA方法。该方法通过先分割后分类的模式，显著提升了分类结果的精度和稳定性［76, 77］，最终，通过空间叠加和变化矩阵分析，即可识别出相应的撂荒图斑。
基于“状态对比”，其优势在于原理直观，但其内在局限性也十分显著。首先，其时间分辨率低，依赖于离散时相的观测，无法捕捉季节性撂荒等年内动态；其次，分类后比较方法存在误差累积问题，不确定性较高［78］。为弥补这些不足，变化向量分析（Change Vector Analysis, CVA）等直接在分类前对像元光谱特征进行分析的方法也被应用于变化检测［79, 80］。向量模可量化变化程度，突出变化农田，为多时相分析提供更具过程信息的路径，成为撂荒监测新方向。

2.1.2　时间序列分割方法

为克服多时相分类方法在时间分辨率上的根本局限，研究范式逐渐从依赖离散时相的“状态对比”，转向利用传感器提供的全部有效观测数据，构建密集时间序列，结合过程分析提取耕地撂荒。其基本原理是：耕地作为人工农业生态系统，其植被指数在时间序列上会呈现出与作物生长周期高度耦合的、规律性的季节性规律；而撂荒作为一种对正常耕作活动的干扰，必然会导致这种规律发生中断或趋势性改变。
该方法所涉及的关键技术主要是时间序列分割，其代表性算法为基于Landsat的干扰和恢复趋势检测（Landsat-based Detection of Trends in Disturbance and Recovery, LandTrendr）。其中，LandTrendr通过对长时间序列影像中每个像元的植被指数曲线进行分段线性拟合，能够有效识别由撂荒引起的植被覆盖渐变或突变（图4c）［81］。例如，Wu等［82］综合使用Landsat与Sentinel影像，应用LandTrendr算法进行时序变化分析，提取了福建省2010—2021年的长期撂荒耕地信息。同样，Hong等［36］基于Landsat数据，利用土地分类概率建模结合LandTrendr方法，生成了2003—2018年川南地区30 m分辨率的撂荒耕地图谱。
图4 基于遥感技术的撂荒识别示意图［13， 36， 67， 68］

Fig. 4 Schematic diagram of cropland abandonment detection using remote sensing techniques

时间序列动态分析方法的优势在于能够捕捉撂荒发生的具体年份甚至季节，在区分短期休耕与长期撂荒上具有显著优势。然而，该方法也面临多重挑战：首先，其性能高度依赖于高质量、高密度时间序列数据的重建；其次，相较于变化剧烈的森林扰动，撂荒地块的植被指数变化通常更为微妙且具有区域差异性，增加了算法的识别难度；再次，现有应用框架高度依赖机器学习模型和大量训练数据，而对算法自身参数的精细化调优关注较少；最后，在农业种植结构复杂的区域，仅依赖单一植被指数难以全面表征地表变化，因此需要融合多维度遥感指标来构建更稳健的特征空间［28, 83, 84］。

2.2　从传统机器学习到深度学习

伴随着监测范式从“状态对比”向“过程追踪”的转变，用于从遥感数据中提取撂荒信息的识别算法本身，也经历了从依赖预设特征的传统模型，向能够自主学习深层特征的智能模型的演进（表1）。
表1 南方丘陵山区不同环境下耕地撂荒遥感识别算法

Table 1 Remote sensing based monitoring strategies for cropland abandonment in different environments in southern hilly and mountainous areas

环境特征 数据源 识别算法 精度 优势与局限性 参考文献
大尺度、地形相对平缓 MODIS 随机森林 82%以上

优势：覆盖范围广，时间序列长，利于宏观趋势分析

局限性：空间分辨率低，无法识别破碎地块，易受混合像元影响

 ［13］
决策树 85%以上 ［35］
/ 83% ［3］
中尺度、中等破碎丘陵 Landsat 随机森林 75%~86%

优势：时间序列长，历史追溯性强，适合监测长期显性撂荒

局限性：重访周期长，易受云雨影响，对多熟制下的季节性撂荒识别困难

 ［28，36，93］
决策树 75%~87% ［88］
Sentinel-2 决策树 90% ［73］
支持向量机 65% ［86］
Sentinel-1 深度学习 79%以上 ［90］
Landsat+Sentinel-2 支持向量机 95% ［87］
决策树 84% ［94］
Landsat+Sentinel-2+ Sentinel-1（SAR） 随机森林 89% ［95］
小尺度、地块级精细监测 Sentinel-1 / 80%

优势：空间分辨率极高，可识别田埂、耕作痕迹等微观特征

局限性：数据获取成本高，覆盖范围小，难以进行大范围、长时序监测

 ［38］
UAV 分形维数 / ［91］
在传统机器学习领域，监督分类算法被广泛利用。其中，随机森林因其对高维数据和噪声具有较好的鲁棒性，并且通过集成学习有效降低了过拟合风险，成为土地覆盖研究中应用广泛、性能较为稳定的分类模型之一［85］。支持向量机则凭借其在处理小样本、高维非线性问题上的理论优势，也得到了广泛应用［86, 87］。此外，决策树模型因其结构简单、易于过拟合，更多地被用作早期分类或基础性的研究中［73, 88］。传统方法的核心，均依赖于研究者基于专业知识进行的人工特征工程。
近年来，源于计算机视觉技术的深度学习为撂荒耕地提取提供了新的技术路径。与传统机器学习不同，深度学习模型的核心优势在于能自动学习特征的层次化表示，从而避免了复杂和主观的人工特征工程［89］。这为识别光谱特征模糊的撂荒地块提供了新的可能。例如，Yang等［90］构建的深度学习模型，能够同时融合PolSAR数据的后向散射、极化参数和空间卷积特征，实现了更高性能的撂荒地识别。总体而言，将SAR数据应用于机器学习或深度学习模型，其核心在于构建一个丰富的特征空间，这不仅包括后向散射强度的时序统计量（如均值、标准差），更包括基于干涉相干性的时序变化特征，以及基于纹理分析（如灰度共生矩阵）的特征，这些特征能够从不同维度表征撂荒过程中的地表变化。
此外，有学者还探索了其他新颖的特征与方法。例如，部分研究引入了地表纹理的分形维数作为区分撂荒地的有效指标［91］；另有学者引入作物种植模式谱，基于贝叶斯网络构建完整区域种植模式，进而反映耕地撂荒时空分布特征［92］。这些新技术为撂荒监测提供了新的视角，但也普遍面临高计算成本和数据需求的挑战，其实用性与普适性有待进一步验证。

2.3　隐性撂荒遥感监测方法

隐性撂荒隐蔽性强、难以察觉，累积效应显著，威胁区域粮食安全与土地可持续利用。由于未发生土地覆盖类型变化，传统分类法难以识别。因此，遥感监测的核心由“类型识别”转向对“利用强度”的量化，而其主要挑战在于如何将其与农业生产中的计划性休耕进行精准区分。
尽管隐性撂荒与计划性休耕均可能表现为某一时期无作物覆盖，但二者在管理意图与地表过程上存在本质差异。休耕作为一种主动的农业管理措施，其地表通常会进行翻耕或管理以抑制植被生长；而隐性撂荒则是一种被动的土地边际化过程，地表通常无人为干预，允许机会性植被（如杂草）自然生长。这导致两者在植被指数曲线上表现不同：休耕为持续低值曲线，隐性撂荒则峰值较低、波动不规则，物候信号异常。
当前，遥感常以复种指数衡量土地利用集约度，方法为统计年度“波峰”或“波谷”数量［96, 97］。例如，在一年两熟的区域，植被指数曲线上规律性的年度双峰模式转变为单峰，即可判定发生了集约化程度下降，出现冬季闲置和水稻“双改单”现象，成为季节性撂荒的典型表现［98，99］。然而，这种方法有效性存在显著的尺度依赖性。在中低分辨率影像（如Landsat）上，像元值是地块内多种地物的综合平均响应，能够形成足以提炼出“波峰”的宏观物候曲线；但在高分辨率影像上，地块内部的精细纹理会导致植被指数时间序列呈现剧烈的高频波动。因此，该方法对于识别连片的、均质的撂荒区域具有较好适用性，但对于监测南方丘陵山区更为常见的零星细碎的隐性撂荒则能力有限。
此外，部分前沿研究开始尝试通过更综合的利用效率指标进行间接反演。这类方法的原理，是利用遥感技术捕捉因农业投入（如水、肥、田间管理）减少所导致的作物生产力或生长效率下降。其核心假设是，投入水平与植被生产力之间存在着可由遥感量化的正向关联。一是遥感估算复种频率与生长持续期，与周边或历史水平对比，若频率低、持续短，表明投入不足，则存在隐性撂荒的可能［100］。二是利用遥感估算的植被生产力（如总初级生产力（Gross Primary Production, GPP）/净初级生产力（Net Primary Productivity, NPP））表征耕地低效利用程度［101, 102］，因为NPP的降低则可能表明耕地利用不足或退化。
尽管上述方法在特定区域取得了应用［103］，但与显性撂荒相比，目前针对南方丘陵地区隐性撂荒的遥感研究仍处于初级阶段，成果相对匮乏。其根本原因在于，隐性撂荒的特征参数界定与量化存在较大困难，相应指标体系和定量评价方法尚未成熟［104］。因此，如何突破传统的间接指标，建立能直接量化撂荒过程与强度的遥感指标体系，已成为本领域亟待突破的前沿方向。

