从土地调查到智能决策：三重现实压力
耕地是保障国家粮食安全与农业可持续发展的核心资源。全球农业用地约 50 亿 hm²，占陆地面积 38%，其中约三分之一为耕地；但城市化扩张与气候变化持续压缩耕地数量与质量，FAO 在 2021 年报告中指出全球土地资源与土壤状况已「濒临极限」，至 2050 年恐难满足近 100 亿人口的粮食需求。遥感虽提供了大范围、高时间分辨率的数据支撑，但实地调查与影像解译在资金、时间与人力上的高昂成本，使全球尺度的持续监测难以维系。人工智能由此成为兼顾精度、效率与成本的解法，但该领域仍缺少贯通「感知-建模-决策」的全景式梳理。
监测成本与持续性的矛盾
耕地监测目标涵盖识别亟需干预的重点区域、评估耕地功能状态或潜力并据此进行适应性调控、绘制土地利用现状图 3 个层面。卫星与无人机数据获取虽已便捷，但测量、统计与数据处理各环节均需高昂投入，在全球尺度上连续开展耕地监测评估难以维系。这构成了从「周期性土地调查」转向「自动化连续监测」的根本动因，也决定了 AI 必须以更低的边际成本替代人工解译环节。
综述视角局限于精度比较
现有综述多偏重分类、分割等基础任务的精度比较，对近年来快速兴起的大模型泛化、物理-数据双驱动建模、因果归因推断及智能体自主决策等前沿范式系统归纳不足，既有框架难以映射快速演进的技术体系。大量文献聚焦单一技术环节的算法改进或局部场景的个案验证，技术点间的关联性与演进逻辑未能充分揭示，领域缺乏清晰的技术路线图。
任务覆盖偏重几何与语义
既有综述多以耕地语义识别与几何特征检测为核心，对耕地质量、适宜性及系统韧性等综合评估任务关注薄弱，未能完整覆盖耕地监测评估的多元化目标需求。与此同时，耕地质量空间异质性强、随机布点覆盖不足，土壤质量指标与生态系统功能之间的关联机制尚不清晰，致使地面实测数据仅能反映单一维度属性，难以支撑具备因果解释能力的质量预测模型。
约占陆地面积 38%
国外 1 893 · 国内 371
合计所占比重
耕地监测发展分期
「感知-建模-决策」全链条的四步梳理
本文采用文献计量分析与系统性综述相结合的方法，对近 40 年间人工智能驱动耕地遥感监测评估的研究进行系统归纳。技术上以 CiteSpace V6.3.1 与 VOSviewer V1.6.20 绘制关键词突现图谱与关键词共现网络，识别研究热点迁移；内容上按「感知-建模-决策」三层架构统摄全局，将研究任务聚焦为面积提取、边界提取、地块提取与耕地评估 4 项逐层深入的核心任务，并进一步归纳技术谱系、数据协同、方法论与应用服务 4 项跨任务趋势。
文献检索与计量分析
对 1988—2026 年涉及全球人工智能主题的耕地遥感监测与评估文献进行系统检索，检索内容涵盖自然资源、农业与环境中的人工智能主题，聚焦关键技术、趋势、挑战与未来发展，并围绕耕地监测与管理特定主题展开。共纳入 2 264 篇文献，其中国外文献 1 893 篇、国内文献 371 篇。在此基础上绘制关键词突现图谱与共现网络，揭示高频主题由 ML、分类、植被指数向 GEE、DL、融合与大数据扩散的演进路径。
发展历程的四阶段回溯
第一阶段受限于数据质量与计算能力，主要依赖航空图像与 Landsat 影像目视解译，核心方法为统计分析、无监督分类与边缘检测。第二阶段约在 2005—2015 年，MLC、SVM、DT、RF、XGBoost、kNN 等算法相继引入，监测基本单元由像元级向对象级拓展。第三阶段在 ML 与面向对象图像分析共同驱动下，转向融合光谱特征与物候信息的要素识别。第四阶段为近 5 年，CNN、RNN、DNN 等端到端模型成为主流，并融合多尺度特征、注意力机制与长短期记忆结构。
五大特征维度刻画技术形态
