孫慶松， 張曉楠， 陳利東， 王 坤， 宋宏利

(1.河北工程大學(xué)地球科學(xué)與工程學(xué)院，河北 邯鄲 056038； 2.河北工程大學(xué)礦業(yè)與測(cè)繪工程學(xué)院，河北 邯鄲 056038； 3.河北省地礦局第六地質(zhì)大隊(duì)，河北 石家莊 050000)

農(nóng)作物精細(xì)化分類是農(nóng)作物長(zhǎng)勢(shì)監(jiān)測(cè)、產(chǎn)量預(yù)測(cè)及災(zāi)害評(píng)估的重要前提和基礎(chǔ)。及時(shí)準(zhǔn)確地獲取農(nóng)作物類型、面積和空間分布信息，對(duì)于優(yōu)化農(nóng)作物種植結(jié)構(gòu)、實(shí)現(xiàn)農(nóng)業(yè)生產(chǎn)精準(zhǔn)化管理及確保國(guó)家和地區(qū)糧食安全具有重要意義[1-3]。傳統(tǒng)農(nóng)作物類型信息的獲取主要通過(guò)實(shí)地走訪調(diào)查，然而進(jìn)行實(shí)地精細(xì)調(diào)查費(fèi)時(shí)費(fèi)力，且容易受到人為因素干擾，因此更新不夠及時(shí)。隨著對(duì)地觀測(cè)技術(shù)的發(fā)展，利用遙感數(shù)據(jù)提取農(nóng)作物信息已經(jīng)成為重要手段。

目前，越來(lái)越多的研究者利用植被光譜特征的季節(jié)性變化來(lái)提高作物分類的準(zhǔn)確性，已有學(xué)者利用多時(shí)相光學(xué)遙感數(shù)據(jù)提取增強(qiáng)型植被指數(shù)(EVI)、歸一化植被指數(shù)(NDVI)、土壤調(diào)節(jié)植被指數(shù)(SAVI)等時(shí)序指數(shù)集開(kāi)展農(nóng)作物分類研究，并取得了較好的分類效果[4-8]。目前國(guó)內(nèi)農(nóng)作物信息提取主要是依據(jù)指數(shù)特征進(jìn)行分類，利用諧波特征提取農(nóng)作物信息的研究較少。諧波特征分類優(yōu)勢(shì)在于并不僅僅依靠某時(shí)相內(nèi)指數(shù)值的差異，同時(shí)利用不同作物時(shí)序曲線中唯一對(duì)應(yīng)的相位值和諧波余項(xiàng)值進(jìn)行分類[9]。諧波分析[10-12]技術(shù)最早應(yīng)用于電力信號(hào)分解和水文氣候預(yù)測(cè)。在作物信息提取方面最初由Jakubauskas等[13]提出，他們利用諧波分析技術(shù)對(duì)26個(gè)年內(nèi)NOAA氣象衛(wèi)星傳感器(AVHRR)獲取的NDVI時(shí)間序列進(jìn)行分析，并提出了一種基于NDVI值隨時(shí)間變化的作物識(shí)別方法。

目前常用的遙感數(shù)據(jù)源主要包括Landsat[14]、GF系列[15]、MODIS[16]及多源融合數(shù)據(jù)[17]。與Landsat相比，Sentinel-2衛(wèi)星具有高時(shí)間分辨率和高光譜分辨率，同時(shí)具有3個(gè)紅邊波段，近年來(lái)被廣泛應(yīng)用于農(nóng)作物分類研究[18-19]，并展現(xiàn)出其在農(nóng)作物分類以及農(nóng)情監(jiān)測(cè)應(yīng)用中的優(yōu)勢(shì)[20-21],為縣域尺度范圍農(nóng)作物信息提取提供了新的選擇。

以往研究主要集中于影響因素可控的小區(qū)域[22]和地勢(shì)平坦的西北及東北區(qū)域[23-24]，而在地塊破碎、種植結(jié)構(gòu)復(fù)雜的華北縣域范圍內(nèi)，關(guān)于農(nóng)作物精細(xì)化分類的研究相對(duì)較少。因此本研究結(jié)合中國(guó)探索實(shí)行耕地輪作休耕制度的[25]背景，以中國(guó)地下水漏斗區(qū)黑龍港流域南宮市為研究對(duì)象，針對(duì)縣域尺度范圍內(nèi)農(nóng)作物種植信息提取精度低的問(wèn)題，利用多時(shí)相Sentinel-2數(shù)據(jù)，通過(guò)構(gòu)建指數(shù)時(shí)序集及其諧波特征，組合多種分類方案，對(duì)研究區(qū)內(nèi)農(nóng)作物信息進(jìn)行提取，以期為縣域尺度農(nóng)作物分類研究提供參考。