2.4　撂荒监测精度影响因素与验证策略

对比遥感监测精度的差异，反映研究区域地理与农业结构的复杂性。这些因素从根本上制约着分类模型的性能上限。其一，在地形破碎的南方丘陵山区，地块细碎且阴影效应严重，增加了光谱混淆，导致分类精度偏低［105］；而在地形相对缓和的丘陵区，精度则能达到更高水平（如>90%）［106］。农业种植结构的异质性直接影响撂荒特征的可分离性。其二，在种植模式单一的区域，撂荒地与耕作地的物候特征差异较大，特征可分性较高。但在南方多熟制区域，轮作、休耕，以及柑橘、茶叶等常绿经济作物的广泛分布，使得短期撂荒在光谱和时序特征上与正常农业活动及其他自然植被的界限模糊，显著增加了错分概率。其三，训练样本的质量与定义差异，如样本数量、代表性，以及对撂荒年限的界定不同，也是造成各研究间精度无法直接进行横向比较的重要原因。
在上述客观挑战的基础上，当前研究的精度验证策略本身也存在系统性偏差，这直接影响了评估结果的客观性与有效性。其核心问题在于地面验证样本的时空代表性普遍不足。在空间维度上，南方丘陵山区的复杂地形导致验证样本采集常存在“便利性采样”偏差，即样本点倾向于集中在高可达性区域，而对撂荒现象可能更严重的陡坡、高海拔地块采样不足［107-109］。这一空间偏差叠加了在时间与撂荒状态维度上的非均衡性。现有验证集往往未能均衡覆盖从短期到长期的完整撂荒类型，特别是对光谱特征模糊的早期撂荒阶段关注不够［39］。这种时空维度的双重偏差，使得报告的精度可能系统性地高估了模型在真实复杂场景下的性能，也成为制约当前研究结果可信度的关键方法论瓶颈。

2.5　不确定性分析

南方丘陵山区撂荒遥感监测的精度与可靠性，均受制于数据、地表与目标特征等多个不确定性。在数据层面，频繁的云雨天气是最大的制约因素，导致作物关键物候期数据缺失［40］，使得模型难以区分短期休耕和真实的耕作中断。这种数据层面的不确定性也与景观层面的挑战相互叠加。南方丘陵山区地块普遍细碎，其尺寸常小于中分辨率影像的像元大小，由此产生的混合像元效应削弱了撂荒地块本身的光谱特征，使其与疏林、草地等其他植被覆盖类型难以区分［110］。此外，目标特征本身的高度变异性构成了不确定性的核心来源。一方面，受气候波动和人类活动影响，耕地的“正常”物候曲线存在显著的年际与空间变异，使得基于物候异常的检测方法难以建立稳定的“非撂荒”基准［111］。另一方面，山区撂荒后的植被演替路径多样，导致撂荒地本身并未形成统一、稳定的遥感特征［112］。这些在数据、景观和目标特征层面相互作用的不确定性，共同构成了当前撂荒地遥感监测亟待解决的挑战。

3 遥感信息支撑撂荒地治理与利用

中国南方丘陵山区的耕地撂荒问题，与联合国可持续发展目标（SDGs）中的零饥饿（SDG 2）、气候行动（SDG 13）和陆地生命（SDG 15）等议题紧密相关［113］。遥感技术能够精准、实时地捕捉区域撂荒耕地的空间位置、撂荒时长和利用现状，这为制定差异化的治理策略提供了关键的数据支撑。基于遥感监测，可有效判别适宜复垦或进行生态恢复的撂荒耕地，从而平衡生产功能与生态服务的供给，实现土地资源的可持续利用。
从不同尺度看，耕地撂荒对国家粮食安全构成挑战，但对农户而言，则可能是优化资源配置的理性选择［114］。因此，撂荒地的治理与利用不仅是学术热点，也受到政府高度重视。近年来，中央和地方政府已出台多项政策，旨在因地制宜地促进撂荒耕地的再利用，例如农业农村部发布的《关于统筹利用撂荒地促进农业生产发展的指导意见》。

3.1　支撑复垦潜力评价与规模化经营

撂荒耕地复垦利用需要进行科学的适宜性评估。遥感技术通过长期连续观测地块的土壤水分状况、植被覆盖度、交通通达性与农田生产潜力等指标，可以快速识别和评估适宜进行农业复垦的撂荒地［3］。尽管复垦被认为是提高粮食安全的有效路径之一，但实际操作中往往受制于农业收益、复垦成本和土壤退化状况等因素［2, 6, 115］。事实上，撂荒地复垦可能需要付出更大的成本才能恢复农业生产［3］，且复垦耕地单产往往较低［116］，这在欧洲已经得到证明［117］。在此背景下，基于遥感数据的潜力评价能够精准筛选出具备低成本、高便利度和规模化经营潜力的地块，从而为土地流转和集约化经营提供决策支持［102, 118］。对于复垦潜力较低但具备生态经济价值的撂荒地，则可依据评估结果引导其向特色农业或生态畜牧业等方向发展［119, 120］。

3.2　支撑生态恢复与价值实现

对于坡度较大、土壤贫瘠且耕作效益低的撂荒地，遥感技术能够通过长期连续监测，精确刻画其植被自然演替与生态恢复进程，为实施基于自然的解决方案（Nature-based Solutions, NbS）提供关键数据支撑［121, 122］。尽管自然恢复过程可能极为缓慢并伴随生态系统服务短期下降的风险［123-125］，但遥感的精细化监测可为积极生态干预措施提供指导，例如优化植物物种搭配、引入生物炭改良土壤，以及合理布局可再生能源设施等［120, 126, 127］。此外，遥感数据驱动的创新金融工具，如撂荒耕地地力指数保险等［128］，能够有效降低生态恢复项目的经济风险，激励社会资本参与，从而加速撂荒地向生态资产的转型。

3.3　国际经验借鉴与启示

从全球视角看，耕地撂荒是工业化进程中的普遍现象，但其治理范式因地而异。值得注意的是，欧洲等发达经济体撂荒地的驱动机制与中国南方丘陵山区具有显著相似性，即主要源于农业边际收益下降和农村劳动力转移［129, 130］。然而，欧洲与中国在监测体系与治理范式上展现出不同的路径。在监测体系上，欧盟依托其“土地利用的综合可持续性评估领土建模平台”（Land Use-based Integrated Sustainability Assessment, LUISA），建立了一套常规化、高频度的监测与评估网络，其数据不仅用于统计，更直接服务于政策执行［131］。这与中国目前更多依赖周期性的国土调查（如“年度国土变更调查”）来获取撂荒地信息的模式有所不同。
治理范式上，其共同农业政策（Common Agricultural Policy, CAP）在部分区域将撂荒视为提升生物多样性、实现“再野化”的积极生态机遇，甚至对生态化利用进行补贴［132］。这与中国在粮食安全战略下以“复垦”为首要目标的政策导向形成对比。因此，深入研究欧洲在撂荒地梯度化管理、生态价值市场化，以及监测与政策联动等方面的经验，对于中国探索差异化、精细化的撂荒地治理路径具有重要的启示价值。

