《International Journal of Applied Earth Observation and Geoinformation》：Time continuous model sequence reconstruction for rice mapping under growth-constrained knowledge priors
編輯推薦：
遙感大范圍水稻制圖面臨高質量觀測數據時空異質性、樣本稀缺和模型可轉移性有限等挑戰。本研究提出了一種范式轉換的框架，從傳統的光譜數據重建轉向在物候學知識約束下重建時間連續的分類模型序列。該方法通過學習分類模型參數的連續演化，實現了對任意日期觀測數據的最佳處理和無樣本模型穩健遷移。長時序（1984–2024）和中國、日本、意大利、美國等跨區域驗證表明，本方法實現了高分類精度（OA > 0.95）和強大的泛化能力（相對誤差 < 10%），為監測森林物候、土地退化等高度動態的地表過程提供了一種可擴展的解決方案。
水稻是全球近一半人口的主糧作物，但其種植伴隨著巨大的淡水消耗和溫室氣體排放。因此，準確、長期的水稻制圖對于區域和全球糧食安全、水資源優化及氣候變化評估至關重要。遙感技術以其廣闊的時空覆蓋范圍和成本效益，已成為農業監測不可或缺的工具。然而，大尺度水稻制圖仍面臨諸多挑戰：首先是光學遙感數據受固定觀測周期和云、霧、雪干擾，導致高質量觀測數據稀缺且時空分布不均；其次是用于模型訓練的實地樣本獲取成本高昂，常常面臨樣本不足的問題；再者，傳統的分類模型往往局限于特定日期或特定區域，跨時、跨空間的遷移能力有限。
為了解決這些長期存在的難題，發表在《International Journal of Applied Earth Observation and Geoinformation》上的這項研究，開創性地提出了一個全新的框架——從傳統的光譜數據空間時間序列重建，轉向在生長過程知識約束下進行時間連續的分類模型序列重建。研究人員認為，隨著水稻生長，其冠層光譜反射率會動態變化，理論上，能最佳識別水稻的分類模型也應是“因時而異”的。因此，他們假設模型參數的演化軌跡是由這些反射率動態所驅動的。基于這一思想，本研究的目標是構建一個受水稻冠層光譜日變化率（定義為物候學知識）約束的時間連續模型序列。
為了實現這一目標，研究人員主要采用了幾個關鍵技術方法：1. 模型參數演化與物候知識耦合：首先使用Savitzky-Golay (SG)濾波平滑水稻平均光譜曲線，并計算其日變化率作為物候約束。然后，采用邏輯回歸(Logistic Regression, LR)模型進行水稻識別，并在損失函數中引入一個關鍵的時序平滑約束項，將當前模型參數相對于前一個模型參數的變化率，與水稻冠層光譜特征的變化率聯系起來，從而確保模型參數軌跡的生物物理真實性。2. 模型序列重建：對于樣本不足的日期，不再重建缺失的光譜數據，而是直接重建缺失的分類模型。研究采用球形線性插值(Spherical Linear Interpolation, SLERP) 技術，在兩個有充足數據訓練出的模型參數向量之間進行插值。其核心創新在于，插值過程并非簡單的線性，而是由公式(3)和(10)定義的、基于水稻冠層光譜累積變化率的非線性插值參數γ所控制，使得模型參數的演化與水稻的實際生長動態精確對齊。3. 自動水稻識別與集成：對于任一可用影像，使用對應日期的模型生成水稻發生概率圖。通過自適應閾值（結合k-means聚類和0.2的保護性下限）將概率圖二值化為水稻分布圖。當同一地點在一個生長季內有多張可用影像時，使用多數投票法集成多期結果，生成最終的水稻分布圖。
研究結果：
4.1. 模型序列重建結果
