《Remote Sensing of Environment》：Limited local classification performance but promising spatial transferability of AlphaEarth Foundations for crop mapping across thermal gradients
编辑推荐：
•AEF与SITS在作物制图空间可迁移性方面的对比。•AEF在欧洲局部制图中的平均表现较低。•基于AEF的跨区传递在热差异大的区域之间的优势。•AEF特征空间中作物类别的相对位置更加稳定。引言随着气候变化和人口增长，农业系统面临着提高粮食生产力和气候韧性同时降低环境成本的日益
- •
AEF与SITS在作物制图空间可迁移性方面的对比。
- •
AEF在欧洲局部制图中的平均表现较低。
- •
基于AEF的跨区传递在热差异大的区域之间的优势。
- •
AEF特征空间中作物类别的相对位置更加稳定。
引言
随着气候变化和人口增长，农业系统面临着提高粮食生产力和气候韧性同时降低环境成本的日益严峻的挑战（Hultgren等人，2025年；Masson-Delmotte等人，2019年；Yang等人，2024年）。遥感作物类型制图已成为应对这些挑战的重要基石（Weiss等人，2020年；Zhang等人，2025a）。作物类型图能够对当前耕作模式的可持续性进行评估，并可指导作物优化和重新配置，以改善环境效益和农场收入（Xie等人，2023年）。此外，它们还为农业保险和补贴计划提供基准数据集，并支持土地租赁、供应链物流以及市场与贸易规划的决策制定（Cai等人，2018年）。
卫星数据可获取性和制图方法的进步已使国家和洲际尺度的常规作物类型制图成为可能。例如，美国耕地数据层（CDL）和欧洲作物类型图（Boryan等人，2011年；d'Andrimont等人，2021年；Ghassemi等人，2024年）。然而，许多偏远或数据匮乏地区仍然缺乏可靠的制图成果，这在很大程度上是因为用于训练和验证的田间标注样本稀缺（Burke等人，2021年）。将制图从数据丰富的训练区域迁移到采样不足的目标区域，为缓解这一标注瓶颈提供了一种切实可行的手段（Ma等人，2024年；Wang等人，2019年）。然而，源区域和目标区域之间在气候、管理实践和作物品种方面的差异通常会大幅降低制图精度（Kluger等人，2021年；Mohammadi等人，2024年；Wang等人，2019年；Wardlow和Egbert，2008年）。因此，提高作物制图的迁移性对于将可靠的作物制图扩展到采样不足地区至关重要。
先前的研究通过特征工程、先验和特征偏移校正以及域自适应等方式改进了作物制图的迁移性（Gitelson等人，2003年；Kluger等人，2021年；Ma等人，2024年；Mohammadi等人，2024年；Qiu等人，2023年；Rolf等人，2021年；Wang等人，2019年；Weng等人，2025年；Zhao等人，2024年）。特征工程旨在提取在区域和年份之间保持稳定的作物特异性信号。例如，傅里叶变换可以从卫星时间序列中导出可迁移的特征（Wang等人，2019年）。基于选择具有最大近红外-蓝光反射率比值的观测值进行多时相合成，可以进一步提高作物判别能力（Qiu等人，2023年）。物候特征在大规模作物制图中也显示出广泛的适用性（Weng等人，2025年；Zhao等人，2024年）。除人工设计的特征外，表征学习方法将地球观测数据编码为紧凑特征，可在多种制图任务中共享使用（Rolf等人，2021年）。
偏移校正方法用于修正源区域与目标区域之间的统计差异。先验偏移校正通过对类后验概率进行重新加权来考虑作物类型比例差异，而特征偏移校正则修正平均特征向量的线性偏移（Kluger等人，2021年；Saerens等人，2002年）。无监督域自适应（UDA）通过有标签的源区域样本和无标签的目标区域样本之间的特征分布对齐来实现迁移（Ma等人，2024年；Tuia等人，2016年）。UDA方法包括基于变换、基于差异、对抗式和生成式方法（Kouw和Loog，2019年；Ma等人，2024年；Wang和Deng，2018年）。尽管这些方法可以改善作物制图的迁移性，但它们可能需要特征设计方面的先验知识、区域统计或作物比例数据，或者复杂的自适应程序。