4 耕地撂荒遥感监测挑战与展望

中国南方丘陵山区坡耕地分布广泛，耕地撂荒问题不仅对区域农地合理利用与山区可持续发展构成严峻挑战，还可能对国家和区域层面的粮食安全与生态安全产生显著影响。掌握撂荒耕地的时间、规模及动态变化是深入研究的基础，然而，南方复杂的农业制度与地理特征使得现有研究缺乏统一范式。本文将南方耕地撂荒遥感监测所面对的难点和挑战归纳为光学数据获取难、方法精细度不够、撂荒特征挖掘弱。根据前述南方丘陵山区耕地撂荒遥感监测相关研究的进展总结，可以认为未来研究可在多源数据融合与时序补全、地面信息采集、标校与真实性检验、深度学习与物候驱动的精细识别、遥感云计算平台和过程模拟与综合风险评估等方面进一步拓展，以应对南方丘陵山区所面临的独特挑战。

4.1　多源数据融合与时序补全

应对南方丘陵山区撂荒地监测的数据瓶颈，未来的核心方向在于构建一个无缝、高时空分辨率的分析就绪型数据立方体。针对破碎农业地景与多熟制特征，该数据立方体需具备米级空间、旬级时间分辨率，以精准识别小地块边界，减少混合像元效应。同时，需融合光学影像的光谱敏感性与SAR的结构敏感性和全天候能力，保障时序连续性。
实现这一目标，需要一个由深度学习驱动的多源数据融合与重建框架。其核心在于利用深度学习模型，学习从多源辅助信息到真实地表光谱之间的复杂物理映射。该框架可整合多种技术路径：传统的插值滤波方法（如S-G滤波）可作为基础补全工具；时空融合算法（如STARFM系列）可用于基准光学数据的初步加密。而针对顽固性数据空缺，则需构建多分支神经网络，协同处理光学、SAR，以及数字高程模型（Digital Elevation Model, DEM）、土壤图等多源输入。例如，分别设立分支处理光学影像、SAR影像和静态环境数据，实现光谱、结构与物理信息的协同融合。在网络内部，引入注意力机制，可使模型自适应地为不同来源的特征分配权重，实现信息的智能加权与高质量融合。
此外，可进一步与国产亚米级星座（重访周期＜2天）等新兴超高分辨率数据源进行耦合。通过知识迁移或模型约束，可实现米级数据立方体向更高分辨率的超分辨率重建，从而精细刻画微小地块的撂荒过程。

4.2　地面信息采集、标校与真实性检验

该体系核心在于构建具有时空代表性的地面验证网络，布设应遵循分层抽样原则。具体而言，需基于预分类结果或环境背景数据，定义清晰的分层变量，以确保样本能够均衡覆盖各种复杂情况，这些变量应至少包括地形梯度（如坡度、坡向）、撂荒状态梯度（如撂荒年限与类型），以及农业景观类型（如耕作方式与易混淆背景地物）。在采样单元上，则应以样本地块替代单一全球定位系统（Global Positioning System, GPS）点，以更好地匹配卫星像元并应对地块内部的异质性。
在校准目标上，该网络获取的高质量地面真值数据，将服务于三个层次的“校准”任务。首先，是支撑分类模型的优化。将高质量样本作为训练与验证集，通过“遥感初识别-实地核实-模型迭代”的主动学习循环，可不断优化模型参数，提升其泛化能力。其次，是校准遥感信号的物理意义。通过将地面实测的生物量、残茬覆盖率等参数，与对应像元的植被指数、SAR后向散射等遥感信号进行关联分析，可建立从遥感信号到地表物理状态的定量关系，以深化对撂荒过程遥感特征表达的理解。最后，是用于最终产品的真实性检验。利用独立于训练集的验证样本，对撂荒地分布图进行无偏的精度评估，得出混淆矩阵、总体精度等可靠性指标。
尽管如此，构建并长期维护这样一个高密度的地面验证网络，在地形复杂、交通不便的南方丘陵山区面临着较高的时间与经济成本挑战。因此，探索融合无人机近地遥感、众包地理信息，以及地理空间插值等低成本、高效率的手段来加密和扩展地面观测，是推动该方向从理论走向规模化应用的关键。

4.3　深度学习与物候驱动的精细识别

针对南方丘陵山区地形复杂、耕地破碎化的特点，未来识别的核心挑战在于如何将撂荒地从光谱、物候特征高度相似的季节性休耕、作物轮作与常绿经济作物（如果园、茶园）中精准区分出来。关键在于捕捉人为物候节律的中断或消失。因此，将物候信息作为核心特征融入监测模型，是从根本上提升识别精度的必要路径。
一方面，借助人工智能与深度学习算法自动提取多尺度、多源遥感特征，可显著提升在复杂地形和多样地物背景下的撂荒地块识别精度与时效。深度学习模型，特别是循环神经网络（Recurrent Neural Network, RNN）或Transformer等，能够从密集遥感时间序列中，自动学习并表征传统方法难以捕捉的、复杂的非线性动态。但需要注意的是，其性能高度依赖于训练数据的质量与代表性，当输入数据（如SAR影像）存在系统性偏差时，模型可能反映偏差而非真实特征，因此算法研究必须与数据预处理和质量控制紧密结合。
另一方面，将地理学与生物学专家知识（尤其是作物物候信息）融入模型，通过播种期、拔节期与收获期等关键物候事件的时空特征，精准刻画耕地的人为干预信号，从而本质地区分“真正耕作”与不同类别的撂荒。将两者深度耦合可发挥各自优势，并已衍生出多种结合模式，如在核心区域应用深度学习进行特征挖掘后以物候规则进行校正（决策级融合），或在大尺度研究区通过精细化区划与分区建模实现高精度识别。更系统地说，耦合模式还包括将物候参数作为特征输入分类器的特征级融合，以及构建混合神经网络（如卷积递归神经网络（Convolutional Recurrent Neural Network, CRNN））的模型级融合。
这种“知识+数据”双轮驱动的精细识别，最终将撂荒地监测从传统的二元分类范式，转化到量化过程与程度的“撂荒强度”评估。“撂荒强度”是地块尺度的、可由遥感直接度量的连续变量，旨在表征耕地偏离集约化管理向自然生态系统演替的程度，这对于识别由粗放农业经营导致的与休耕极易混淆的隐性撂荒尤为关键。其遥感监测的特征体现在对关键物理过程的量化。首先，植被的演替速率，可通过分析植被指数时间序列的长期趋势斜率或光谱混合分析中非光合有效植被组分的占比增加来捕捉；其次，是耕作痕迹的衰减速率，可通过高分辨率影像的纹理分析或多时相SAR数据的后向散射变化来感知地表粗糙度的降低；最后，地表物理参数的动态，如可通过热红外或微波遥感监测土壤水分变化。
基于深度学习模型，将上述这些可遥感度量的、多维度的物理指标进行融合与回归建模，有望生成从0（高强度耕作）到1（完全自然演替）的连续强度图谱。这种图谱不仅能精细刻画从隐性撂荒到显性撂荒的完整过程，也为实施与撂荒强度挂钩的梯度化生态补偿或复垦激励政策提供了直接的空间决策依据。

