多源遥感与深度学习驱动的耕地识别与监测：概念重构、方法演进与研究议程

作者：郭康

单位：无

英文题目：Cropland Identification and Monitoring with Multi-Source Remote Sensing and Deep Learning: Conceptual Reframing, Methodological Evolution, and Research Agenda

摘要

耕地识别与耕地监测是农业遥感和国土遥感中最重要、同时也最容易被概念性简化的主题之一。现有研究常将耕地问题分别归入 crop mapping、land-cover classification、parcel delineation 或 change detection 等任务范畴，但这种分散叙述遮蔽了一个更关键的事实：耕地不是单纯的视觉类别，而是兼具覆盖属性、利用属性、管理属性和政策属性的治理单元。正因如此，耕地识别的难点并不只是区分"耕地/非耕地"，而在于如何在异构观测、强时序扰动、碎片化地块格局和不稳定标签边界下，稳定表征耕地的空间范围、地块边界、功能状态与变化过程。本文围绕 2020-01 至 2026-03 的核心文献，重点聚焦耕地范围识别、地块边界重建、弃耕识别、非农化监测、耕地变化检测以及面向耕地主题的弱监督、视觉语言和基础模型方法，尝试回答三个问题：第一，为什么耕地值得作为独立主题进行综述，而不是附属于 crop mapping 或一般 land-cover research；第二，近年来多源遥感与深度学习究竟在耕地主题上推进了哪些实质问题；第三，当前研究最突出的结构性偏差与下一阶段真正值得做的问题是什么。本文认为，耕地研究近年正在经历四个关键转向：由像素识别向地块治理单元建模转向，由静态范围制图向状态监测和时间解释转向，由单模态理想观测向异步多模态现实观测转向，由全监督分割依赖向低标注学习与基础模型迁移转向。同时，现有研究仍普遍存在概念边界不清、benchmark 过于理想化、像素级评价与治理需求错位、山地小农场景代表性不足以及可靠性与公平性评价薄弱等问题。基于这些判断，本文提出未来高水平研究应重点发展面向地块对象的基础模型、开放世界耕地状态监测、异步多源时间建模以及面向治理任务的评测体系。

关键词：耕地识别；耕地监测；多源遥感；深度学习；地块边界；弃耕；非农化；基础模型

Abstract

Cropland identification and monitoring constitute one of the most important yet conceptually oversimplified themes in agricultural and land remote sensing. Existing studies often distribute cropland-related problems across crop mapping, land-cover classification, parcel delineation, or change detection, but such fragmentation obscures a more fundamental fact: cropland is not merely a visual category, but a governance unit jointly defined by cover, use, management, and policy semantics. Consequently, the challenge of cropland remote sensing extends far beyond separating cropland from non-cropland. It lies in the stable representation of cropland extent, parcel boundaries, functional states, and temporal transitions under heterogeneous observations, strong seasonal disturbance, fragmented field patterns, and unstable semantic labels. Focusing on core studies published between January 2020 and March 2026, this review synthesizes progress in cropland extent mapping, parcel and boundary reconstruction, abandonment detection, non-agriculturalization monitoring, cropland change detection, and low-label, vision-language, and foundation-model-based methods specific to cropland tasks. We address three questions: why cropland deserves independent review rather than being treated as a subset of crop mapping or general land-cover analysis; what substantive progress has actually been made in recent years; and what structural bottlenecks and next-stage research questions remain. We argue that cropland remote sensing is currently undergoing four major shifts: from pixel-level classification to parcel-centric governance-unit modeling, from static extent mapping to state monitoring and temporal interpretation, from idealized single-modality observations to asynchronous multimodal sensing, and from heavy reliance on full supervision to low-label and foundation-model-driven learning. At the same time, the literature still suffers from unstable task definitions, over-idealized benchmarks, a mismatch between pixel-level evaluation and governance objectives, weak representativeness for fragmented smallholder landscapes, and insufficient reliability and fairness assessment. Based on these findings, future high-level research should prioritize parcel-centric foundation models, open-world cropland state monitoring, asynchronous multimodal temporal modeling, and governance-oriented evaluation systems.

