多源遥感与深度学习视角下耕地识别与耕地监测的局限性、研究空白与科学问题

作者：郭康

单位：无

英文题目：Limitations, Research Gaps, Scientific Questions, and Future Agenda of Cropland Identification and Monitoring under Multi-Source Remote Sensing and Deep Learning

摘要

近年来，耕地识别与耕地监测成为农业遥感和国土遥感中增长最快的主题之一。围绕耕地范围提取、地块边界重建、弃耕识别、非农化监测、耕地动态变化以及基础模型与低标注学习，近年文献数量明显增长，方法迭代速度也极快。然而，如果仅从模型名称和 benchmark 指标观察这一领域，会形成一种误判：似乎主要问题已经从"能否识别耕地"转移为"如何继续提高几点精度"。基于 2020 至 2026 年聚焦文献池，尤其是 2024 至 2026 年核心论文的摘要信息与方法表述，本文认为当前领域真正的瓶颈远比模型精度更基础。它们集中表现在：耕地概念与标签边界不稳定、地块治理单元表达不足、时序过程与状态语义被过度压缩、异步多模态融合被理想化处理、伪变化与真实变化难以区分、模型泛化依旧依赖景观背景、低标注学习解决了像素标注成本却没有解决语义定义成本，以及像素级评价与耕地治理任务之间存在结构性错位。基于这些判断，本文进一步提出当前耕地主题最值得推进的科学问题，包括耕地语义本体建模、地块中心基础模型、开放世界耕地状态监测、异步多源时序建模、伪变化机制辨析、治理导向评价体系和可靠性约束学习等，并将这些问题细化为可操作的未来任务。本文的目标不是再提供一份方法汇编，而是为这一主题下一阶段真正有理论含量和期刊潜力的研究，提供一个更尖锐的问题清单。

关键词：耕地识别；耕地监测；研究空白；科学问题；多源遥感；深度学习；地块单元

Abstract

Cropland identification and monitoring have become one of the fastest-growing themes in agricultural and land remote sensing. Recent literature shows rapid expansion in cropland extent extraction, parcel and boundary reconstruction, abandonment detection, non-agriculturalization monitoring, cropland dynamics, and low-label or foundation-model-based learning. However, if the field is viewed only through the lens of model names and benchmark scores, one may wrongly conclude that the main challenge has shifted from recognizing cropland to simply improving segmentation accuracy. Based on a focused literature pool from 2020 to 2026, with particular emphasis on abstracts and methodological statements of recent core papers, this paper argues that the current bottlenecks are far more fundamental. They include unstable cropland semantics and labels, insufficient parcel-centric representation, over-compression of temporal processes and state semantics, over-idealized asynchronous multimodal fusion, weak discrimination between pseudo-change and true change, strong landscape dependence in model generalization, low-label learning that reduces pixel annotation cost but not semantic definition cost, and a structural mismatch between pixel-level evaluation and governance-oriented tasks. Building on these observations, we formulate a set of high-value scientific questions for the next stage of cropland research, including semantic ontology of cropland, parcel-centric foundation models, open-world cropland state monitoring, asynchronous multimodal temporal modeling, pseudo-change mechanism analysis, governance-oriented evaluation systems, and reliability-aware learning. The purpose of this paper is not to offer another method inventory, but to provide a sharper agenda for research with real theoretical and high-level journal potential.

Key words: cropland identification; cropland monitoring; research gap; scientific question; multi-source remote sensing; deep learning; parcel unit

1 问题提出：为什么现在最需要的不是再写一遍"研究进展"

如果只看近两年的论文题目，耕地主题似乎已经覆盖了几乎所有热门技术：高分辨率分割、地块向量化、时空变化检测、视觉语言模型、SAM、弱监督、foundation model 等 [1-6]。但如果进一步去读这些论文的摘要，会发现一个更值得警惕的现象：许多工作虽然在任务命名上不同，但它们不断指向同一类难点，例如复杂耕地边界、小尺度碎片地块、跨区域泛化、伪变化干扰、弃耕与非农化语义区分、样本生成困难和模型在真实场景中的不稳定性 [7-10]。