4.4　撂荒监测的云平台支撑

鉴于目前在南方复杂农业景观下的耕地撂荒监测尚未得到足够重视，现有研究多以科学探索为导向，尚不具备可业务化推广的高效、统一监测模式，也缺乏大区域、长时序的撂荒地统计产品。海量遥感数据的涌现也对云计算和储存能力提出了更高的要求。以Google Earth Engine（GEE）为代表的遥感云计算平台，显著提高了撂荒耕地信息获取的基础潜力。然而，未来遥感云计算平台应支撑多维智能分析的生态系统。
首先是支撑多模态数据深度融合的需求。为应对南方地区云雨频发和地表复杂性，未来的平台需要提供更原生的、高效融合光学、SAR、地形等多源异构数据的能力。其次是实现多尺度一体化分析的需求。平台应支持从区域级普查到地块级详查的无缝分析，以解决大尺度监测结果可靠性验证不足的难题。最后是实现从“科研工具”向“业务化服务”转型的趋势。这要求未来的云平台必须克服当前在自定义算法部署和计算资源上的瓶颈，提供更标准化、可复现的分析工作流程，以服务于土地管理的实际决策需求。

4.5　过程模拟与综合风险评估

当前关于南方丘陵山区的撂荒地研究在揭示历史格局与分布方面已取得显著进展，但未来的核心挑战在于从“描述性”分析向“预测性”地理分析的范式跃迁。这要求发展能够耦合自然与人文过程的动态模拟，以及面向决策支持的综合风险评估框架。
在时空演变模拟方面，关键在于构建能够预测未来撂荒“热点”区域的动态模型，主流路径包括元胞自动机与多智能体系统。元胞自动机模型侧重于通过挖掘历史土地覆盖演变规律，模拟土地利用格局“自上而下”的宏观演化；而多智能体系统则是一种“自下而上”的范式，通过为每个“智能体”（如农户）设定决策规则来模拟其撂荒行为。这两种模型均需融合多源驱动因子，其中，利用DEM衍生的地形数据可刻画静态的自然环境梯度，而遥感衍生的动态环境变量（如植被生产力）则可作为关键输入。然而，其主要瓶颈仍在于如何获取并量化多尺度的社会经济驱动因子，并实现宏观社会经济进程与微观地块遥感信息的有效耦合与验证，这仍是人地关系复杂系统模拟中的核心科学问题。
在综合风险评估方面，则需要在模拟预测的基础上，构建一个以遥感信息驱动的、空间显式的多维评价框架，以诊断区域对撂荒的敏感性与脆弱性。地理信息系统（Geographic Information System, GIS）支持下的多准则评估是实现该目标的主流技术。该评价框架需系统地整合：1）自然禀赋因子，如利用DEM提取的坡度、坡向，以及结合多光谱和热红外数据反演的土壤肥力与水分状况；2）生态系统服务重要性，如图谱化的水源涵养功能与基于遥感影像纹理和格局指数评估的生物多样性廊道；3）社会经济条件，如基础设施可达性、市场距离；4）撂荒状态本身，即由遥感直接监测的撂荒年限及由隐性向显性转化的概率。通过对这些指标图层进行加权叠加，最终可生成撂荒地综合风险图，为制定差异化、精准化的空间干预政策提供决策依据。该框架的实现，高度依赖遥感技术提供空间连续、多维、动态更新数据的能力。

5 结 论

本文系统评述了中国南方丘陵山区耕地撂荒的遥感监测研究。总结发现，该领域的技术路径已展现出清晰的演进脉络，其核心表现为监测范式与识别算法的协同深化。在监测范式上，研究重心已从早期依赖离散时相的“状态对比”，转向利用密集时间序列进行“过程追踪”；在识别算法上，则实现了从依赖特征工程的传统机器学习，向能够自主学习深层特征的深度学习模型的跨越。
尽管技术路径不断演进，但该领域研究的科学严谨性仍受制于若干共性的方法论瓶颈。其中，验证策略中普遍存在的时空代表性偏差，使得模型评估结果的客观性与可比性存疑；同时，源于数据、景观和目标特征三个层面相互交织的不确定性，共同构成了制约当前监测结果可靠性的根本障碍。
展望未来，提升撂荒地监测能力的关键，将不再是单一算法的零散改进，而在于构建一个系统化、多要素、智能化的综合监测框架。这一框架的构建，以融合光学、SAR等多模态信息构建的无缝数据立方体为数据基础，以科学设计的地面验证与多目标校准网络为可靠性保障，以物候知识与深度学习耦合的精细识别模型为技术核心，并辅以支撑多尺度/多模态分析的智能云平台为实现载体。其最终目标，是实现从描述性制图向预测性过程模拟与风险评估的范式跃迁，从而为制定兼顾粮食安全与生态服务的差异化土地利用政策提供科学支撑。

本研究不存在研究者以及与公开研究成果有关的利益冲突。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
GUO A D, YUE W Z, YANG J, et al. Cropland abandonment in China: Patterns, drivers, and implications for food security[J]. Journal of cleaner production, 2023, 418: ID 138154.

[2]
NÆSS J S, CAVALETT O, CHERUBINI F. The land-energy-water nexus of global bioenergy potentials from abandoned cropland[J]. Nature sustainability, 2021, 4(6): 525-536.

[3]
ZHENG Q M, HA T, PRISHCHEPOV A V, et al. The neglected role of abandoned cropland in supporting both food security and climate change mitigation[J]. Nature communications, 2023, 14(1): ID 6083.

[4]
LI T T, LONG H L, ZHANG Y N, et al. Analysis of the spatial mismatch of grain production and farmland resources in China based on the potential crop rotation system[J]. Land use policy, 2017, 60: 26-36.

[5]
WANG Y H, YANG A X, YANG Q Y. The extent, drivers and production loss of farmland abandonment in China: Evidence from a spatiotemporal analysis of farm households survey[J]. Journal of cleaner production, 2023, 414: ID 137772.

[6]
JIANG Y L, HE X K, YIN X G, et al. The pattern of abandoned cropland and its productivity potential in China: A four-years continuous study[J]. Science of the total environment, 2023, 870: ID 161928.

[7]
邓利梅, 陆传豪, 刘刚才. 川中丘陵区耕地撂荒对土壤肥力的影响[J]. 西南大学学报(自然科学版), 2021, 43(3): 36-44.

DENG L M, LU C H, LIU G C. Effects of abandonment of cultivated land on soil particle composition and nutrients in hilly areas of central Sichuan[J]. Journal of southwest university (natural science edition), 2021, 43(3): 36-44.

[8]
杨通, 郭旭东, 于潇, 等. 撂荒地监测方法与生态影响述评[J]. 生态环境学报, 2020, 29(8): 1683-1692.

YANG T, GUO X D, YU X, et al. Review on monitoring methods and ecological impact of abandoned agricultural land[J]. Ecology and environmental sciences, 2020, 29(8): 1683-1692.

[9]
LU D, WANG Z P, SU K C, et al. Understanding the impact of cultivated land-use changes on China's grain production potential and policy implications: A perspective of non-agriculturalization, non-grainization, and marginalization[J]. Journal of cleaner production, 2024, 436: ID 140647.

[10]
LI M D, CUI Y P, DONG J W, et al. Abandoned cropland compensates the decrease in net ecosystem productivity of impervious surface expansion in China[J]. Environmental impact assessment review, 2024, 104: ID 107363.

[11]
王刚, 廖和平, 温涛. 重庆南川村域耕地撂荒成因及分异机制与调控[J]. 地理学报, 2024, 79(7): 1824-1841.

WANG G, LIAO H P, WEN T. Causes, differentiation mechanism and regulation of farmland abandonment in villages of Nanchuan district, Chongqing[J]. Acta geographica sinica, 2024, 79(7): 1824-1841.

[12]
HAN Z, SONG W. Spatiotemporal variations in cropland abandonment in the Guizhou-Guangxi Karst mountain area, China[J]. Journal of cleaner production, 2019, 238: ID 117888

[13]
LONG Y Q, SUN J, WELLENS J, et al. Mapping the spatiotemporal dynamics of cropland abandonment and recultivation across the Yangtze River Basin[J]. Remote sensing, 2024, 16(6): ID 1052.

[14]
FAO U N. The role of agriculture and rural development in revitalizing abandoned/depopulated areas[R]. 2006.

[15]
BELL S M, RAYMOND S J, YIN H, et al. Quantifying the recarbonization of post-agricultural landscapes[J]. Nature communications, 2023, 14(1): ID 2139.