Key words: cropland identification; cropland monitoring; multi-source remote sensing; deep learning; parcel boundary; abandonment; non-agriculturalization; foundation model

1 引言：为什么耕地主题不能再被简单附着在其他任务之下

在遥感研究的既有叙述中，耕地常常被处理成一个"顺带出现"的类别。若以 crop mapping 为主线，耕地只被视为作物承载背景；若以 land-cover classification 为主线，耕地只是若干地类之一；若以 change detection 为主线，耕地变化不过是各种地表变化中的一种案例。这种写法有其便利性，但其代价也十分明显：耕地作为一个兼具土地利用、农业管理和政策治理语义的对象，被不断压缩为视觉分类问题 [1-3]。

这恰恰是本文重新出发的起点。与建筑、水体或裸地不同，耕地并不稳定地对应某一种视觉外观。它可能在一个季节内经历播种、出苗、生长、收获、整地和短期裸露，也可能在多年尺度上经历弃耕、复耕、设施化改造或非农化转换。换言之，耕地既是一个地表对象，又是一个管理状态对象，还是一个政策语义对象 [4-5]。如果仍用一般语义分割或一般 crop mapping 的思路来简单处理耕地，那么很多真正有价值的问题会被系统性遮蔽。

近年耕地研究的快速发展，恰恰说明这一主题已经无法继续附着于其他任务之下。地块边界提取、parcel vectorization、弃耕识别、非农化监测、耕地动态变化检测以及 foundation model 支撑的耕地对象建模，正在共同推动耕地主题从"一个普通地类"转变为"一个治理单元" [6-10]。因此，本综述不再把耕地看作农业遥感的一部分"子任务"，而将其作为一个独立的问题域来处理。

本文试图回答三个核心问题。第一，耕地识别与监测究竟在概念上区别于 crop mapping 和一般 land-cover research 的地方是什么。第二，过去几年多源遥感与深度学习在耕地主题上真正推进了哪些实质问题，哪些所谓进展只是 benchmark 内部的局部优化。第三，如果目标是高水平期刊研究，下一阶段最值得投入的问题应如何界定。为回答这些问题，本文不按网络名称排方法，而按耕地问题链条组织文献，并在文末给出更具批判性的研究议程。

2 概念重构：耕地到底是什么问题

2.1 耕地不等于作物，不等于一般地类，也不等于简单土地利用标签

从概念上看，耕地至少同时具有三重属性。第一重是覆盖属性，即耕地在遥感影像中具有一定的纹理、几何和边界表现。第二重是利用属性，即耕地的核心并不在于是否"长着某类植被"，而在于其是否处于耕作或可耕作利用框架中。第三重是治理属性，即耕地往往与永久基本农田、农业用地、弃耕治理、非农化监管等制度性语义相连。正因如此，耕地既不能被简化为 crop type，也不能被简单视作一般 land-cover label。

这一点在实践中非常重要。收获后裸地、复耕准备地、短期休耕地、长期弃耕地、设施化农地和转建设中的边缘农地，在视觉表现上可能高度接近，但在治理语义上却完全不同。若综述不先厘清这一概念边界，后续文献分析就容易陷入"把不同问题混成一个问题"的困境。

2.2 耕地主题至少包含四类核心子问题

基于文献梳理，本文认为耕地主题至少由四类核心子问题构成。第一类是 cropland extent mapping，即识别耕地在哪里。第二类是 parcel and boundary reconstruction，即把耕地从像素集合提升为地块单元。第三类是 cropland state monitoring，即识别耕地处于何种状态，包括弃耕、非农化、稳定利用、灌溉/雨养属性以及灾后受损状态。第四类是 cropland change and event understanding，即在时间维上识别耕地发生了什么变化，以及这些变化是否具有治理意义 [11-15]。

这四类问题看似并列，实则相互嵌套。没有稳定的地块边界，状态监测就无法挂接到治理单元；没有时间解释，弃耕和临时休耕无法区分；没有明确的政策语义，非农化就会退化成一般地类变化。因此，高质量耕地综述不能只按模型技术分类，而必须按问题链条组织。

2.3 为什么这一概念重构会直接影响方法评价

一旦承认耕地是治理单元而不只是视觉类别，传统像素级评价体系的局限就会变得清晰。很多方法在 mIoU、F1 或 OA 上取得高分，但未必能正确恢复地块边界、未必能稳定识别耕地状态、未必能在跨年跨区条件下维持语义一致。换言之，耕地问题的概念边界一旦重构，方法是否有效的判断标准也必须重构。这一点贯穿本文后续所有讨论。