这说明，耕地领域当前最紧迫的工作，并不是继续写一份"哪些模型做了哪些事情"的进展综述，而是回过头回答一个更根本的问题：这个主题到底卡在哪里。因为只有把真正的局限性和结构性空白说清楚，后续研究才不会继续在表层技术上绕圈。

本文正是在这一背景下展开。它不是一篇总综述的缩写版，也不是简单从已有综述中抽出"存在的问题"一节，而是尝试从聚焦文献池本身出发，直接围绕"局限性、研究空白、科学问题、未来任务"四层结构来组织论述。

2 基于文献池摘要的总体判断：这个领域集体在解决什么，又集体回避了什么

对当前聚焦文献池进行主题归纳后，可以看到几个非常清楚的信号。第一，parcel/boundary 相关文献占比很高，说明地块边界和对象恢复正在成为耕地主题的核心主线；第二，temporal/change 相关文献同样占据显著比例，说明耕地问题已经不再是静态分类，而是时间解释问题；第三，weak supervision / vision-language / foundation model 方向开始明显渗透，表明标注成本与泛化问题已成为方法设计的核心约束；第四，uncertainty / fairness / reliability 文献极少，说明领域对决策风险问题的关注仍明显不足。

如果把这些信号放在一起，当前领域最重要的事实并不是"方法越来越多"，而是：研究社区已经隐约意识到传统像素分类框架不够用了，却还没有建立起与耕地治理任务真正匹配的新框架。换言之，方法学正在快速演化，问题定义却只完成了一半。

从摘要层面的共性表述看，近期大多数论文都承认至少一种以下困难：耕地地块形状和尺度差异大，山地和小农区背景复杂，边界难以闭合，弃耕与非农化具有模糊过渡带，变化监测容易受伪变化干扰，多源数据存在时间和尺度不一致，模型跨区泛化依旧脆弱 [9,11-14]。问题在于，这些困难常常只被当作新方法的"应用背景"，却没有上升为需要单独解决的科学问题。

3 现阶段最深的局限性到底是什么

3.1 第一类局限性：耕地本体语义没有被稳定定义

这是本文认为最根本、也最容易被忽略的问题。很多论文默认"耕地"是一个天然清晰的标签，但从摘要可以看到，弃耕、非农化、临时裸地、灌溉与雨养差异、复耕过渡状态、灾后受损农田等都在不断侵蚀这个稳定假设 [10,13,15-17]。换言之，耕地不是一个静态视觉类别，而是一个具有状态、过程和政策边界的语义对象。

这意味着，当前很多高精度模型实际上并没有解决"什么是耕地"的问题，而只是学会了在某一套标签口径下近似拟合。只要区域换了、统计口径变了、耕作制度变了，模型就可能失效。由此可见，耕地语义不稳定，不是数据噪声问题，而是本体问题。

3.2 第二类局限性：研究对象仍然过度停留在像素，而不是治理单元

尽管近年来地块边界与 parcel vectorization 研究快速增长，但从整个文献池看，大量方法仍然在像素框架内思考耕地问题。即便论文标题中出现了 boundary、parcel 或 plot，很多方法最终优化的仍是像素级 loss，评价的仍是像素级指标 [1-2,18-19]。这会带来一个结构性问题：模型可能在局部纹理上很准，却无法在地块层面给出可靠结果。

对耕地主题而言，这种错位比一般遥感任务更严重。因为耕地天然对应地块单元，治理部门关心的是哪一个地块、边界是否可信、状态是否变化，而不是每个像素单独是否被正确分类。

3.3 第三类局限性：时间过程常被压缩成静态切片

从弃耕、非农化、动态监测和耕地变化文献的摘要看，时间是解释耕地状态的关键维度 [8,20-23]。但当前大量研究虽然使用了多时相数据，却并没有真正把时间过程作为研究对象。更准确地说，它们常把时间序列当作额外输入，而不是把状态转移、事件触发和语义持续性作为显式目标。