[16]
陈航, 谭永忠, 邓欣雨, 等. 撂荒耕地信息获取方法研究进展与展望[J]. 农业工程学报, 2020, 36(23): 258-268.

CHEN H, TAN Y Z, DENG X Y, et al. Progress and prospects on information acquisition methods of abandoned farmland[J]. Transactions of the Chinese society of agricultural engineering, 2020, 36(23): 258-268.

[17]
罗雅红, 龚建周, 李天翔, 等. 基于MaxEnt模型提取撂荒耕地: 以四川省武胜县为例[J]. 农业资源与环境学报, 2021, 38(6): 1084-1093.

LUO Y H, GONG J Z, LI T X, et al. Extraction of abandoned farmland based on MaxEnt model: A case study of Wusheng county, Sichuan province[J]. Journal of agricultural resources and environment, 2021, 38(6): 1084-1093.

[18]
杨国永, 许文兴. 耕地抛荒及其治理: 文献述评与研究展望[J]. 中国农业大学学报, 2015, 20(5): 279-288.

YANG G Y, XU W X. Cultivated land abandoning and its governance: Literature review and research prospective[J]. Journal of China agricultural university, 2015, 20(5): 279-288.

[19]
李升发, 李秀彬. 中国山区耕地利用边际化表现及其机理[J]. 地理学报, 2018, 73(5): 803-817.

LI S F, LI X B. Economic characteristics and the mechanism of farmland marginalization in mountainous areas of China[J]. Acta geographica sinica, 2018, 73(5): 803-817.

[20]
李升发, 李秀彬. 耕地撂荒研究进展与展望[J]. 地理学报, 2016, 71(3): 370-389.

LI S F, LI X B. Progress and prospect on farmland abandonment[J]. Acta geographica sinica, 2016, 71(3): 370-389.

[21]
谭术魁. 耕地撂荒程度描述、可持续性评判指标体系及其模式[J]. 中国土地科学, 2003, 17(6): 3-8.

TAN S K. Extent description and index system of sustainability judgment and its pattern of cultivated land abandoning[J]. China land science, 2003, 17(6): 3-8.

[22]
HAN Z, SONG W. Abandoned cropland: Patterns and determinants within the Guangxi karst mountainous area, China[J]. Applied geography, 2020, 122: ID 102245.

[23]
WU Z T, THENKABAIL P S, MUELLER R, et al. Seasonal cultivated and fallow cropland mapping using MODIS-based automated cropland classification algorithm[J]. Journal of applied remote sensing, 2014, 8: ID 083685.

[24]
LIU G L, LI Y C, CHEN Y, et al. Mapping abandoned cropland in tropical/subtropical monsoon areas with multiple crop maturity patterns[J]. International journal of applied earth observation and geoinformation, 2024, 127: ID 103674.

[25]
LUO K S, MOIWO J P. Rapid monitoring of abandoned farmland and information on regulation achievements of government based on remote sensing technology[J]. Environmental science & policy, 2022, 132: 91-100.

[26]
LIANG Y, LIANG Y W, TU X S. Identification and spatial pattern analysis of abandoned farmland in Jiangxi province of China based on GF-1 Satellite image and object-oriented technology[J]. Frontiers in environmental science, 2024, 12: ID 1423868.

[27]
张天柱, 张凤荣, 黄敬文, 等. 工业化区域撂荒耕地空间格局演变及影响因素分析[J]. 农业工程学报, 2019, 35(15): 246-255.

ZHANG T Z, ZHANG F R, HUANG J W, et al. Spatial pattern evolution of abandoned arable land and its influencing factor in industrialized region[J]. Transactions of the Chinese society of agricultural engineering, 2019, 35(15): 246-255.

[28]
ZHAO Z, WANG J S, WANG L M, et al. Monitoring and analysis of abandoned cropland in the Karst Plateau of eastern Yunnan, China based on Landsat time series images[J]. Ecological indicators, 2023, 146: ID 109828.

[29]
ZHANG M X, LI G Y, HE T T, et al. Reveal the severe spatial and temporal patterns of abandoned cropland in China over the past 30 years[J]. Science of the total environment, 2023, 857: ID 159591.

[30]
XU S C, XIAO W, YU C, et al. Mapping cropland abandonment in mountainous areas in China using the google earth engine platform[J]. Remote sensing, 2023, 15(4): ID 1145.

[31]
HE S, SHAO H Y, XIAN W, et al. Monitoring cropland abandonment in hilly areas with Sentinel-1 and Sentinel-2 timeseries[J]. Remote sensing, 2022, 14(15): ID 3806.

[32]
SU W, HU Y M, XUE F Y, et al. Analysis of the spatial distributions and mechanisms influencing abandoned farmland based on high-resolution satellite imagery[J]. Land, 2025, 14(3): ID 501.

[33]
YI X S, ZHANG Y, HE J, et al. Characteristics and influencing factors of farmland abandonment in the karst rocky desertification area of Southwest China[J]. Ecological indicators, 2024, 160: ID 111802.

[34]
XIAO W J, WANG J S, LIU Y C. Analysis of spatial-temporal evolution characteristics of abandoned cropland in Yunnan Province based on multitemporal MODIS global land cover product[J]. IOP conference series: Earth and environmental science, 2019, 346(1): ID 012077.

[35]
ZHU X F, XIAO G F, ZHANG D J, et al. Mapping abandoned farmland in China using time series MODIS NDVI[J]. Science of the total environment, 2021, 755: ID 142651.

[36]
HONG C Q, PRISHCHEPOV A V, JIN X B, et al. Mapping cropland abandonment and distinguishing from intentional afforestation with Landsat time series[J]. International journal of applied earth observation and geoinformation, 2024, 127: ID 103693.

[37]
SHI T C, LI X B, XIN L J, et al. Analysis of farmland abandonment at parcel level: A case study in the mountainous area of China[J]. Sustainability, 2016, 8(10): ID 988.

[38]
ZHOU Z F, WANG L Y, CHEN Q, et al. Abandoned land identification in karst mountain area based on time series SAR characteristics at geo-parcels scale[J]. Journal of mountain science, 2023, 20(3): 792-809.

[39]
LI L, PAN Y Z, ZHENG R B, et al. Understanding the spatiotemporal patterns of seasonal, annual, and consecutive farmland abandonment in China with time-series MODIS images during the period 2005–2019[J]. Land degradation & development, 2022, 33(10): 1608-1625.

[40]
GAO F, ZHANG X Y. Mapping crop phenology in near real-time using satellite remote sensing: Challenges and opportunities[J]. Journal of remote sensing, 2021, 1: 96-109.

[41]
STOREY J, SCARAMUZZA P, SCHMIDT G, et al. Landsat 7 scan line corrector-off gap-filled product development[EB/OL]. [2025-05-12].

[42]
CHEN J, ZHU X L, VOGELMANN J E, et al. A simple and effective method for filling gaps in Landsat ETM+ SLC-off images[J]. Remote sensing of environment, 2011, 115(4): 1053-1064.

[43]
YAN L, ROY D P. Large-area gap filling of landsat reflectance time series by spectral-angle-mapper based spatio-temporal similarity (SAMSTS)[J]. Remote sensing, 2018, 10(4): ID 609.

[44]
ZHU Z, WOODCOCK C E, HOLDEN C, et al. Generating synthetic Landsat images based on all available Landsat data: Predicting Landsat surface reflectance at any given time[J]. Remote sensing of environment, 2015, 162: 67-83.

[45]
VUOLO F, NG W T, ATZBERGER C. Smoothing and gap-filling of high resolution multi-spectral time series: Example of Landsat data[J]. International journal of applied earth observation and geoinformation, 2017, 57: 202-213.

[46]
ZHU X L, CHEN J, GAO F, et al. An enhanced spatial and temporal adaptive reflectance fusion model for complex heterogeneous regions[J]. Remote sensing of environment, 2010, 114(11): 2610-2623.