3 文献样本、组织逻辑与综述立场

3.1 文献来源与时间边界

本文重点覆盖 2020 年 1 月至 2026 年 3 月期间发表于 Remote Sensing of Environment、ISPRS Journal of Photogrammetry and Remote Sensing、IEEE Transactions on Geoscience and Remote Sensing、International Journal of Applied Earth Observation and Geoinformation、IEEE JSTARS、IEEE GRSL、Computers and Electronics in Agriculture、IEEE Geoscience and Remote Sensing Magazine 等期刊的相关研究，同时适度纳入方法论综述和高相关的 Geo-spatial Information Science 论文。之所以从 2020 年起追踪，是因为 2020 年前后可以视为耕地主题从"传统分类"向"地块、状态和低标注学习"明显转向的起点 [16-18]。

3.2 本综述不是系统综述的简单变体，而是问题导向型综述

本文并不试图穷尽所有"与耕地沾边"的文献，而是坚持一个原则：只有当论文直接推进了耕地这一对象的识别、边界重建、状态解释或治理语义理解时，才进入主论证链条。也就是说，本文有意将大量只是在 crop mapping、一般语义分割或一般变化检测中顺带包含耕地类别的工作放在外围。这种处理看似"缩窄"，实际上是为了提升论证密度。

3.3 本文的基本立场

本文有三个明确立场。第一，耕地研究的真正难点不在于区分耕地与非耕地，而在于稳定表示耕地的边界、状态和时间变化。第二，许多现有方法高估了理想条件下的多源融合收益，低估了异步观测、碎片地块和标签漂移的影响。第三，高水平研究的关键不是继续更换 backbone，而是重新定义问题单元、评价体系和知识注入方式。

4 数据与观测基础：耕地主题对"数据组织方式"异常敏感

4.1 光学影像仍是基础，但已不足以支撑复杂耕地任务

光学影像长期是耕地制图的主要数据来源，这一点并未改变。但耕地任务的复杂性决定了单纯依赖光学影像越来越难以满足要求。其一，云覆盖和观测缺失会直接破坏关键时相；其二，收获、整地、短期休耕和作物残茬会显著增加时序扰动；其三，高分辨率边界和大范围时间连续性往往无法由同一种光学数据同时满足 [3,19]。

因此，当前耕地主题研究越来越依赖多源观测组合，包括 SAR、高分辨率遥感、UAV、地块矢量和时间序列影像。需要强调的是，这种多源化不只是为了提高精度，而是因为不同数据承担了不同语义角色：有的数据更适合表达边界，有的数据更适合表达结构，有的数据更适合表达时间变化。

4.2 SAR 在耕地任务中的意义不是"补云"，而是提供独立机制信息

在农业遥感中，SAR 的价值常被简化成"云下替代观测"。但对于耕地任务而言，SAR 更深层的价值在于其对地表结构、含水状态和粗糙度的响应可提供光学所没有的机制信息 [19-20]。这使得 SAR 在地块边界、灌溉/雨养差异、湿度相关状态和某些变化识别任务中具有独特作用。

然而，本文同时认为，当前许多耕地文献并没有真正处理好 optical-SAR 之间的时间错位和表达差异。大量融合收益是在理想配准和相近时间观测基础上获得的。这一点意味着，多源观测的"收益"必须放在数据条件下理解，而不能被直接当作一般性结论。

4.3 地块矢量与高分辨率边界正在从辅助数据变成主研究对象

一旦耕地问题从像素分类转向治理单元重建，地块边界和 parcel vectorization 就不再是附属产品，而是研究核心本身。E2EVAP、RBP-MTL、CPVF、Field Boundary Delineation 以及多种 CLP/parcel extraction 工作都表明，当前耕地识别的主前沿之一，正是如何稳定恢复地块拓扑、边界连通性和对象完整性 [7-8,18,21-22]。

这一转向非常关键，因为它意味着耕地研究不再只是"把某类像素涂出来"，而是试图把耕地从视觉对象转化为可管理、可追踪、可统计的单元对象。

4.4 现有 benchmark 对真实耕地治理场景的覆盖仍然不足

尽管近年数据集越来越多，但本文认为当前 benchmark 仍存在三类偏差。第一，对规则大田和较整齐边界的依赖较强，对山地小农区、城乡过渡带和高度碎片化耕地代表性不足。第二，对长时序耕地状态标注不足，尤其在弃耕、复耕、非农化和灾后变化上。第三，许多 benchmark 采用较理想的时间同步和标签边界，而现实场景中的耕地语义恰恰更模糊、更动态 [5-6,9]。