星机地一体化通过卫星、无人机与地面传感网络协同实现多尺度动态监测，Bhatti 等基于 Planet 卫星影像的空间蒸散模型发现地面移动传感器监测冠层温度与实际温度相关性最佳，R² 达 0.99。多源数据智能协同处理应对可见光、红外、LIDAR、DEM、DOM 等异构多模态挑战，Khoramak 等融合高光谱与激光雷达数字表面模型并结合多智能体处理，使耕地种植结构识别整体准确率分别提高约 15.53% 与 6.58%。人机智能协作、智能实时分析与智能决策支持则分别对应解译可靠性、过程预警与行动方案生成。
四项关键任务的逐层递进
面积提取作为本底基础，旨在估算耕地资源总量规模；边界提取致力于划定空间区位与权属界限，为地籍管理与产权界定提供空间基准；地块提取将离散像元聚合为封闭的独立经营单元，完成从像元级统计到地块级决策的跃迁；耕地评估则综合多源异构数据，对质量与产出潜力进行系统评价。四者彼此支撑，构建从数据获取、信息提取到知识发现与决策支持的完整技术闭环，为耕地精细化管理与粮食安全预警提供理论框架。
从像元级统计到场景级实体地块
技术演进可细分为 3 个梯度：奠基期（1988—2005 年）以专家主导的目视解译为特征，Landsat 系列为主要数据源，基于像元的分类技术在多源数据整合中获广泛应用；多传感器融合期（2005—2023 年）受益于 Sentinel 星座启动、MODIS 数据可用性提升及 Landsat 任务持续运行，实现自动化、系统化监测制图；高分辨率与 AI 革命期（2023 年至今），伴随预训练大模型涌现、云计算普及与无人机应用增强，CNN 提升目标检测精度、RNN 支撑时序分析、GAN 实现数据增强、GNN 优化多源信息融合效率，共同推动遥感技术向智能化、实时化与自主化方向发展。
八类代表性遥感基准数据集
Fields of The World 面向农业田块边界分割，涵盖四大洲 24 个国家，含 70 462 个样本、总覆盖面积约 166 293 km²，配有多时相 Sentinel-2 影像与实例、语义分割掩膜；Sen4AgriNet 利用 2016—2020 年欧盟共同农业政策申报数据标记，含 4 250 万个农业地块，初始版本约 225 000 个多时相补丁、总数据量达 10 TB；SEN1-2 含 282 384 对 Sentinel-1/2 图像块，已有研究基于 GAN 合成光学影像使耕地覆盖物分类总体准确率由 71.1% 提升至 87.1%；EuroCropsML 覆盖爱沙尼亚、拉脱维亚与葡萄牙 3 国，含 706 683 个地块采样点、176 个作物类别，时序分辨率达 216 个时间步；CDL 2025 版时间跨度为 2007—2023 年、空间分辨率 10 m；此外还有 GFSAD、EuroCrops（覆盖欧盟 16 国、2 200 万个耕地多边形）与 MapBiomas 等时序数据集。
四类范式与四项任务的技术谱系对照
作为综述型研究，本节不设自有实验，而是以技术谱系对比的方式横纵梳理：纵向比较耕地边界提取任务下五类方法范式在主流方式、代表模型、优点与缺点上的差异，横向比较面积提取、边界提取、地块提取与耕地评估四项任务在方法演进、代表模型与主要瓶颈上的对照，以呈现由传统机器学习向深度学习、再向大模型与智能体协同演进的总体脉络。
小尺度局部提取精度
GEE 南亚耕地掩膜验证精度
种植结构识别准确率提升
耕地覆盖物分类准确率 / %
| 方法范式 | 主流方式 | 代表模型 | 主要优点 | 主要缺点 |
|---|---|---|---|---|
| 机器学习 ML | 特征工程 + 分类器 | RF、DT、SVM | 精度显著高于纯图像处理；可融合光谱、纹理与几何多源特征；对异质区域更鲁棒；RF/DT 具备可解释性 | 特征工程工作量大且依赖专家；泛化需重新设计特征；高维特征可能过拟合 |
| 深度学习 DL | 端到端像元级分类 | U-Net、DeepLab、PSPNet、RAT-UNet | 端到端无需手工特征；精度远超传统方法；U-Net 对小目标有优势；可处理复杂异质场景 | 需大量精确标注；多为耕地/非耕地二分类；边界锯齿化与模糊；跨域泛化有限；需 GPU，计算成本高 |