[47]
RAO Y H, ZHU X L, CHEN J, et al. An improved method for producing high spatial-resolution NDVI time series datasets with multi-temporal MODIS NDVI data and landsat TM/ETM+ images[J]. Remote sensing, 2015, 7(6): 7865-7891.

[48]
LIU X, DENG C W, WANG S G, et al. Fast and accurate spatiotemporal fusion based upon extreme learning machine[J]. IEEE geoscience and remote sensing letters, 2016, 13(12): 2039-2043.

[49]
LI X D, FOODY G M, BOYD D S, et al. SFSDAF: An enhanced FSDAF that incorporates sub-pixel class fraction change information for spatio-temporal image fusion[J]. Remote sensing of environment, 2020, 237: ID 111537.

[50]
GUO D Z, SHI W Z, HAO M, et al. FSDAF 2.0: Improving the performance of retrieving land cover changes and preserving spatial details[J]. Remote sensing of environment, 2020, 248: ID 111973.

[51]
LUO Y N, GUAN K Y, PENG J. STAIR: A generic and fully-automated method to fuse multiple sources of optical satellite data to generate a high-resolution, daily and cloud-/gap-free surface reflectance product[J]. Remote sensing of environment, 2018, 214: 87-99.

[52]
WANG S D, CUI D Y, WANG L, et al. Applying deep-learning enhanced fusion methods for improved NDVI reconstruction and long-term vegetation cover study: A case of the Danjiang River Basin[J]. Ecological indicators, 2023, 155: ID 111088.

[53]
JIANG B, LI X Y, CHONG H Z, et al. A deep-learning reconstruction method for remote sensing images with large thick cloud cover[J]. International journal of applied earth observation and geoinformation, 2022, 115: ID 103079.

[54]
SEBASTIANELLI A, PUGLISI E, DEL ROSSO M P, et al. PLFM: Pixel-level merging of intermediate feature maps by disentangling and fusing spatial and temporal data for cloud removal[J]. IEEE transactions on geoscience and remote sensing, 2022, 60: 1-16.

[55]
XU F, SHI Y L, EBEL P, et al. GLF-CR: SAR-enhanced cloud removal with global–local fusion[J]. ISPRS journal of photogrammetry and remote sensing, 2022, 192: 268-278.

[56]
QIU Z H, SHEN H F, YUE L W, et al. Cross-sensor remote sensing imagery super-resolution via an edge-guided attention-based network[J]. ISPRS journal of photogrammetry and remote sensing, 2023, 199: 226-241.

[57]
LIU H, HUANG B, CAI J J. Thick cloud removal under land cover changes using multisource satellite imagery and a spatiotemporal attention network[J]. IEEE transactions on geoscience and remote sensing, 2023, 61: 1-18.

[58]
STUCKER C, GARNOT V S F, SCHINDLER K. U-TILISE: A sequence-to-sequence model for cloud removal in optical satellite time series[J]. IEEE transactions on geoscience and remote sensing, 2023, 61: 1-16.

[59]
温泉, 李璐, 熊立, 等. 基于深度学习的遥感图像水体提取综述[J]. 自然资源遥感, 2024, 36(3): 57-71.

WEN Q, LI L, XIONG L, et al. A review of water body extraction from remote sensing images based on deep learning[J]. Remote sensing for natural resources, 2024, 36(3): 57-71.

[60]
WOLTER M, GARCKE J. Adaptive wavelet pooling for convolutional neural networks[C]// Proceedings of the 24th International Conference on Artificial Intelligence and Statistics. New York, USA: PMLR, 2021: 1936-1944.

[61]
LI H, GHAMISI P, SOERGEL U, et al. Hyperspectral and LiDAR fusion using deep three-stream convolutional neural networks[J]. Remote sensing, 2018, 10(10): ID 1649.

[62]
SHAO Z F, CAI J J. Remote sensing image fusion with deep convolutional neural network[J]. IEEE journal of selected topics in applied earth observations and remote sensing, 2018, 11(5): 1656-1669.

[63]
BENJAMIN K, DOMON G, BOUCHARD A. Vegetation composition and succession of abandoned farmland: Effects of ecological, historical and spatial factors[J]. Landscape ecology, 2005, 20(6): 627-647.

[64]
LI J W, SHANGGUAN Z P, DENG L. Dynamics of soil microbial metabolic activity during grassland succession after farmland abandonment[J]. Geoderma, 2020, 363: ID 114167.

[65]
万军. 贵州省喀斯特地区土地退化与生态重建研究进展[J]. 地球科学进展, 2003, 18(3): 447-453.

WAN J. Land degradation and ecological rehabilitation in karst areas of Guizhou province, southweastern China[J]. Advance in earth sciences, 2003, 18(3): 447-453.

[66]
祝小科, 朱守谦. 喀斯特石质山地封山育林效果分析[J]. 林业科技, 2001, 26(6): 1-4.

ZHU X K, ZHU S Q. Analysis on closing hillsides to facilitate afforestation in karst hills[J]. Forestry science and technology, 2001, 26(6): 1-4.

[67]
李雨凌, 马雯秋, 姜广辉, 等. 中国粮食主产区耕地撂荒程度及其对粮食产量的影响[J]. 自然资源学报, 2021, 36(6): 1439-1454.

LI Y L, MA W Q, JIANG G H, et al. The degree of cultivated land abandonment and its influence on grain yield in main grain producing areas of China[J]. Journal of natural resources, 2021, 36(6): 1439-1454.

[68]
YIN H, PRISHCHEPOV A V, KUEMMERLE T, et al. Mapping agricultural land abandonment from spatial and temporal segmentation of Landsat time series[J]. Remote sensing of environment, 2018, 210: 12-24.

[69]
陈宁强, 戴锦芳. 人机交互式土地资源遥感解译方法研究[J]. 遥感技术与应用, 1998, 13(2): 15-20.

CHEN N Q, DAI J F. Method research on man machine interactive interpreting and analysing of the land resource by using remote sensing[J]. Remote sensing technology and application, 1998, 13(2): 15-20.

[70]
李阳兵, 罗光杰, 黄娟. 茂兰喀斯特自然保护区撂荒地时空演变、机制及其植被恢复[J]. 中国岩溶, 2017, 36(4): 447-453.

LI Y B, LUO G J, HUANG J. Spatial-temporal evolution, mechanism and vegetation restoration of abandoned farmland in the Maolan national nature reserve[J]. Carsologica sinica, 2017, 36(4): 447-453.

[71]
郑财贵, 邱道持, 叶公强, 等. 基于GIS空间分析的撂荒地空间分布特征研究: 以重庆市璧山县大路镇为例[J]. 农机化研究, 2010, 32(3): 31-36.

ZHENG C G, QIU D C, YE G Q, et al. Study on spatial distribution characteristics of abandoned cropland based on spatial analysis of GIS: A case of Dalu Town Bishan count in Chongqing municipality[J]. Journal of agricultural mechanization research, 2010, 32(3): 31-36.

[72]
程宪波, 高根红, 刘琼, 等. 快速城镇化地区的耕地撂荒空间格局、影响机理与治理路径[J]. 农业工程学报, 2022, 38(24): 218-227.

CHENG X B, GAO G H, LIU Q, et al. Spatial pattern, causal mechanisms and governance strategies of cultivated land abandonment in rapidly urbanizing areas[J]. Transactions of the Chinese society of agricultural engineering, 2022, 38(24): 218-227.

[73]
林妙萍, 杨颖频, 吴志峰, 等. 基于M-TWDTW模型的粤北山区耕地撂荒遥感监测研究[J]. 地理空间信息, 2023, 21(12): 29-34.

LIN M P, YANG Y P, WU Z F, et al. Remote sensing monitoring of Uncultivated Land in mountain areas of northern Guangdong based on M-TWDTW model[J]. Geospatial information, 2023, 21(12): 29-34.

[74]
王圆圆, 李京. 遥感影像土地利用/覆盖分类方法研究综述[J]. 遥感信息, 2004, 19(1): 53-59.

WANG Y Y, LI J. Classification methods of land use/cover based on remote sensing technology[J]. Remote sensing information, 2004, 19(1): 53-59.