这就导致一个常见现象：模型会用时间信息提高判别精度，却仍然难以解释"为什么这个地块从耕地变成了弃耕""这个变化是长期变化还是季节扰动""这次裸露是收获后短期状态还是非农化前兆"。因此，当前领域的时间建模更多是"时间帮助分类"，还没有真正走到"时间定义语义"的阶段。

3.4 第四类局限性：多源融合往往建立在不真实的观测前提上

多源遥感几乎是当前耕地文献的标配，但从很多论文摘要可以看出，多源融合的叙述经常默认数据源已实现良好对齐，或者至少未把异步、异分辨率和缺模态作为核心问题提出 [24-26]。这在方法设计上会造成一个系统性偏差：模型在实验室条件下学到的是"理想多模态协同"，而不是"现实多源条件下的稳健推断"。

对耕地任务而言，这个问题尤其突出。因为真实监测中，光学、SAR、高分影像、UAV 和地块矢量几乎不可能严格同步；而耕地状态又高度依赖时间细节。只要异步观测条件没有被显式建模，多源优势就可能被高估。

3.5 第五类局限性：伪变化问题远未被真正解决

近年 PANet、非农化识别、cropland change detection 等文献都在不同方式上强调伪变化问题 [7,9,27-28]。这说明领域已经意识到，仅凭差异并不能定义治理意义上的变化。但从整个文献池看，伪变化仍然更多被视为方法噪声，而没有上升为一个值得独立建模的机制问题。

事实上，耕地主题中的伪变化并非偶然误差，而是由季节扰动、农事活动、作物残茬、阴影、水分变化和异步观测共同产生的系统现象。如果这个问题不被单独攻克，那么弃耕、非农化和耕地变化监测都难以真正稳定。

3.6 第六类局限性：低标注学习缓解了标注负担，却没有触及语义成本

弱监督、视觉语言、SAM 和 foundation model 在近期耕地文献中占比明显上升 [3-6]。这表明研究者已经不再认为大规模精细标注是可持续前提。然而，从摘要层面看，这些工作大多是在减少像素级标注成本，却没有真正解决标签本体和语义边界的成本。

这意味着，低标注学习目前主要解决了"怎么少画一些标注"，还没有解决"怎么更稳地定义耕地状态"。对耕地这种语义本身不稳定的主题而言，后者其实更难也更关键。

3.7 第七类局限性：可靠性、校准和公平性几乎不在主舞台上

这是整个文献池最明显的结构性缺口之一。尽管耕地任务显然面向高风险治理场景，但围绕不确定性、校准、跨区风险差异和公平性的研究几乎缺席。现有遥感不确定性综述和个别公平性工作已经提示这一问题的重要性 [29-30]，但在耕地主题主流论文中，这些维度仍几乎不构成核心评价项。

这说明领域仍停留在"能不能分对"的阶段，而没有真正进入"能不能放心用"的阶段。

4 研究空白究竟在哪里：哪些问题现在几乎没人真正解决

4.1 空白一：耕地语义本体与层级标签体系

当前文献很少系统讨论耕地标签体系本身的构造方式。耕地、稳定耕地、休耕地、弃耕地、复耕地、设施农地、非农化过渡地等类别之间是什么关系，应该如何层级化、可映射化、时间化，这在现有研究中仍缺乏统一框架。没有语义本体，模型越大，只会把不同地区的标签混乱放大。

4.2 空白二：面向地块单元的统一时空建模

尽管已有 parcel extraction、boundary delineation、cropland change detection 和 state monitoring 等研究，但它们大多分别建模。换言之，领域缺少一个真正把"边界、对象、状态、变化、历史"统一到地块单元上的模型框架。这是比继续做单任务精度优化更重要的空白。

4.3 空白三：开放世界耕地状态监测

现有耕地状态研究仍主要建立在封闭标签上，但真实耕地治理语义并不封闭。很多变化与状态属于连续过渡，例如轻度撂荒、阶段性弃耕、复耕前状态、设施化前过渡带等。当前研究几乎没有真正处理开放世界耕地状态识别问题。