1 材料與方法

1.1 研究區(qū)概況

南宮市位于河北省東南部(37°05′～37°27′N，115°08′～115°45′E)，黑龍港流域南部(圖1)，屬黃河沖積平原，地面平均海拔28.6 m，地勢(shì)東南稍高西北低，坡降為1/7 000，地形相對(duì)平坦。屬暖溫帶亞濕潤(rùn)季風(fēng)型氣候，光照充足，雨熱同季，年均降水量476 mm。全市境內(nèi)共有3條主干河道，24條分支，均屬于黑龍港水系，總長(zhǎng)367 km。全市面積863.3 km2，總耕地面積597.3 km2，占全市面積的69%，主要農(nóng)作物有冬小麥、棉花、夏玉米、谷子、紅薯、辣椒等，是華北地區(qū)重要產(chǎn)糧基地之一。

圖1 研究區(qū)及樣點(diǎn)分布Fig.1 Distribution of the research area and sample points

南宮市主要農(nóng)作物是冬小麥、棉花、夏玉米、谷子、辣椒、紅薯、花生，其中，冬小麥-夏玉米是一年兩季傳統(tǒng)輪作模式，其他農(nóng)作物均屬于一年一季。根據(jù)實(shí)地走訪調(diào)查及邢臺(tái)市統(tǒng)計(jì)局提供的農(nóng)耕數(shù)據(jù)，總結(jié)出當(dāng)?shù)馗黝愞r(nóng)作物物候歷(表1)。

表1 南宮市主要農(nóng)作物物候期

1.2 數(shù)據(jù)源及預(yù)處理

本研究使用的遙感數(shù)據(jù)是歐洲航天局(ESA)(https：//scihub. copernicus. eu/dhus/#/home)免費(fèi)提供的Sentinel-2多光譜數(shù)據(jù)。Sentinel-2包含A和B兩顆衛(wèi)星，單顆衛(wèi)星重訪周期為10 d，兩顆衛(wèi)星同時(shí)運(yùn)行重訪周期為5 d，Sentinel-2衛(wèi)星最高空間分辨率為10 m，具有13個(gè)波段數(shù)據(jù)。為保證能夠完全覆蓋研究區(qū)內(nèi)各類作物生長(zhǎng)周期，選取2019年10月至2020年10月共63幅云量低于20%的光學(xué)影像，影像獲取時(shí)間信息如表2所示，其中影像最大時(shí)間間隔為30 d，最小為2 d。最大時(shí)間間隔在1月份，處于冬小麥的生長(zhǎng)周期內(nèi)，由于冬小麥在2月至6月期間，其植被指數(shù)值與其他作物有明顯差異，因此在1月份時(shí)，影像間隔對(duì)分類結(jié)果的影響較小。

表2 遙感影像數(shù)據(jù)

采用經(jīng)幾何精校正的L1C級(jí)產(chǎn)品數(shù)據(jù)，根據(jù)植被指數(shù)計(jì)算公式，研究使用藍(lán)、綠、紅、2個(gè)紅邊波段及近紅外波段數(shù)據(jù)(其中2個(gè)紅邊波段空間分辨率為20 m，可見(jiàn)光及近紅外波段空間分辨率為10 m)。利用ESA提供的Sen2cor插件對(duì)L1C級(jí)數(shù)據(jù)進(jìn)行大氣校正，并將所需波段的空間分辨率和反射率利用三次卷積法重采樣為10 m的分辨率和反射率。為便于后續(xù)調(diào)用各波段數(shù)據(jù)計(jì)算植被指數(shù)，在SNAP軟件中將同一影像中的波段數(shù)據(jù)合成為一個(gè)文件，并將文件轉(zhuǎn)換為ENVI可讀取的TIFF格式，之后在ENVI軟件中進(jìn)行裁剪、鑲嵌、植被指數(shù)計(jì)算、最大值合成等操作，進(jìn)而構(gòu)建植被指數(shù)時(shí)間序列。利用MATLAB及IDL工具包提取時(shí)序數(shù)據(jù)中的諧波特征(對(duì)應(yīng)各階振幅值圖像)，之后利用隨機(jī)森林分類器進(jìn)行圖像解譯。

1.3 實(shí)地調(diào)查數(shù)據(jù)