这意味着，benchmark 的扩展本身已成为耕地研究的重要科学问题，而不应只是数据准备工作。

5 方法演进 I：耕地范围识别与 parcel-centric 重建

5.1 从 cropland extent mapping 到复杂场景 cropland extraction

耕地范围识别仍然是该主题的基础任务，但其研究重心已经明显变化。早期工作往往把耕地识别视作一般 land-cover segmentation 的一个类别，而近年来的代表性研究则越来越强调复杂地形、碎片化格局和高分辨率边界条件下的耕地 extraction [17,23-26]。

这种变化意味着，耕地范围识别已不再只是类别区分问题，而是"类别 + 边界 + 地块结构"三者耦合问题。尤其在山区和小农景观中，耕地识别的难点往往不是耕地特征太弱，而是背景太复杂、边界太碎、阴影和地形效应太强。

5.2 地块边界与 parcel vectorization 已成为耕地研究的核心主线

如果说 extent mapping 回答的是"哪里是耕地"，那么 parcel delineation 回答的是"耕地单元如何被准确恢复"。这是近年耕地研究最具标志性的结构性转向之一。CLP delineation、cultivated land parcel boundary extraction、boundary--parcel multi-task learning、cropland field parcel extraction 和 vectorization 网络的兴起，说明边界和对象拓扑已从附属问题跃升为核心问题 [7-8,22,27-29]。

这一点之所以重要，是因为它改变了输出语义。像素级耕地图更适合图像层面评价，而 parcel map 更接近治理与业务应用的真实单元。也正因如此，边界连通性、对象完整性和 region-boundary-parcel 联合建模正在逐步取代单一像素精度，成为耕地任务中的更高价值目标。

5.3 Foundation model 正在进入 parcel 重建，但其价值仍需谨慎评估

近期基于 SAM 的 cropland parcel extraction、视觉语言 farmland segmentation 和 foundation model 支持的弱监督农业地块提取，显示 foundation model 正在迅速进入耕地边界任务 [10,30-32]。这一趋势的积极意义在于，它有望降低边界标注成本，并为边界先验和对象一致性提供更强支持。

但本文认为，这一方向目前仍处于"迁移有效性验证"阶段，而不是"范式稳定"阶段。其根本问题在于，自然图像中的对象边界与耕地边界并不同构。耕地边界经常不闭合、不清晰、受耕作历史影响显著，因此 foundation model 在耕地任务中的优势是否能在跨区、跨地形和复杂农业场景中稳定保持，仍需要更严格验证。

6 方法演进 II：耕地状态监测与治理语义理解

6.1 弃耕识别：耕地主题中最典型的"状态问题"

弃耕识别是耕地主题最能体现管理语义复杂性的方向。它之所以难，不在于技术上缺少分类器，而在于弃耕没有稳定单一外观。弃耕可能表现为草本恢复、灌木侵入、短期荒置或向其他用途过渡，其影像表现高度依赖时间尺度与景观背景 [4,11-12,16,33]。

从近年文献看，弃耕研究的主要进展有两个。其一，时间序列已成为基础而非附属特征，因为只有时间信息才能区分"暂时不种"和"长期退出耕作"。其二，研究对象从像素级 abandoned land 扩展到更细粒度的 abandoned cropland unit。这意味着弃耕识别正在从单纯分类任务，转向土地利用过程识别任务。

6.2 非农化监测：把耕地研究推向政策语义层面

耕地非农化比弃耕更进一步，它要求模型不仅发现变化，还要理解这种变化是否导致耕地属性在治理意义上被破坏。近期相关工作，如 representational consistency non-agriculturalization detection、FADConv 以及 PANet，已经开始系统处理真实非农化与伪变化之间的界限 [5,9,34]。

其中，PANet 的意义尤其突出，因为它把 pseudo change 作为任务核心之一。对耕地非农化而言，这是一个非常关键的判断：很多表面变化来自季节性扰动、观测角度差异或临时土地活动，并不构成治理意义上的非农化。谁能更好地区分真实非农化和伪变化，谁才真正推动了这个领域。