4.4 空白四：异步多源观测机制建模

目前"多源"更多表现为数据组合，而不是观测机制建模。领域缺少系统研究去回答：在不同时间差、分辨率差和模态可用性条件下，耕地识别与监测能力如何变化；哪些模态真正提供增量信息；哪些情况下融合反而会放大误差。

4.5 空白五：伪变化的成因机制与因果区分

PANet 等工作已经把 pseudo change 明确提出，但从整体上看，伪变化仍未形成完整研究谱系。领域几乎还没有把耕地伪变化作为一个独立问题系统分析其成因机制、景观依赖性和对不同任务的干扰路径。

4.6 空白六：跨景观体制的域泛化

当前泛化研究更多围绕一般遥感或一般语义分割展开，而在耕地主题内部，还缺少以"规则大田 - 山地小农 - 城郊过渡带 - 复合农业景观"之间迁移为核心的域泛化研究。这个空白非常关键，因为耕地主题最大的外推风险恰恰来自景观体制差异，而不仅是单纯区域差异。

4.7 空白七：治理导向评价体系

当前评价体系仍过度依赖像素级指标，缺少面向耕地治理的对象级、事件级和决策级指标。例如地块完整性、状态持续性解释能力、伪变化抑制能力、变化类型可信度、校准误差和误报/漏报代价都尚未成为主流评价组成部分。

5 真正值得提出来的科学问题是什么

5.1 科学问题一：如何定义"可计算的耕地语义"

这不是简单的数据标注问题，而是一个本体论问题。未来需要回答：耕地语义的最小单元是什么，耕地状态如何层级化，哪些属性属于空间属性，哪些属于时间属性，哪些属于制度属性。没有这一层定义，后续的 foundation model、vision-language model 和 low-label learning 都只能在不稳定标签上做近似拟合。

5.2 科学问题二：地块是否应成为耕地遥感的基本认知单元

从现有文献趋势看，答案正在趋向"是"。但真正需要回答的是：如果地块是基本单元，那么地块应如何同时携带边界、利用状态、变化历史和外部规则信息。换言之，地块在模型中到底只是输出对象，还是基本表示单元。这是一个足以支撑长期研究路线的问题。

5.3 科学问题三：时间在耕地研究中是特征、过程，还是语义定义器

目前大多数模型把时间当作特征增强手段。但从弃耕、非农化和动态监测研究看，时间其实更接近语义定义器：很多类别只有放在时间轴上才成立。未来需要明确，时间在耕地任务中到底扮演什么角色，并据此设计新的模型结构与任务目标。

5.4 科学问题四：多源观测中的"信息互补"何时成立、何时失效

这个问题比"怎样做融合"更基础。当前研究默认多源必然有利，但现实中并非如此。真正有价值的科学问题是：在何种空间尺度、时间间隔、景观背景和任务目标下，某种模态能够提供不可替代的增量信息；又在何种条件下，它会带来偏差和冲突。

5.5 科学问题五：如何把伪变化从噪声概念提升为机制概念

只要耕地任务仍需处理季节扰动、农事活动和异步观测，伪变化就不会消失。未来需要从机制上解释不同伪变化的来源、形态、可分性和传播路径，而不仅仅在网络里加入一个"抑制模块"。

5.6 科学问题六：什么样的基础模型才配叫"耕地基础模型"

这不是规模问题，而是对象与语义问题。一个真正的耕地基础模型，至少应能够同时处理地块边界、时间过程、状态转移和多源异步观测，并能在跨景观体制条件下保持稳定表示。否则，它更接近耕地领域的迁移模型，而不是基础模型。

5.7 科学问题七：如何让耕地模型对治理负责

这是一个容易被忽视但非常重要的问题。耕地识别服务的是保护、整治、监管和农业管理，错误不是抽象的，而是有代价的。未来模型如何内生表达不确定性、如何给出风险边界、如何在不同区域保持公平性，这些都应被看作科学问题，而不是部署后的工程补丁。