2019年10月至2020年9月在南宮市進(jìn)行多次實(shí)地調(diào)查。為避免手持全球定位系統(tǒng)(GPS)定位精度問(wèn)題導(dǎo)致的作物種類邊緣誤差，在樣本選擇時(shí)，盡可能選擇地塊面積在30 m×30 m以上區(qū)域，在地塊中心用手持GPS接收機(jī)標(biāo)記地塊經(jīng)緯度坐標(biāo)及地塊類型，樣本點(diǎn)均勻分布于全市(圖1)。共采集實(shí)地樣本1 090個(gè)，其中冬小麥547個(gè)，棉花282個(gè)，谷子118個(gè)，花生36個(gè)，辣椒12個(gè)，紅薯10個(gè)，建筑用地及裸地、水體和其他地類共85個(gè)。由于研究區(qū)內(nèi)花生、辣椒、紅薯種植數(shù)量較少，為減少樣本數(shù)量懸殊導(dǎo)致的分類誤差，故合并為一類“其他農(nóng)作物”。將2/3的實(shí)地采集數(shù)據(jù)作為訓(xùn)練樣本，1/3的實(shí)地采集數(shù)據(jù)作為驗(yàn)證樣本。

1.4 構(gòu)建植被指數(shù)時(shí)序曲線

根據(jù)作物光譜反射特性，結(jié)合Sentinel-2衛(wèi)星中心波長(zhǎng)及波段范圍，為獲取最佳組合分類方案，構(gòu)建5種植被指數(shù)，分別為EVI、NDVI、NDVI705[26]、EVI+NDVI、EVI+NDVI+NDVI705，在構(gòu)建2種組合指數(shù)方案時(shí)，采用指數(shù)值算數(shù)相加原理，其計(jì)算公式及構(gòu)建規(guī)則見(jiàn)表3。計(jì)算每幅影像的植被指數(shù)后，采用最大值合成法(從相鄰影像中提取最大像元值重構(gòu)一幅新的影像)，將全年63幅影像合成為30幅，確保每月有2～3幅影像，在保證時(shí)序數(shù)據(jù)集質(zhì)量的同時(shí)，能最大程度減少云霧干擾，從而構(gòu)建作物生長(zhǎng)周期變化規(guī)律曲線。

3種植被指數(shù)(EVI、NDVI、NDVI705)被廣泛應(yīng)用于作物估產(chǎn)、環(huán)境監(jiān)測(cè)、火災(zāi)評(píng)估等領(lǐng)域。NDVI指數(shù)對(duì)于波段范圍限制較小，應(yīng)用廣泛，能夠?qū)⒅脖慌c其他地物明顯區(qū)分，由于其本質(zhì)是近紅外波段和紅外波段的非線性拉伸，數(shù)值容易飽和，導(dǎo)致在高密度植被區(qū)靈敏度降低。與傳統(tǒng)NDVI不同，NDVI705指數(shù)計(jì)算選用了葉綠素吸收特征較窄的波段，更容易受到植被內(nèi)葉綠素含量的影響，在植被生長(zhǎng)變化過(guò)程中，數(shù)值變化更加敏感[26]。EVI指數(shù)的提出是為了改進(jìn)NDVI在植被高密度區(qū)靈敏度低的問(wèn)題，加入藍(lán)光波段，以減少大氣折射造成的影響，其時(shí)序數(shù)據(jù)被廣泛應(yīng)用于林地變化監(jiān)測(cè)研究。

表3 植被指數(shù)計(jì)算公式及構(gòu)建規(guī)則

1.5 諧波特征

諧波分析又稱傅里葉分析，是指將一個(gè)隨時(shí)間變化的周期性函數(shù)通過(guò)傅里葉變換分解為無(wú)窮多個(gè)諧波分量，每個(gè)分量由頻率相同的正弦波和余弦波組成。在農(nóng)業(yè)遙感領(lǐng)域，諧波分析的本質(zhì)是將單維空間域影像轉(zhuǎn)換為多維頻率域數(shù)據(jù)，對(duì)頻率域內(nèi)的波段數(shù)據(jù)進(jìn)行級(jí)數(shù)分解，將不同植被物候變化相關(guān)的信號(hào)分隔開(kāi)，最后再將頻域影像轉(zhuǎn)換為空間域影像。