| 语义分割 + 边界检测 + 距离变换 | 多任务联合建模 | BECU-Net、FFENet、MEG-Net、CT-HiffNet、SEANet | 多任务相互增强；边界质量显著优于纯语义分割；可直接后处理生成闭合多边形；跨域迁移能力强 | 多任务损失权重调节困难；模型结构更复杂；标注要求更高；计算开销更大 |
| 区域提议 + 实例 Mask | 逐地块实例分割 | Mask R-CNN、YOLOSc-SAM、E2EVAP、FCN | 支持实例级地块区分；框架成熟；输出即实例多边形 | Bbox 难以描述不规则形状；密集粘连地块区分困难；Mask 精度受限于 RoI 分辨率 |
| 自注意力视觉大模型 / VLM | 提示驱动的通用分割 | MAMNet、SAM、DCCLNet、CAFENet、视觉语言模型 | 泛化能力极强；小样本学习潜力巨大；可结合文本提示 | 推理速度慢、算力需求极大；农业场景需专门微调；研究尚处早期，需大量适配工作 |
| 关键任务 | 任务目标 | 传统方法阶段 | 深度学习阶段 | 大模型与智能体前沿 | 主要瓶颈 |
|---|---|---|---|---|---|
| 耕地面积提取 | 估算耕地资源总量规模 | MLC 与参数化算法，小尺度局部精度可达 90% 以上；RF 成为大范围提取首选 | CNN 语义分割捕捉邻域上下文；全卷积 LSTM 兼顾时空特征；Transformer 融合多源数据抗云遮挡 | TimeSenCLIP 等时序遥感视觉语言大模型展现零样本泛化潜能；自监督表征学习缓解标注稀缺 | 依赖人工筛选光谱-纹理-地形特征组合；同物异谱与异物同谱适应性有限；受训练样本标签范围深度约束 |
| 耕地边界提取 | 划定空间区位与权属界限 | 超像元聚合 + RUSboost 分类器；Canny、Sobel 等梯度算子 | FCN 类模型端到端密集预测；迁移学习降低标注依赖；FFENet 融合局部与全局语义及边缘特征 | 对 SAM 等通用视觉模型微调实现多源特征整合；SkySenseGPT、RemoteCLIP 等跨模态大模型加速适配 | 几何形态与真实田块结构偏差显著，边界完整性欠佳、角点清晰度不足；传统算子缺乏语义理解，易产生断裂与伪边缘 |
| 耕地地块提取 | 聚合为封闭独立经营单元 | 区域竞争、活动轮廓模型与基于图的生长轮廓 | FCN + 定向分水岭端到端检测；PASTIS 引入全景分割与时间自注意力；BsiNet、SEANet 多任务协同 | Prithvi 在超 1 TB 的 Landsat 与 Sentinel-2 影像上预训练；AlphaEarth Foundations 通用空间表征已被逾 50 个国际组织采纳 | 从语义分割跃迁至实例分割存在技术壁垒；高分辨率标注成本高、跨区域标准不一；易丢失空间细节并忽略物候差异 |
| 耕地评估 | 质量与产出潜力系统评价 | 空间分层抽样 + 地统计插值或 ML 回归将离散点样本空间化 | SHAP 等可解释工具实现指标定量归因；随机森林、XGBoost 与 SHAP 协同量化因子边际贡献 | 多智能体分工协同：规划智能体解析意图并构建执行代码，主控智能体自我诊断，实施智能体调用领域工具 | 黑箱特征限制解释性与政策接受度；土壤指标与生态功能关联机制不清；阈值划定与土壤生物功能关联存在短板 |
范式沿 ML → DL → 大模型协同迁移
文献计量与任务剖析共同表明，各任务的技术范式与研究热点总体呈现由传统机器学习向深度学习、再向大模型与智能体协同演进的趋势。奠基期以 Landsat 目视解译与像元级分类为主，多传感器融合期借 Sentinel 与 MODIS 实现自动化制图，2023 年以来的高分辨率与 AI 革命期则由 CNN、RNN、GAN、GNN 分工驱动目标检测、时序分析、数据增强与多源融合，监测对象从「简单像元」持续走向「复杂场景」。