6 未来应该具体解决哪些问题

6.1 建立耕地语义本体与可映射标签协议

未来应优先构建面向耕地主题的层级语义体系，至少区分耕地范围、耕地状态、耕地变化和耕地功能四类属性，并给出跨地区可映射协议。没有这一步，任何大规模数据集和 foundation model 都缺乏稳定语义基础。

6.2 构建地块中心的长期多源数据集

需要的不只是更多图片，而是围绕同一地块的长期多源观测、边界、状态和事件标注。尤其应覆盖山地小农区、城乡过渡带、复合农业景观和非理想观测条件。未来若要真正突破，数据集建设必须从"图像集合"升级为"地块时空样本库"。

6.3 把异步多模态观测显式纳入模型设计

未来模型应直接建模不同模态的时间差、缺失性和尺度不一致，而不是假设数据已经完美对齐。具体地说，需要设计能处理"同一地块、不同日期、不同尺度、不同传感器"联合推理的时空模型。

6.4 将耕地变化检测从二值分割推进到状态转换识别

耕地变化研究应从 change mask 迈向 state transition graph，即明确一个地块从什么状态转移到什么状态、这种转移是否具有治理意义。这要求模型不再只输出"变了/没变"，而要输出状态转换类型和可信度。

6.5 系统研究伪变化

应专门围绕耕地伪变化构建数据集、评价指标和方法谱系，明确不同伪变化来源及其对弃耕、非农化、灾后变化和动态监测的干扰机制。这一方向目前几乎肯定有顶刊空间。

6.6 在耕地任务中发展对象级 foundation model

下一阶段不应只讨论如何把通用 foundation model 用到耕地，而应讨论如何发展 object-centric、parcel-centric 的耕地基础模型。它至少应具备边界表达、状态建模、时间建模和跨模态对齐能力。

6.7 重建评价体系

建议未来论文至少在以下几个维度补足评价：

地块边界完整性
对象级一致性
跨年和跨区稳定性
伪变化抑制能力
状态转换可信度
校准误差与不确定性
区域公平性
漏检/误报代价

如果这些维度不进入主流评价体系，耕地研究仍会停留在"像素上越来越好、治理上仍然欠火候"的阶段。

7 结论

当前耕地识别与耕地监测研究最需要的不是更多"新网络名字"，而是更严格的问题意识。通过对聚焦文献池的摘要证据进行归纳可以发现，领域已经明显意识到地块边界、状态变化、多源异步、伪变化和泛化问题的重要性，但这些问题还没有被真正上升为一个完整的科学问题体系。多数工作仍然在局部任务上改良，却较少正面处理耕地本体语义、治理单元表达和评价逻辑重构这些更深层问题。

因此，下一阶段真正有期刊潜力的研究，不应只是继续把耕地当作一个普通遥感类别去分割，而应把它当作一个可计算的治理对象来建模。只有当研究从"分出耕地"推进到"解释耕地、跟踪耕地、评价耕地变化并为治理决策提供可信证据"，耕地主题才会真正从应用分支成长为独立而成熟的研究方向。