AlphaEarth基础嵌入（AEF）可能为这些方法提供一种可直接分析的替代方案。使用AEF不需要复杂的数据预处理步骤，如间隙填充、合成或手工特征工程。因此，这些特征可以使大规模卫星数据存档更加实用和易于获取，便于制图应用。AEF由一个全球预训练的时空表征模型生成，其空间-时间-精度编码器整合了在不规则时间间隔获取的多源地球观测数据（Brown等人，2025年）。对于每个10米目标像元，64维嵌入紧凑地编码了空间、时间和测量上下文信息（Brown等人，2025年）。AEF已开始应用于土地覆盖制图，并在先前的研究中展现了良好的性能（Li和Yu，2025年；Tsao和Lobell，2025年）。
尽管先前的应用表明AEF在土地覆盖制图中表现出强大但具有任务依赖性的性能（Brown等人，2025年；Li和Yu，2025年；Ma等人，2026年；Tsao和Lobell，2025年），但AEF在作物类型制图中的有效性仍然缺乏系统记录。此外，尚不清楚这种AEF能否在气候条件截然不同的区域之间迁移。一方面，AEF在原则上应该具有良好的迁移性。其底层预训练模型旨在学习通用表征，而非针对特定传感器、区域或应用的特征。AEF在无需重新训练的情况下也已在多种制图任务中表现出稳健的性能（Brown等人，2025年）。另一方面，这种通用性可能意味着一种权衡。由于AEF没有将作物物候作为时间序列显式表示，其年度化的嵌入可能遗漏了区分作物类型所需的关键季内特征（Bargiel，2017年）。因此，需要对AEF在作物类型制图和跨区域迁移方面的系统性评估，特别是在标注样本稀疏的地区。
本研究解决了两个未解决的问题：1）AEF是否编码了区分作物类型所需的关键物候信息？2）它是否捕获了在气候诱导的物候变化下保持相对稳定、具有作物特异性的潜在信息？为回答这些问题，我们使用卫星图像时间序列（SITS）特征作为基准（Pelletier等人，2016年）。SITS特征提供了对作物物候高效且直观的代表，并广泛用于作物制图（Griffiths等人，2019年；You和Dong，2020年）。我们首先在单个局部区域内对AEF和SITS进行了比较，这些区域的作物条件假设为相对均质的。更重要的是，我们在跨区域分类器迁移的条件下评估了两种特征集，其中训练区域和测试区域在气候、作物日历、管理实践和作物品种方面存在差异。我们量化了分类精度随区域间气候差异增大而发生的变化。由于生长积温（GDD）对作物日历和物候时间有强烈影响（Minoli等人，2022年；Wardlow和Egbert，2008年），我们采用GDD差异作为主要气候梯度。
章节摘要
数据与方法
我们在三种制图场景下对AEF和SITS的性能进行了比较：局部制图、跨区域迁移和跨洲迁移（图1）。随机森林（RF）作为主要的机器学习分类器，线性支持向量机（LinearSVM）和XGBoost（XGB）作为额外的机器学习分类器。两种深度学习模型——基于注意力的双向长短期记忆网络（AtBiLSTM）和原始不规则时间序列分类器（CRIT）——用于进一步评估SITS
局部制图性能
我们首先使用同一欧洲区域同一年的训练和测试样本评估了局部制图。在使用RF评估时，AEF在63个案例中的62个案例中局部精度低于SITS（图4；p < 0.001），平均OA为0.94，比SITS低0.02（表3）。在使用LinearSVM和XGB时，AEF也低于SITS，平均OA分别降低了0.01和0.02（附图S1；附表S3）。根据RF结果，AEF对MFP略高，但对其他五个
本研究的贡献
作物类型制图的精度和空间范围通常受到作物标注稀缺的限制。将模型从标注丰富区域迁移到标注稀疏区域可以缓解这一限制，但其成功在很大程度上取决于输入特征的迁移性（Ma等人，2024年；Wang等人，2019年）。在此，我们在局部、跨区域和跨洲制图场景下系统地比较了AEF和SITS。尽管AEF在局部精度上略低
结论
为了评估AEF在作物类型制图和跨热梯度分类器迁移方面的表现，我们在局部、跨区域和跨洲设置下将其与SITS进行了系统比较。在欧洲，AEF在几乎所有局部测试中的精度都低于SITS，尽管差异很小（平均OA差距≤0.02）。然而，在跨区域迁移中，AEF对训练区域和测试区域之间的热差异不如SITS敏感，其ALR低于SITS（每1000 °C·d分别为0.14和0.23）。
CRediT作者贡献声明
Cao Cheng：撰写——原稿，方法论，概念化。Nanshan You：撰写——审阅与编辑，撰写——原稿，方法论，概念化。Pengzhan Zhao：撰写——审阅与编辑，软件，数据整理。Jinwei Dong：撰写——审阅与编辑，方法论，资金获取，概念化。
利益冲突声明
作者声明，他们没有已知的可能影响本文所报告工作的竞争性经济利益或个人关系。
致谢
本研究由国家自然科学基金资助（42525108；42461144212；72221002；42271375；以及42501476）。
Cao Cheng|Nanshan You|Pengzhan Zhao|Jinwei Dong