几何精度与泛化是共同硬约束
边界提取中，耕地形态的多样性与尺度异质性加之阴影杂草遮挡，使 Canny、Sobel 等梯度算子因缺乏语义理解而产生断裂、伪影与伪边缘；单一梯度阈值无法适应整幅影像的光照与作物类型变化，小块边界更易受高频噪声影响。地块提取中，密集粘连地块区分困难、高分辨率标注成本高昂且跨区域标注标准不一，共同制约模型泛化，也催生了自监督学习与地理空间大模型的小样本乃至零样本路线。
从黑箱预测走向可解释与因果推断
中国山区耕地韧性研究证实随机森林、XGBoost 与 SHAP 的协同可清晰梳理生态系统影响因子并量化各因子边际贡献；印度拉贾斯坦邦的实证表明基于随机森林与梯度提升的可解释路线显著提升了复杂风险条件下的多作物估产精度。方法论层面正经历双重转型：由纯数据驱动向「数据-模型-知识」联合驱动演进，并由相关分析向因果推断跃升，以规避伪相关导致的决策偏误。
各任务的技术范式与研究热点总体呈现出由传统机器学习向深度学习，再向大模型与智能体协同演进的趋势。
从被动感知到主动决策的转型路径
耕地监测评估始终以「精准识别、快速响应、科学管控」为导向，是一项目标驱动的应用型任务。当前研究仍面临数据获取成本高昂、复杂环境下模型适应性不足以及可解释性欠佳等关键瓶颈。未来需突破数据、算力与算法约束，推动耕地监测体系由「被动感知」向「主动决策」的智能化范式转型，并以耕地质量评估作为体系化决策的核心输出。
「感知-建模-决策」全链条框架
在分析维度上突破单一算法精度比较的局限，从感知、建模、决策三层架构统摄全局，揭示技术演进的内在逻辑而非简单罗列方法。框架同时涵盖星机地一体化、多源数据智能协同处理、人机智能协作、智能实时分析与智能决策支持五大特征维度，映射出 AI 与遥感深度耦合后耕地监测作业范式的重塑与功能边界的拓展。
近四十年发展历程的计量刻画
基于 1988—2026 年共 2 264 篇文献（国外 1 893 篇、国内 371 篇）的检索与计量分析，绘制关键词突现图谱与共现网络，识别出中国与美国研究成果占比接近 80% 的空间不均衡格局，并将发展历程回溯为目视解译、机器学习、光谱-物候融合与端到端深度学习四个阶段，以及奠基期、多传感器融合期与高分辨率 AI 革命期三个演进梯度。
四项任务谱系与四项总体趋势
将研究任务聚焦为面积提取、边界提取、地块提取与耕地评估四项相互关联、逐层深入的核心任务，并归纳出四项跨任务总体趋势：技术谱系上从传统机器学习向大模型泛化与拓扑感知跨越；数据协同上从多源数据拼接向多模态深度对齐与星-机-地一体化演进；方法论上由纯数据驱动转向「数据-模型-知识」联合驱动与因果推断；应用服务上从云端离线处理迈向星上近实时计算与数字孪生决策。
面向自然资源空间治理的技术底座
该框架为耕地资源管理的研究者与实践者提供了清晰的技术路线图：多智能体编排机制大幅降低人机交互门槛，已为种植季耕地农业焚烧监测、高标准农田巡检及耕地气候风险情景模拟等高复杂管理场景提供高效技术解决方案；集成智能化提取技术与国土空间「一张图」数据底座构建的智慧监管平台，可精准识别「非农化」「非粮化」行为，推动土地利用可持续管理与可持续发展目标实现。
样本、可解释性与泛化的四重瓶颈
规模化应用仍受高质量标注样本匮乏、模型物理可解释性差、复杂场景跨区域泛化性能薄弱以及新兴技术范式与传统业务体系融合困难四重制约。对应地，未来应发展基于扩散模型的合成数据增广与参数高效微调范式，将地理学空间规律与作物物候先验嵌入多任务协同学习框架并引入主动学习反馈机制，把思维链推理嵌入多模态大语言模型并协同部署边缘计算——2025 年 5 月我国发射的太空计算卫星星座首发 12 颗卫星，星载边缘计算芯片算力 16 TOPS，数据计算效率较地面计算提升约 50 倍，最终构建人-机-物融合智能与数字孪生的耕地服务体系。