研究人員首先基于2024年東北地區的數據，計算了水稻冠層光譜特征的平滑變化軌跡及其累積變化曲線。結果顯示，累積變化曲線并非直線，揭示了與真實物候模式更為一致的非均勻生長動態。隨后，他們在樣本充足的日期訓練了獨立的LR模型，并在物候知識約束下，通過SLERP插值重建了生長季內所有日期的連續模型參數序列�？梢暬Y果表明，重建的模型參數序列呈現平緩的時間演化，與漸進式的生長動態保持一致，且大多數獨立訓練模型的訓練精度超過0.9。
4.2. 制圖結果
將模型序列應用于東北地區（1985-2024年）及美國加州、意大利皮埃蒙特與倫巴第、中國新疆伊犁、日本北海道等四個驗證區（2020-2024年），生成了季節平均的水稻概率分布圖和最終的水稻分布圖。結果表明，在所有研究區，水稻區域的概率值普遍較高（通常>0.7），而非水稻區域的值則很低（一般<0.2），模型序列在跨區域應用中表現出良好的穩定性和區分能力，生成的田塊邊界清晰完整。
4.3. 水稻制圖精度評估
- •
與地面真值樣本對比：在東北地區2022和2024年的獨立驗證中，模型的總體精度(OA)均達到0.98，生產者精度(PA)和用戶精度(UA)均表現優異，F1分數分別為0.94和0.92。
- •
與官方統計數據對比：從1984年至2023年，模型估算的水稻種植面積與省級、區域級的官方統計數據高度一致（R2=0.97），成功追蹤了過去四十年東北地區水稻田急劇擴張的趨勢。
- •
跨區域驗證：在四個驗證區（2020-2024年），估算面積與統計數據的相對誤差均保持在±10%以內，證明了模型在無本地訓練樣本條件下的強大時空遷移能力。
- •
與已發表產品對比：在網格尺度（10 km × 10 km）上與最新的ESSD水稻數據集進行比較，除1985年外，1990-2023年間的R2值在0.76至0.95之間，2020年后R2更是保持在0.95以上，顯示了高度一致性。
討論與結論：
5.1. 不同模型序列重建方法的比較
與無約束的標準SLERP以及SAITS、DTS、FF等時間序列重建方法相比，本研究所提出的物候知識約束下的SLERP方法在插值日期上表現最佳。量化分析顯示，物候約束使插值模型的ROC-AUC評分平均提升了8%。這證明，將物候學知識融入模型重建過程，能顯著增強模型序列在水稻識別中的判別能力。
5.2. 模型參數與冠層光譜動態的時間關聯
主成分分析(PCA)揭示，模型參數序列的第一主成分(PC1)與光譜特征序列的PC1高度相關（相關系數0.96，p < 0.001），其他成分間也存在顯著關聯。這強有力地證實了模型參數的時序演化與光譜特征變化存在內在聯系，從而驗證了所提出的物候約束模型序列的有效性。
5.3. 對不同Landsat傳感器的泛化能力
通過分析1992年（Landsat 5早期）、2002年（Landsat 5中期）、2011年（Landsat 5晚期）、2015年（Landsat 8）和2022年（Landsat 9）的影像，發現所有年份/傳感器的水稻概率直方圖均呈現明顯的雙峰分布：非水稻區概率值始終低于0.2，水稻區則主要高于0.2。這表明重建的模型序列對不同時期的Landsat傳感器均具有良好的魯棒性和泛化能力。
本研究通過將物候知識作為軟約束融入模型訓練和插值過程，成功構建了一個與水稻生長動態同步演化的時間連續模型序列。這一“模型空間重建”的范式轉換，從根本上解決了因觀測數據稀疏、不規則導致的傳統方法瓶頸。該方法不僅能高精度地處理任意日期的觀測數據，更重要的是，它實現了無需本地訓練樣本的、穩健的跨區域和跨時相模型遷移，為長時序、大范圍的水稻動態監測提供了一種高效、可靠的新工具。研究證明，當直接的高質量觀測數據不連續時，在物候或地理知識約束下對分類邏輯本身的連續演化進行建模，是填補數據空白的一種強大替代方案。這一概念性轉變為監測森林物候、土地退化等各種高度動態的地表過程提供了一個可擴展的解決方案，在這些領域中，時間一致性和物理可解釋性至關重要。