参考文献

1\] Zhu Y, Pan Y, Hu T, et al... A Deep Learning Method for Field Boundary Delineation From Remote Sensing Imagery With High Boundary Connectivity\[J\]. IEEE Transactions on Geoscience and Remote Sensing, 2025, 63: 1-23. DOI: 10.1109/tgrs.2025.3628397 \[2\] Liu X, Zhang J, Duan Y, et al... CPVF: vectorization of agricultural cultivation field parcels via a boundary--parcel multi-task learning network in ultra-high-resolution remote sensing images\[J\]. ISPRS Journal of Photogrammetry and Remote Sensing, 2025, 226: 267-299. DOI: 10.1016/j.isprsjprs.2025.05.019 \[3\] Wu H, Mu W, Zhong D, et al... FarmSeg_VLM: A farmland remote sensing image segmentation method considering vision-language alignment\[J\]. ISPRS Journal of Photogrammetry and Remote Sensing, 2025, 225: 423-439. DOI: 10.1016/j.isprsjprs.2025.05.010 \[4\] Wu H, Du Z, Zhong D, et al... FSVLM: A Vision-Language Model for Remote Sensing Farmland Segmentation\[J\]. IEEE Transactions on Geoscience and Remote Sensing, 2025, 63: 1-13. DOI: 10.1109/tgrs.2025.3532960 \[5\] Li H, Zhu J, Mao X, et al... Achieving precise cropland parcel extraction from remote sensing images through integration of segment anything model and adaptive mask refinement\[J\]. Computers and Electronics in Agriculture, 2026, 243: 111347. DOI: 10.1016/j.compag.2025.111347 \[6\] Li W, Liang S, Chen K, et al... AgriFM: A multi-source temporal remote sensing foundation model for Agriculture mapping\[J\]. Remote Sensing of Environment, 2026, 334: 115234. DOI: 10.1016/j.rse.2026.115234 \[7\] Sun Z, Zhong Y, Wang X, et al... Identifying cropland non-agriculturalization with high representational consistency from bi-temporal high-resolution remote sensing images: From benchmark datasets to real-world application\[J\]. ISPRS Journal of Photogrammetry and Remote Sensing, 2024, 212: 454-474. DOI: 10.1016/j.isprsjprs.2024.05.011 \[8\] Prishchepov AV, Anders K, Feranec J, et al... The progress and potential directions in the remote sensing of farmland abandonment\[J\]. Remote Sensing of Environment, 2025, 331: 115019. DOI: 10.1016/j.rse.2025.115019 \[9\] Sui S, Zhang J, Gu H, et al... PANet: A multi-scale temporal decoupling network and its high-resolution benchmark dataset for detecting pseudo changes in cropland non-agriculturalization\[J\]. ISPRS Journal of Photogrammetry and Remote Sensing, 2026, 233: 126-143. DOI: 10.1016/j.isprsjprs.2026.01.029 \[10\] Shu T, Shen L, Wang Y, et al... FADConv: A frequency-aware dynamic convolution for cropland non-agriculturalization identification and segmentation\[J\]. International Journal of Applied Earth Observation and Geoinformation, 2026, 146: 105014. DOI: 10.1016/j.jag.2025.105014 \[11\] Xie J, Wu H, Wu W, et al... A CNN-Transformer Hybrid Network With Boundary Guidance for Mapping Cropland Field Parcels From High-Resolution Remote Sensing Imagery\[J\]. IEEE Transactions on Geoscience and Remote Sensing, 2026, 64: 1-22. DOI: 10.1109/tgrs.2026.3651284 \[12\] Li J, Zhou Z, Deng M, et al... A Pseudomultitask Neural Network Classification Model for Cropland Mapping in Mountainous Areas Using High-Resolution Remote Sensing Images\[J\]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2026, 19: 8092-8107. DOI: 10.1109/jstars.2026.3667717 \[13\] Liu G, Li Y, 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: 103674. DOI: 10.1016/j.jag.2024.103674 \[14\] Zheng J, Ye Z, Wen Y, et al... A Comprehensive Review of Agricultural Parcel and Boundary Delineation From Remote Sensing Images: Recent progress and future perspectives\[J\]. IEEE Geoscience and Remote Sensing Magazine, 2026: 2-33. DOI: 10.1109/mgrs.2026.3658493 \[15\] Hong C, Prishchepov AV, Jin X, 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: 103693. DOI: 10.1016/j.jag.2024.103693 \[16\] Owusu A, Kagone S, Leh