諧波主要特征在于前三階諧波的振幅值和諧波余項(xiàng)，三階之后的諧波特征多是各類噪音誤差[10](圖2)。圖2a中關(guān)于時(shí)間的任意曲線(時(shí)間函數(shù))都可以分解為圖2b中的正弦和余弦波，圖2c中冬小麥-夏玉米在NDVI時(shí)序中的函數(shù)可以分解為圖2d中的諧波特征分量，圖2b和圖2d諧波曲線的區(qū)別在于振幅值和諧波余項(xiàng)的不同，即諧波特征不同。Jakubauskas等[13]在2001年將諧波分析法應(yīng)用于NDVI時(shí)間序列分解，并根據(jù)每個(gè)諧波分量在原始數(shù)據(jù)中占總方差的百分比進(jìn)行農(nóng)作物分類。諧波分析數(shù)學(xué)分解公式為：

(1)

式中，f(x)為時(shí)間序列函數(shù)，a0是諧波余項(xiàng)，L是周期函數(shù)的時(shí)間長(zhǎng)度，x表示時(shí)間，an是第n次諧波余弦函數(shù)的振幅，bn是第n次諧波正弦函數(shù)的振幅。各類作物在NDVI時(shí)間序列中的諧波余項(xiàng)和振幅值如表4所示。

圖2 諧波特征示意Fig.2 Schematic diagram of harmonic characteristics

表4 各類作物諧波特征值

1.6 分類方法

2 結(jié)果與分析

2.1 不同作物時(shí)序曲線變化分析

為探究各類農(nóng)作物植被指數(shù)值在生長(zhǎng)周期內(nèi)的變化趨勢(shì)，根據(jù)實(shí)地調(diào)查樣本數(shù)據(jù)，多次提取各類農(nóng)作物植被指數(shù)值并取平均值，構(gòu)建農(nóng)作物生長(zhǎng)變化曲線。

圖3表明，冬小麥-夏玉米的時(shí)序曲線在3個(gè)指數(shù)波段范圍內(nèi)與其他地類均有明顯差異。冬小麥在10月上旬播種后，育苗期一直持續(xù)到12 月上旬，同時(shí)植被指數(shù)值升高；12月中旬之后進(jìn)入越冬期，氣溫降低，光合作用緩慢從而導(dǎo)致植被指數(shù)值降低；次年1月中旬至3月中旬冬小麥進(jìn)入返青發(fā)育期，植被指數(shù)值迅速增長(zhǎng)；在3月中下旬時(shí)期，該地區(qū)受到北方寒潮影響，溫度驟降，植被指數(shù)值有小幅度下降；在4月至5月期間，冬小麥進(jìn)入孕穗抽穗期，植被指數(shù)值迅速升高，達(dá)到生長(zhǎng)發(fā)育期內(nèi)的植被指數(shù)最大值，該時(shí)期冬小麥與其他作物物候差異最大，可以有效將冬小麥與其他作物區(qū)分開(kāi)。夏玉米在6月份播種，之后進(jìn)入育苗期，各類指數(shù)值呈上升趨勢(shì)，7月至8月中旬進(jìn)入抽穗灌漿期，指數(shù)值到達(dá)第2個(gè)峰值，9月份以后進(jìn)入成熟收獲期，指數(shù)值緩慢下降。

a:2019-10-05; b:2019-10-15; c:2019-10-30; d:2019-11-04; e:2019-11-14; f:2019-11-19; g:2019-12-04; h:2019-12-19; i:2020-01-03; j:2020-01-30; k:2020-02-17; l:2020-02-22; m:2020-03-10; n:2020-03-13; o:2020-03-18; p:2020-03-23; q:2020-04-12; r:2020-04-17; s:2020-04-22; t:2020-04-27; u:2020-05-02; v:2020-05-22; w:2020-06-03; x:2020-06-21; y:2020-07-06; z:2020-07-16; A:2020-08-22; B:2020-08-30; C:2020-09-04; D:2020-09-19。圖3 各類農(nóng)作物時(shí)序曲線Fig.3 Time series curves of different crops

棉花在4月中下旬播種，5月中下旬開(kāi)始出苗，在此期間，植被指數(shù)值沒(méi)有明顯變化。之后經(jīng)歷現(xiàn)蕾、開(kāi)花階段，植被指數(shù)值急速上升。7月份開(kāi)花以后，其植被指數(shù)值基本維持穩(wěn)定，與其他非輪作農(nóng)作物時(shí)序曲線在3種指數(shù)波段范圍內(nèi)均有明顯差異，開(kāi)花之后的指數(shù)值可以作為識(shí)別棉花的重要特征。9月份進(jìn)入成熟期，植被指數(shù)值下降。谷子在5月中下旬播種，在出苗、拔節(jié)、抽穗時(shí)期，植被指數(shù)值呈上升趨勢(shì)，8月份成熟，此時(shí)植被指數(shù)值達(dá)到峰值。

