随着经济的发展和人们生活质量的提高，人们从追求温饱，到越来越追求品质、健康的生活，全球对水果的需求和全球水果产量都在增加。在过去的几十年间，全球果园面积快速扩张，导致土地利用和土地覆盖类型剧烈变化，引起了一系列环境问题，与此同时，有限的土地在未来如何科学、健康、可持续的满足不断增长的水果需求，是亟待解决的问题。明确果树的种植区域和类别，确定其利用强度与管理方式，对于果园的估产、环境评估、果园产业的可持续发展等均有着重要的现实意义与价值。目前针对果树分类的研究，集中于季节性的光学指标、纹理指标、地形特征等进行单一果树类型的检测。这些方法对于果树种植类型复杂的区域存在不足，无法满足同时对多种果树类型的监测。年内的地表变化主要是由自然变化和人为管理两种因素所导致的，这种变化存在着显著的季节性模式(Verbesselt et al., 2010)，包括由物候驱动的季节性变化和物候伴随的人为管理活动所导致的季节性变化 (Verbesselt et al., 2010; Zhu and Woodcock, 2014; Pasquarella et al., 2018)。其实际表现为绿色的光合叶片、非光合的枝干、落叶以及地表未被遮蔽的土壤等地表组成成分的结构、数量和比例随着季节交替发生季节性的、周期性的变化(Sun and Liu, 2015; Sun, 2015; Sun et al., 2018)。不同的植被类型独有的物候规律是区分其类型的重要信息(Zeng et al., 2020)。相比于主要由物候驱动的自然植被，耕地和果园的季节性模式是由物候和人为管理共同决定的。由于物候和人为管理的差异性，果树和其它植被类型以及不同类型果树之间的季节性模式有着显著的差异。这种不同地类季节性模式上的差异可以为分类提供可靠的分类信息。基于此，本研究提出了一种利用不同地类季节性模式上的差异实现果树类型和土地利用/覆盖的分类的方法，包括如下流程：（1）利用LSMA将原始遥感影像转化为具有实际物理意义的端元数据，来量化地表组分；（2）利用傅里叶回归模型拟合时序端元数据，以一组谐波特征量化季节性模式；（3）基于GV的时序数据，利用曲率提取关键的物候事件发生时间；（4）基于谐波特征和关键物候事件，利用随机森林实现果树类型和土地利用/覆盖的分类。苹果、樱桃、梨和葡萄的分类精度均在85%以上，总体精度89.7%，kappa系数89.1%。结果显示我们的方法可以实现大区域、类型复杂的果树类型监测，为未来大区域果园监测提供了一种有效的方法。

果树类型；物候；地表端元；谐波