M, et al... A framework for disaggregating remote-sensing cropland into rainfed and irrigated classes at continental scale\[J\]. International Journal of Applied Earth Observation and Geoinformation, 2024, 126: 103607. DOI: 10.1016/j.jag.2023.103607 \[17\] Qin G, Wang S, Wang F, et al... Emergency-oriented fine change detection of flood-damaged farmland from medium-resolution remote sensing images\[J\]. International Journal of Applied Earth Observation and Geoinformation, 2025, 138: 104442. DOI: 10.1016/j.jag.2025.104442 \[18\] Pan Y, Wang X, Wang Y, et al... RBP-MTL: Agricultural Parcel Vectorization via Region-Boundary-Parcel Decoupled Multitask Learning\[J\]. IEEE Transactions on Geoscience and Remote Sensing, 2024, 62: 1-15. DOI: 10.1109/tgrs.2024.3367850 \[19\] Wu H, Xie J, Deng W, et al... CT-HiffNet: A contour-texture hierarchical feature fusion network for cropland field parcel extraction from high-resolution remote sensing images\[J\]. Computers and Electronics in Agriculture, 2025, 239: 111010. DOI: 10.1016/j.compag.2025.111010 \[20\] Yin H, Brandão A, Buchner J, et al... Monitoring cropland abandonment with Landsat time series\[J\]. Remote Sensing of Environment, 2020, 246: 111873. DOI: 10.1016/j.rse.2020.111873 \[21\] Wu Q, Huang L, Tang BH. Spatial Location-Guided Global Context Modeling Network for Cropland Dynamic Monitoring in Multitemporal Remote Sensing Images\[J\]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2025, 18: 27549-27564. DOI: 10.1109/jstars.2025.3625636 \[22\] LV J, Qian Y, Bai L, et al... STMTNet: Spatio-Temporal Multiscale Triad Network for Cropland Change Detection in Remote Sensing Images\[J\]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2025, 18: 26005-26020. DOI: 10.1109/jstars.2025.3613578 \[23\] Wang H, Wang N, Li X. FarmCD: Agricultural Information-Guided Gated Network for Farmland Change Detection From Remote Sensing Images\[J\]. IEEE Transactions on Geoscience and Remote Sensing, 2026, 64: 1-14. DOI: 10.1109/tgrs.2026.3652586 \[24\] Hamidi M, Homayouni S, Safari A, et al... Deep learning based crop-type mapping using SAR and optical data fusion\[J\]. International Journal of Applied Earth Observation and Geoinformation, 2024, 129: 103860. DOI: 10.1016/j.jag.2024.103860 \[25\] Li J, Hong D, Gao L, et al... Deep learning in multimodal remote sensing data fusion: A comprehensive review\[J\]. International Journal of Applied Earth Observation and Geoinformation, 2022, 112: 102926. DOI: 10.1016/j.jag.2022.102926 \[26\] Zhang J, Yang X, Dai J, et al... Automated remote sensing monitoring of cropland non-agricultural and non-grain conversion at parcel scale in complex environments through multi-source data fusion\[J\]. Geo-spatial Information Science, 2026, 29(1): 168-192. DOI: 10.1080/10095020.2025.2514824 \[27\] Zhou D, Zhou F, Pang S, et al... FS2CNet: A Dynamic Frequency Selection and Similarity Constraints Change Detection Network Within Cropland for Remote Sensing Images\[J\]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2025, 18: 28453-28465. DOI: 10.1109/jstars.2025.3629847 \[28\] Duan M, Wang Y, Bai L, et al... CAFENet: Change-Aware and Fourier Feature Exchange Network for Cropland Change Detection in Remote Sensing Images\[J\]. IEEE Geoscience and Remote Sensing Letters, 2025, 22: 1-5. DOI: 10.1109/lgrs.2025.3602854 \[29\] Ferchichi A, Ferchichi A, Hendaoui F, et al... Deep Learning-based Uncertainty Quantification for spatio-temporal environmental Remote Sensing: A systematic literature review\[J\]. Neurocomputing, 2025, 639: 130242. DOI: 10.1016/j.neucom.2025.130242 \[30\] Gorbunov I, Gevaert CM, Belgiu M. Optimizing crop type mapping for fairness\[J\]. International Journal of Applied Earth Observation and Geoinformation, 2025, 142: 104672. DOI: 10.1016/j.jag.2025.104672