6.3 耕地状态监测正在扩展到功能分化与稳定性分析

除了弃耕和非农化，近年耕地状态研究还拓展到灌溉/雨养区分、耕地利用稳定性、灾后农田受损识别等方向 [13,35-36]。这些研究说明，耕地主题的边界正在从静态土地覆盖识别向更广义的功能状态监测拓展。

这一拓展的重要意义在于，它改变了耕地遥感的研究目标。未来耕地研究若仍只停留在 extent map 层面，就难以充分回应土地治理和农业管理中的真实需求。

7 方法演进 III：耕地变化与动态监测

7.1 Cropland change detection 正在从像素变化走向地块变化

近年 cropland change detection 研究数量快速上升，但真正重要的变化不是论文数量，而是问题定义开始偏向地块对象。SNUNet3+、STMTNet、parcel-based cropland change detection、FS2CNet、CAFENet 与 FarmCD 等研究，都在不同程度上尝试把边界信息、对象线索和时间上下文引入耕地变化识别 [14-15,37-40]。

这意味着耕地变化检测正在逐步摆脱一般性 binary change detection 的影子，转向更接近治理对象的状态变化表达。只有在这一层面上，耕地变化检测才具有独立于一般 change detection 的科学价值。

7.2 动态监测比静态识别更能暴露方法的真实短板

耕地动态监测，尤其是 multitemporal cropland monitoring，往往比静态识别更能暴露方法真实能力。其原因很简单：静态分割可以在较大程度上依赖某个时刻的视觉特征，而动态监测必须面对时间扰动、状态转换和伪变化干扰。近期关于 cropland dynamic monitoring 的研究已经开始意识到，真正有价值的不只是检测变化，而是恢复状态轨迹和空间语义一致性 [15,41]。

这一点说明，未来最有价值的 cropland monitoring 研究，不应只做更强的双时相对比，而应构建时间连续、对象连续和语义连续的监测框架。

7.3 当前耕地变化研究仍然高估了 benchmark 表现

尽管耕地变化方向发展迅速，但本文认为这一分支仍然明显高估了 benchmark 层面的成功。很多研究建立在规则地块、良好配准和有限变化类型上，难以充分代表真实耕地治理场景。尤其在城乡过渡带、灾后受损地区和小农景观中，变化类型更混杂、伪变化更多、地块语义更不稳定。因此，cropland change detection 的真正难点依旧是"如何把时间变化解释成治理语义"，而不是"如何把二时相差异映射得更精细"。

8 低标注学习与基础模型：耕地主题的新机会，也是新的误区

8.1 低标注学习在耕地研究中是刚需而非潮流

耕地任务高度依赖边界、状态和长时序标注，因此标注成本远高于一般地类分割。这决定了弱监督、低标注、超分制图和 foundation model 适配在耕地主题中不是"锦上添花"的方向，而是绕不开的基本路线 [10,42-43]。

但需要指出，减少像素标签并不等于减少语义成本。耕地研究中最难的部分往往不是描边，而是界定"什么算弃耕""什么算非农化""什么算有效耕地恢复"。如果语义定义本身不稳，任何弱监督框架都只能减少表层标注工作量，而不能从根本上解决问题。

8.2 Vision-language 与 foundation model 为耕地研究带来了什么

视觉语言和 foundation model 在耕地主题上的潜力主要体现在三个层面：一是增强边界与对象先验，二是支持更低成本的对象提取，三是为开放世界耕地状态监测提供更灵活的语义接口 [30-32,44]。尤其在 parcel extraction 和 farmland segmentation 中，这些模型已经展示出比传统完全监督框架更高的可塑性。

然而，本文认为当前相关研究仍存在一个显著误区：将通用 foundation model 的迁移成功直接视为对耕地问题的理解成功。事实上，耕地的很多核心语义并不天然存在于通用视觉世界中，它们依赖时间、管理和政策背景。因此，foundation model 在耕地场景中的真正挑战，不是"能不能迁移"，而是"能不能内生表达耕地语义" [44-46]。

8.3 农业原生基础模型更值得重视

AgriFM 的出现非常值得强调，因为它不再把农业场景只当作下游任务，而尝试把农业多源时序结构直接作为预训练对象 [44]。这代表一种更有希望的方向：与其不断把通用 foundation model 迁移到耕地任务，不如开始构建真正针对地块、时间过程和农业状态的原生基础模型。