[75]
SONG W. Mapping cropland abandonment in mountainous areas using an annual land-use trajectory approach[J]. Sustainability, 2019, 11(21): ID 5951.

[76]
CHEN Y F, WANG Y K, FU B, et al. Spatial patterns of farmland abandonment and its impact factors in the central Three Gorges Reservoir Area[J]. Journal of mountain science, 2018, 15(3): 631-644.

[77]
HUSSAIN M, CHEN D M, CHENG A, et al. Change detection from remotely sensed images: From pixel-based to object-based approaches[J]. ISPRS journal of photogrammetry and remote sensing, 2013, 80: 91-106.

[78]
TONG X Y, BRANDT M, HIERNAUX P, et al. The forgotten land use class: Mapping of fallow fields across the Sahel using Sentinel-2[J]. Remote sensing of environment, 2020, 239: ID 111598.

[79]
CHEN J G, ZHAO W Z, CHEN X. Cropland change detection with harmonic function and generative adversarial network[J]. IEEE geoscience and remote sensing letters, 2022, 19: 1-5.

[80]
ZHANG T T, YANG J Y, ZHOU H, et al. Abandoned cropland mapping with phenology-enhanced change vector analysis and semi-supervised learning in different cropping intensity areas[J]. IEEE transactions on geoscience and remote sensing, 2024, 62: 1-15.

[81]
KENNEDY R E, YANG Z Q, COHEN W B. Detecting trends in forest disturbance and recovery using yearly Landsat time series: 1. LandTrendr: Temporal segmentation algorithms[J]. Remote sensing of environment, 2010, 114(12): 2897-2910.

[82]
WU J Y, JIN S F, ZHU G L, et al. Monitoring of cropland abandonment based on long time series remote sensing data: A case study of Fujian Province, China[J]. Agronomy, 2023, 13(6): ID 1585.

[83]
范德芹, 赵学胜, 朱文泉, 等. 植物物候遥感监测精度影响因素研究综述[J]. 地理科学进展, 2016, 35(3): 304-319.

FAN D Q, ZHAO X S, ZHU W Q, et al. Review of influencing factors of accuracy of plant phenology monitoring based on remote sensing data[J]. Progress in geography, 2016, 35(3): 304-319.

[84]
SU Y Y, WU S K, KANG S G, et al. Monitoring cropland abandonment in Southern China from 1992 to 2020 based on the combination of phenological and time-series algorithm using landsat imagery and google earth engine[J]. Remote sensing, 2023, 15(3): ID 669.

[85]
TAMIMINIA H, SALEHI B, MAHDIANPARI M, et al. Google Earth Engine for geo-big data applications: A meta-analysis and systematic review[J]. ISPRS journal of photogrammetry and remote sensing, 2020, 164: 152-170.

[86]
HE S, SHAO H Y, XIAN W, et al. Extraction of abandoned land in hilly areas based on the spatio-temporal fusion of multi-source remote sensing images[J]. Remote sensing, 2021, 13(19): ID 3956.

[87]
HONG C Q, PRISHCHEPOV A V, JIN X B, et al. The role of harmonized Landsat Sentinel-2 (HLS) products to reveal multiple trajectories and determinants of cropland abandonment in subtropical mountainous areas[J]. Journal of environmental management, 2023, 336: ID 117621.

[88]
宋宪强, 梁钊雄, 周红艺, 等. 基于决策树与时序NDVI变化检测的耕地撂荒遥感监测: 以四川省凉山州普格县为例[J]. 山地学报, 2021, 39(6): 912-921.

SONG X Q, LIANG Z X, ZHOU H Y, et al. An updated method to monitor the changes in spatial distribution of abandoned land based on decision tree and time series NDVI change detection: A case study of Puge county, Liangshan prefecture, Sichuan province, China[J]. Mountain research, 2021, 39(6): 912-921.

[89]
WANG S H, LIU H. Deep learning for feature representation[M]//Feature Engineering for Machine Learning and Data Analytics. Boca Raton: CRC Press, 2018: 279-307.

[90]
YANG Y P, WU Z F, XIAO W J, et al. Abandoned land mapping based on spatiotemporal features from PolSAR data via deep learning methods[J]. Remote sensing, 2023, 15(16): ID 3942.

[91]
王佑汉, 李谦, 曾琨. 基于分形理论的撂荒耕地和未撂荒耕地空间分布研究[J]. 中国农业信息, 2020, 32(2): 56-64.

WANG Y H, LI Q, ZENG K. Study on the spatial distribution of abandoned farmland and unabandoned farmland based on fractal theory[J]. China agricultural informatics, 2020, 32(2): 56-64.

[92]
陶建斌, 王昀, 张馨月, 等. 基于物候信息图谱的耕地种植模式遥感监测方法[J]. 中国农业科学, 2024, 57(4): 663-678.

TAO J B, WANG Y, ZHANG X Y, et al. Remote sensing monitoring of cropping patterns based on phenology information atlas[J]. Scientia agricultura sinica, 2024, 57(4): 663-678.

[93]
YIN H, BRANDÃO A, BUCHNER J, et al. Monitoring cropland abandonment with Landsat time series[J]. Remote sensing of environment, 2020, 246: ID 111873.

[94]
夏玉松, 周启刚, 李辉, 等. 基于决策树与NDVI时序变化检测的撂荒耕地的地形特征研究: 以重庆市巫山县为例[J]. 水土保持通报, 2024, 44(4): 383-393.

XIA Y S, ZHOU Q G, LI H, et al. Topographic characteristics of abandoned farmland based on decision tree and NDVI time series change detection: A case study in Wushan County of Chongqing City[J]. Bulletin of soil and water conservation, 2024, 44(4): 383-393.

[95]
WEI Y L, WEN J J, ZHOU Q C, et al. Mapping cropland abandonment in the cloudy hilly regions surrounding the southwest basin of China[J]. Land, 2024, 13(5): ID 586.

[96]
郝心怡, 张江, 白瑞, 等. 长江中下游地区耕地复种指数时空特征及驱动机制研究[J]. 国土资源科技管理, 2021, 38(4): 15-27.

HAO X Y, ZHANG J, BAI R, et al. Spatial and temporal characteristics and driving mechanism of multiple cropping index of cultivated land in the middle and lower reaches of the Yangtze River[J]. Scientific and technological management of land and resources, 2021, 38(4): 15-27.

[97]
张闯娟, 何洪鸣. 西南地区耕地复种指数的时空格局演变及影响因素[J]. 干旱地区农业研究, 2020, 38(3): 222-230.

ZHANG C J, HE H M. The evolution of spatiotemporal patterns and the influencing factors of the multiple cropping index of cultivated land in Southwest China[J]. Agricultural research in the arid areas, 2020, 38(3): 222-230.

[98]
WANG R J, LI X B, TAN M H, et al. Inter-provincial differences in rice multi-cropping changes in main double-cropping rice area in China: Evidence from provinces and households[J]. Chinese geographical science, 2019, 29(1): 127-138.

[99]
辛良杰, 李秀彬. 近年来我国南方双季稻区复种的变化及其政策启示[J]. 自然资源学报, 2009, 24(1): 58-65.

XIN L J, LI X B. Changes of multiple cropping in double cropping rice area of Southern China and its policy implications[J]. Journal of natural resources, 2009, 24(1): 58-65.

[100]
YU Q Y, XIANG M T, SUN Z L, et al. The complexity of measuring cropland use intensity: An empirical study[J]. Agricultural systems, 2021, 192: ID 103180.

[101]
冀咏赞, 闫慧敏, 刘纪远, 等. 基于MODIS数据的中国耕地高中低产田空间分布格局[J]. 地理学报, 2015, 70(5): 766-778.

JI Y Z, YAN H M, LIU J Y, et al. A MODIS data derived spatial distribution of high-, mediumand low-yield cropland in China[J]. Acta geographica sinica, 2015, 70(5): 766-778.

[102]
龙禹桥, 吴文斌, 余强毅, 等. 耕地集约化利用研究进展评述[J]. 自然资源学报, 2018, 33(2): 337-350.

