模型形态变换支持的大规模作物类型制图：以中国新疆棉花制图为例

本研究针对大区域作物类型制图中有效观测的时空异质性和地面样本稀缺等关键问题，创新性地提出基于模型形态变换（Model Morphing）的时间连续知识模型序列构建方法。通过Transformer编码器学习棉花与非棉花的特征差异概率（知识特征），结合SLERP算法插值生成连续时序模型，有效解决了像素级观测异质性难题。应用Unet网络分割知识特征，实现了2000-2023年新疆棉花分布制图，制图精度达0.9（2023年），与官方统计面积相关性R2 =0.97。该研究为无样本依赖的大尺度农作物监测提供了新范式，发表于《International Journal of Applied Earth Observation and Geoinformation》。

　　

在农业资源管理和粮食安全评估中，长期大尺度作物分布制图至关重要。然而，当前高分辨率多光谱遥感面临三大挑战：云影干扰导致的观测时空异质性、地面样本稀缺性，以及识别模型在长时序应用中的泛化能力局限。这些问题严重制约了作物分类的时效性和准确性，特别是在中国新疆等典型农业区，棉花作为重要经济作物的空间分布动态监测需求迫切。

中国科学院空天信息创新研究院的研究团队创新性地将深度学习和模型插值技术相结合，提出基于模型形态变换的解决方案。研究以新疆为试验区，利用2000-2023年Landsat系列数据（包括TOA反射率的Blue、Green、Red、Nir、SWIR1、SWIR2波段），构建了覆盖棉花生长季（4月10日-10月20日）的时间连续模型序列。关键技术包含：1）基于Transformer编码器的知识模型，通过多头自注意力机制（MultiHeadAttention）学习棉花特异性特征；2）球面线性插值（SLERP）实现非相邻日期模型参数的空间形态变换；3）Unet网络对知识特征进行二值分割。

【知识模型形态变换结果】
通过插值Day221和Day237的注意力层参数，验证了参数空间的连通性。4个注意力头的权重矩阵呈现差异化特征聚焦，角度和模长变化符合线性规律（R²

0.99），证实模型形态变换的可行性。

【作物分布制图】
2000-2023年知识特征图显示棉花区值显著高于非棉区（M统计量1.6-2.3）。时序分析揭示2010年后棉花种植从南疆（如阿克苏）向北疆扩展的空间格局转变（见图S2）。

【制图精度验证】
2023年实地采样验证显示总体精度0.9（Kappa=0.81），2018-2021年与已有成果的网格尺度面积相关性达0.8-0.89。省级尺度估算面积与统计年鉴R²
=0.97，但像元级比较揭示Sentinel-2（10m）与Landsat（30m）的空间分辨率差异是边界误分主因。

【时空泛化能力】
知识特征在测试网格（30×30km）的M统计量保持稳定（p<0.001），且与有效观测次数无显著相关性（R²
<0.05）。跨传感器分析表明Landsat5/8/9数据的光谱一致性（见图S4）保障了模型在2000-2023年的稳定表现。

该研究通过"特征知识表达-模型连续化-知识迁移"的技术路线，创新性地解决了大尺度作物制图中的根本性难题。时间连续模型序列可灵活适配不同观测日期，知识特征的强可分性（M>1）降低了样本依赖。方法论框架的并行计算特性支持多作物协同制图，为全球农情监测提供了可扩展的技术方案。未来可结合作物模型LAI曲线优化形态变换采样率，进一步提升物候敏感期的分类精度。研究成果对实现联合国可持续发展目标（SDGs）中的零饥饿和可持续农业具有重要实践价值。