基于年内光谱端元生物物理变化模式的多年生作物类型映射改进

《Remote Sensing of Environment》：Improved mapping of perennial crop types based on intra-annual biophysical changing patterns of spectral endmembers

本研究提出基于年内光谱端元变化（CPSEM）的新型多年生作物映射策略，利用Sentinel-2时间序列数据通过线性光谱混合分析（LSMA）构建统一光谱端元空间，结合调和模型和形态指数分析植被生物物理过程与形态结构，随机森林分类器实现高精度分类（87.27%–90.91%），优于传统方法。

　　在农业生态系统中，多年生作物扮演着至关重要的角色，它们不仅对经济的增长具有重要意义，还对环境的可持续性和人类的福祉产生深远影响。然而，由于自然环境的多样性和复杂性，以及农业管理方式的差异，目前尚缺乏一种广泛适用的多年生作物类型映射策略，尤其是在多种多年生作物共存的地区。为了解决这一问题，研究团队提出了一种基于年内光谱端元变化模式的新策略，通过整合统一的光谱端元空间与谐波模型，能够更全面地描述和量化植被的生物物理过程与形态特征。

多年生作物的生物物理过程和形态特征受到植被结构、区域环境条件、物候变化以及与物候相关的农业活动的共同影响。这些过程在土地表面成分（LSCs）中得到直接体现，如绿色植被（GV）、非光合植被（NPV）、土壤（SL）、暗面（DA）等，它们的组成和比例在年内呈现出周期性变化。例如，随着叶片的生长，土壤和枯枝的可见性会降低，而阴影面积则会增加，从而使得植被结构更加复杂；反之，修剪活动则会减少枝干和阴影的可见性，同时增加绿色植被或土壤的暴露面积。这种变化模式在不同作物类型之间表现出显著差异，而在同一作物类型内部则相对一致。

为了更准确地识别和区分这些变化模式，研究团队采用了光谱混合分析（LSMA）技术，将Sentinel-2的时序数据（2020?2022）分解为统一的光谱端元空间。该空间由绿色植被、非光合植被、土壤和暗面等成分构成，使得研究人员能够在像素级别上重建土地表面成分的变化轨迹。这一过程不仅提供了更详细的生物物理信息，还增强了对植被结构和变化的解读能力。在此基础上，研究团队开发了两个基于端元的形态指数，用于捕捉不同端元之间的结构和组成关系。

为了进一步提取关键参数，研究团队应用了谐波模型，该模型能够从端元比例和基于端元的形态指数中提取出反映植被生物物理过程的特征参数。这些参数能够描述植被在不同时间点上的动态变化，从而为分类提供更丰富的依据。最终，研究团队采用随机森林模型对多年生作物类型进行分类。实验结果显示，相同类型的多年生作物表现出相似的生物物理过程和形态特征，而不同类型的作物则显示出显著的差异。通过这一方法，研究人员成功地实现了对多种不同环境和种植条件下的多年生作物类型的映射，分类准确率达到了87.27%至90.91%之间。

相较于传统的基于光谱的方法，这一策略在多年生作物分类上提升了1.7%至3.9%，在整体植被分类上则提升了5.3%至8.4%。此外，该方法还有效解决了传统物候指数在多年生作物分类中的局限性，即使在复杂的分类场景中也表现出良好的性能。值得注意的是，尽管合成孔径雷达（SAR）特征在某些研究中被用于提升分类精度，但本研究发现，在本策略下，SAR特征并未带来进一步的提升。因此，该策略通过统一的光谱端元空间和详细的生物物理特征描述，增强了模型的可解释性和可迁移性。

本研究选择的四个研究区域——中国烟台市、美国加利福尼亚州的格伦县、圣华金县和肯县——覆盖了不同的地形、气候条件和农业管理方式，以评估所提出映射策略的普遍适用性。这些区域在多年生作物的种类和种植模式上具有代表性，能够为研究提供丰富的数据支持。通过分析这些区域的数据，研究人员验证了所提出方法的有效性，并进一步探讨了不同因素对分类结果的影响。

在方法部分，研究团队构建了一个完整的框架，用于提取和分析年内光谱端元变化模式（CPSEM）。该框架首先通过光谱混合分析将遥感数据分解为统一的光谱端元空间，然后利用谐波模型对这些端元进行建模，以捕捉其周期性变化。这一过程不仅能够揭示植被的生物物理过程，还能帮助研究人员理解不同作物类型之间的差异。此外，研究团队还开发了多个特征集，用于评估不同方法对分类性能的影响。这些特征集包括基于光谱波段、光学指数和纹理特征的传统方法，以及基于谐波模型和端元比例的新型方法。

通过对比分析，研究团队发现基于光学指数的特征集（HOI）在所有研究区域中均优于基于光谱波段的特征集（HSB）。这一结果表明，光学指数在捕捉植被变化模式方面具有更高的效率和准确性。此外，研究团队还分析了不同输入变量对分类结果的影响，发现高阶谐波模型能够更有效地提取出反映植被周期性变化的特征参数。在所有研究区域中，OOB（Out-of-Bag）准确率与总体准确率保持高度一致，且OOB准确率略低于总体准确率，但波动性更小。

本研究提出的策略不仅提高了分类的准确性，还增强了模型的可解释性和可迁移性。通过统一的光谱端元空间，研究人员能够对不同时间和空间尺度下的植被变化进行标准化比较，从而为未来的植被分类和土地覆盖研究提供新的思路。此外，该策略还能够帮助农业管理者更好地理解植被的动态变化，为可持续农业发展提供科学依据。

研究团队的成果表明，所提出的基于年内光谱端元变化模式的多年生作物映射策略在不同环境和种植条件下均具有良好的适用性。这一策略能够准确识别和区分不同类型的多年生作物，为农业管理和生态保护提供有力支持。通过这一方法，研究人员不仅能够更全面地了解植被的生物物理过程，还能为未来的遥感数据应用和土地覆盖研究奠定基础。此外，该策略还能够帮助政策制定者更好地评估农业用地的可持续性，为实现“多年生化”农业目标提供科学支持。

在未来的研究中，研究团队计划进一步扩展该策略的应用范围，包括更多地区的植被类型和更复杂的农业管理实践。此外，他们还将探索如何将这一策略与人工智能技术相结合，以提升分类的智能化水平。通过这些努力，研究团队希望能够为全球范围内的农业管理和生态保护提供更加科学、高效和可迁移的解决方案。同时，他们也期待这一策略能够在更广泛的生态和农业研究中得到应用，为实现可持续发展目标做出贡献。