近日，孙丹峰教授团队在遥感领域国际顶级期刊Remote Sensing of Environment上在线发表了题为”Improved mapping of perennial crop types based on intra-annual biophysical changing patterns of spectral endmembers”的研究论文。该研究提出了一种基于地表光谱端元年内生物物理变化模式（CPSEM）的多年生作物类型制图新策略，为复杂农业景观下的多年生作物识别提供了新的策略。
研究基于“地表光谱端元—生物物理过程—时序诊断”的理念，提出了基于CPSEM（Changing Patterns of Spectral Endmembers）特征的分类策略。该方法将标准化光谱端元空间与时序谐波分析相结合，实现了向植被地表生物物理过程诊断的转变。团队构建了由绿色植被（GV）、非光合植被（NPV）、土壤（SL）和暗色物质（DA）组成的端元空间，通过线性光谱混合分析提取各组分比例，并重建其年内变化轨迹。在此基础上，引入绿色-非光合指数（GVNPI）与绿色-基质指数（GVSI），用于刻画植被形态与结构动态。随后，利用谐波模型提取端元及形态指标的时序参数，形成可迁移的CPSEM特征集，并通过随机森林模型实现多年生作物的高精度识别。
端元时序变化示意图
研究在中美四个研究区验证了CPSEM方法在不同气候、地形和种植体系下的适用性。结果表明，该方法能够精准刻画多年生作物的年内生物物理变化特征，实现跨区域、跨物种的稳定识别。四个地区的总体分类精度达87%–91%，较传统方法提升1.7%–3.9%，总体植被识别提升5.3%–8.4%。在地形复杂、地块细碎的烟台地区，引入地形辅助变量后显著减少了多年生作物与天然林地的混淆；而在地势平坦、机械化程度高的加州地区，即使不使用SAR或地形特征亦保持高精度，显示出良好的可扩展性与环境适应性。t-SNE可视化结果进一步表明，同类作物在CPSEM特征空间中形成紧密聚类，不同作物间相互分离，充分反映了CPSEM特征的高区分性与稳定性。
孙丹峰教授与伦飞副教授为共同通讯作者，博士研究生高翔为第一作者。荷兰特温特大学（University of Twente）Mariana Belgiu 副教授对本研究提供了指导与支持。孙强强副教授、冀正欣博士后及焦心博士后参与了本研究工作。
供稿：高翔 冀正欣