LONG Y Q, WU W B, YU Q Y, et al. Recent study progresses in intensive use of cropland[J]. Journal of natural resources, 2018, 33(2): 337-350.

[103]
CHEN H, TAN Y Z, XIAO W, et al. Assessment of continuity and efficiency of complemented cropland use in China for the past 20 years: A perspective of cropland abandonment[J]. Journal of cleaner production, 2023, 388: ID 135987.

[104]
张斌, 徐邓耀, 翟有龙, 等. 耕地抛荒的定量化评价方法[J]. 贵州农业科学, 2003, 31(5): 43-44.

ZHANG B, XU D Y, ZHAI Y L, et al. The evaluation indexes and its applications of disused arable lands[J]. Guizhou agricultural sciences, 2003, 31(5): 43-44.

[105]
欧阳许童, 张璇, 李维庆, 等. 基于Sentinel-2和Landsat卫星时序数据的耕地撂荒识别[J]. 测绘通报, 2023(8): 57-62.

OUYANG X T, ZHANG X, LI W Q, et al. Abandoned land identification based on Sentinel-2 and Landsat satellite time series images[J]. Bulletin of surveying and mapping, 2023(8): 57-62.

[106]
HONG C Q, PRISHCHEPOV A V, BAVOROVA M. Cropland abandonment in mountainous China: Patterns and determinants at multiple scales and policy implications[J]. Land use policy, 2024, 145: ID 107292.

[107]
STEHMAN S V. Sampling designs for accuracy assessment of land cover[J]. International journal of remote sensing, 2009, 30(20): 5243-5272.

[108]
HUANG D M, XU S J, SUN J Q, et al. Accuracy assessment model for classification result of remote sensing image based on spatial sampling[J]. Journal of applied remote sensing, 2017, 11(4): ID 046023.

[109]
HADDAWAY N R, STYLES D, PULLIN A S. Environmental impacts of farm land abandonment in high altitude/mountain regions: A systematic map of the evidence[J]. Environmental evidence, 2013, 2(1): ID 18.

[110]
肖文菊, 杨颖频, 吴志峰, 等. 基于时序遥感的撂荒地监测及空间格局特征分析[J]. 热带地理, 2024, 44(3): 547-556.

XIAO W J, YANG Y P, WU Z F, et al. Abandoned land identification and spatial pattern analysis based on time-series remote sensing[J]. Tropical geography, 2024, 44(3): 547-556.

[111]
ZHANG X Y, LIU L L, HENEBRY G M. Impacts of land cover and land use change on long-term trend of land surface phenology: A case study in agricultural ecosystems[J]. Environmental research letters, 2019, 14(4): ID 044020.

[112]
LV X H, TANG Q, HAN C, et al. Farmland abandonment and vegetation succession mediate soil properties but are determined by the duration of conversion[J]. Catena, 2024, 238: ID 107877.

[113]
QUEIROZ C, BEILIN R, FOLKE C, et al. Farmland abandonment: Threat or opportunity for biodiversity conservation? A global review[J]. Frontiers in ecology and the environment, 2014, 12(5): 288-296.

[114]
WANG Y H, YANG A X, SHEN W H, et al. Spatial patterns, determinants, future trends, and implications for the sustainable use of terraces abandonment in China[J]. Journal of cleaner production, 2024, 467: ID 142860.

[115]
KONG L Q, WU T, XIAO Y, et al. Natural capital investments in China undermined by reclamation for cropland[J]. Nature ecology & evolution, 2023, 7(11): 1771-1777.

[116]
XIE Z, FAN S L, DU S R, et al. Mechanism, risk, and solution of cultivated land reversion to mountains and abandonment in China[J]. Frontiers in environmental science, 2023, 11: ID 1120734.

[117]
CASTILLO C P, KAVALOV B, DIOGO V, et al. Agricultural land abandonment in the EU within 2015-2030 [R] Joint research centre (seville site), 2018.

[118]
吴文斌, 龙禹桥, 余强毅, 等. 中国耕地集约化与规模化利用耦合特征分析[J]. 中国农业资源与区划, 2020, 41(3): 12-19.

WU W B, LONG Y Q, YU Q Y, et al. Coupling characteristics between cropland intensification and large-scale utilization in China[J]. Chinese journal of agricultural resources and regional planning, 2020, 41(3): 12-19.

[119]
苏康传, 杨庆媛, 张忠训, 等. 中国耕地差异化休耕模式及技术措施探讨[J]. 农业工程学报, 2020, 36(9): 283-291.

SU K C, YANG Q Y, ZHANG Z X, et al. Investigation of differential fallow patterns and technical measures for cultivated land in China[J]. Transactions of the Chinese society of agricultural engineering, 2020, 36(9): 283-291.

[120]
CAMPBELL J E, LOBELL D B, GENOVA R C, et al. The global potential of bioenergy on abandoned agriculture lands[J]. Environmental science & technology, 2008, 42(15): 5791-5794.

[121]
PAUSTIAN K, LEHMANN J, OGLE S, et al. Climate-smart soils[J]. Nature, 2016, 532(7597): 49-57.

[122]
YANG Y, HOBBIE S E, HERNANDEZ R R, et al. Restoring abandoned farmland to mitigate climate change on a full earth[J]. One earth, 2020, 3(2): 176-186.

[123]
YANG Y, TILMAN D, FUREY G, et al. Soil carbon sequestration accelerated by restoration of grassland biodiversity[J]. Nature communications, 2019, 10(1): ID 718.

[124]
ISBELL F, TILMAN D, REICH P B, et al. Deficits of biodiversity and productivity linger a century after agricultural abandonment[J]. Nature ecology & evolution, 2019, 3(11): 1533-1538.

[125]
HUA F Y, WANG X Y, ZHENG X L, et al. Opportunities for biodiversity gains under the world's largest reforestation programme[J]. Nature communications, 2016, 7: ID 12717.

[126]
HAN W Z, VAN ZWIETEN L, SINGH B P, et al. Biochar built soil carbon over a decade by stabilizing rhizodeposits[J]. Nature climate change, 2017, 7(5): 371-376.

[127]
FARGIONE J E, BASSETT S, BOUCHER T, et al. Natural climate solutions for the United States[J]. Science advances, 2018, 4(11): ID eaat1869.

[128]
龙禹桥, 许伟强, 蔡剑, 等. 智慧农险关键技术及应用分析[J]. 中国农业信息, 2019, 31(6): 93-106.

LONG Y Q, XU W Q, CAI J, et al. Key technology and application analysis of smart agricultural insurance[J]. China agricultural informatics, 2019, 31(6): 93-106.

[129]
DAX T, SCHROLL K, MACHOLD I, et al. Land abandonment in mountain areas of the EU: An inevitable side effect of farming modernization and neglected threat to sustainable land use[J]. Land, 2021, 10(6): ID 591.

[130]
GEIST H J, LAMBIN E F. Proximate causes and underlying driving forces of tropical deforestation: Tropical forests are disappearing as the result of many pressures, both local and regional, acting in various combinations in different geographical locations[J]. BioScience, 2002, 52(2): 143-150.

[131]
PERPIÑA CASTILLO C, COLL ALIAGA E, LAVALLE C, et al. An assessment and spatial modelling of agricultural land abandonment in Spain (2015–2030)[J]. Sustainability, 2020, 12(2): ID 560.

[132]
FAYET C M J, VERBURG P H. Modelling opportunities of potential European abandoned farmland to contribute to environmental policy targets[J]. Catena, 2023, 232: ID 107460.

Options
文章导航

/

〈 〉

  • 国际刊号　ISSN 2097-485X（网络）
    　　　　　ISSN 2096-8094（印刷）
    国内刊号　CN 10-1681/S
    CODEN　 ZNZHD7
    主管：中华人民共和国农业农村部
    主办：中国农业科学院农业信息研究所
  • 地址：北京市海淀区中关村南大街12号中国农业科学院农业信息研究所
    邮编：100081
    电话：010-82109657
    E-mail：smartag@caas.cn
京ICP备09089781号-37