9 批判性诊断：当前耕地研究最需要反思的五个问题

9.1 任务定义常常比模型设计更不严谨

当前许多耕地论文在模型设计上非常复杂，但在任务定义上却相对粗糙。最常见的问题是把耕地、作物、弃耕和一般农业地类混合成模糊标签，或者将治理语义问题直接降格为视觉分割问题。这样的研究即使方法再先进，也很难形成可比较、可累积的知识体系。

9.2 多源融合的收益经常建立在理想条件之上

许多论文报告多源观测显著提升了耕地识别效果，但往往没有充分说明这些提升是否依赖严格的时间同步、空间对齐和标签稳定性。现实中，这些条件往往不成立。因此，本文认为未来评价多源融合方法时，必须显式把异步与缺模态作为实验条件，而不是默认消失的背景噪声。

9.3 像素级指标与地块治理任务之间存在结构性错位

对耕地主题而言，这一问题尤其严重。治理部门关心的是地块是否完整、状态是否可信、变化是否可解释，而学术论文常报告像素级 mIoU、F1 与 OA。只要这个结构性错位不被纠正，学术进步就很难真正转化为治理能力。

9.4 小农碎片景观仍被明显低估

目前不少方法事实上是在规则大田和较清晰边界上验证成功的，而山地丘陵区、城乡过渡带和碎片化小农区恰恰是耕地问题最复杂也最有价值的场景。若 benchmark 和方法设计长期偏向规则场景，耕地研究就难以真正触及最困难的问题。

9.5 可靠性、公平性与不确定性仍是薄弱环节

尽管耕地任务显然面向高风险应用，当前文献对不确定性、校准、公平性和误报/漏报代价的报告仍然明显不足 [47-48]。这意味着，当前领域虽在方法上快速进步，但在"能否安全用于治理决策"这一更关键的问题上仍处于早期阶段。

10 研究议程：什么问题真正值得下一阶段去做

10.1 面向地块单元的原生基础模型

未来最值得投入的方向之一，是构建面向地块单元而非像素 patch 的原生基础模型。其目标不是仅仅输出更好的 segmentation mask，而是统一编码边界、对象、状态和时间轨迹。只有这样，耕地研究才可能真正从图像识别问题升级为治理单元感知问题。

10.2 开放世界耕地状态监测

弃耕、非农化、复耕、灾损和季节性裸露并不适合被长期压缩为少数固定标签。下一阶段更高价值的方向，是建立开放世界耕地状态监测体系，使模型能够结合时间、文本、对象历史和管理规则识别耕地状态，而不是仅在封闭类别中分类。

10.3 异步多模态时序建模

真实耕地监测几乎从不满足完美同步观测。未来必须把异步 optical、SAR、高分与地块数据作为常态，而不是例外。谁能把这种不完美观测条件内生到模型设计中，谁才真正推动了耕地多源研究。

10.4 评价体系与报告规范重构

未来高水平论文应系统报告跨年泛化、跨区稳定性、地块完整性、伪变化敏感性、校准误差和群体公平性，而不只是像素平均指标。与此同时，论文也应更严格报告标签映射规则、数据时相条件和失败案例。只有在报告规范被重构后，耕地主题才能真正形成可比较的研究积累。

11 结论

本文的核心结论是：耕地识别与耕地监测不能再被简单视作 crop mapping 或一般 land-cover analysis 的附属话题。耕地之所以值得单独研究，不是因为它"也是一个重要类别"，而是因为它同时具有视觉对象、管理单元和政策语义三重属性。近年多源遥感与深度学习在耕地范围识别、地块边界恢复、弃耕识别、非农化监测和动态变化检测上取得了显著进展，但这些进展尚未从根本上解决概念边界不稳、观测条件理想化、评价逻辑错位和治理语义缺位等结构性问题。

因此，下一阶段真正具有高水平期刊潜力的研究，不在于继续叠加更复杂的网络骨干，而在于重构问题本身：把耕地定义为地块治理单元，把多源观测定义为异步异质现实条件，把变化理解为状态和治理语义转换，把评价目标从像素精度转向管理有效性。只有当耕地研究完成这一步，多源遥感与深度学习才可能真正进入更高层次。

多源遥感与深度学习驱动的耕地识别与监测：概念重构、方法演进与研究议程