辣椒和紅薯均在4月下旬播種，到6月上旬，2種作物植被指數(shù)值無(wú)明顯變化；6月下旬辣椒進(jìn)入分蘗期，紅薯進(jìn)入現(xiàn)蕾期，植被指數(shù)值上升；到8月份，植被指數(shù)到達(dá)峰值，成熟以后其植被指數(shù)值緩慢下降?；ㄉ?月中旬播種，進(jìn)入出苗階段，植被指數(shù)值開(kāi)始增長(zhǎng)；6月份至7月份為幼苗期，植被指數(shù)值迅速升高；到8月份結(jié)莢時(shí)期，植被指數(shù)值保持相對(duì)穩(wěn)定；9月份成熟時(shí)收獲，植被指數(shù)值緩慢下降。由于這3類作物種植面積較小，因此在分類時(shí)，將其合并為一類。由圖3可以看出，依靠單時(shí)相影像數(shù)據(jù)，并不能將生長(zhǎng)周期相似的農(nóng)作物明顯區(qū)分，而時(shí)間序列數(shù)據(jù)可以凸顯物候差異特征，從而提高分類準(zhǔn)確率。

2.2 不同指數(shù)組合的農(nóng)作物分類方案精度對(duì)比

為探討不同指數(shù)組合及諧波特征對(duì)農(nóng)作物分類精度的影響，選用EVI、NDVI、NDVI705、EVI+NDVI、EVI+NDVI+NDVI7055種植被指數(shù)，構(gòu)建指數(shù)時(shí)序曲線，并提取作物生長(zhǎng)曲線諧波特征。將分類特征和樣本數(shù)據(jù)輸入到隨機(jī)森林分類器中，結(jié)合實(shí)地采集的驗(yàn)證樣本，采用混淆矩陣驗(yàn)證分類結(jié)果，評(píng)價(jià)指標(biāo)包括總體精度(Overall accuracy, OA)、用戶精度(User accuracy, UA)、生產(chǎn)者精度(Producer accuracy, PA)、Kappa系數(shù)，結(jié)果如表5、表6、表7所示。

表5 各種分類方案總體分類精度及Kappa 系數(shù)

從原始分類結(jié)果中可以看出，當(dāng)指數(shù)特征和諧波特征共同作為分類依據(jù)時(shí)，相比于僅利用指數(shù)特征進(jìn)行分類，5種時(shí)序集的總體分類精度均有明顯提高(表5)。其中EVI+NDVI時(shí)序集提升最為明顯，提高了9.21個(gè)百分點(diǎn)，其次是EVI+NDVI+NDVI705時(shí)序集，提高了8.75個(gè)百分點(diǎn)，NDVI705時(shí)序集提升最不明顯，提高了8.14個(gè)百分點(diǎn)，表明諧波特征的加入可以有效提高分類精度。

為進(jìn)一步驗(yàn)證不同植被指數(shù)對(duì)于農(nóng)作物分類精度的影響，選取指數(shù)特征和諧波特征共同作為分類依據(jù)的5種指數(shù)組合方案，并對(duì)其精度評(píng)價(jià)指標(biāo)進(jìn)行詳細(xì)分析，結(jié)果見(jiàn)表6、表7，5種原始分類結(jié)果如圖4所示。

表6 3種單一指數(shù)的農(nóng)作物分類方案精度評(píng)價(jià)結(jié)果

表7 2種組合指數(shù)的農(nóng)作物分類方案精度評(píng)價(jià)結(jié)果

表6表明，以3種單一植被指數(shù)作為特征波段時(shí)，采用EVI指數(shù)特征作為分類依據(jù)的總體精度最低，為83.82%，利用NDVI705指數(shù)分類時(shí)總體精度最高，其值為90.00%，NDVI分類精度比EVI分類精度提高了約5個(gè)百分點(diǎn)。NDVI705分類結(jié)果說(shuō)明，實(shí)際驗(yàn)證樣本與模型分類結(jié)果具有高度一致性，Kappa系數(shù)為0.88；NDVI其次，Kappa系數(shù)為0.86；EVI最低，Kappa系數(shù)為0.80。在3種分類方案中，農(nóng)作物中冬小麥-夏玉米的用戶精度和生產(chǎn)者精度均為最高，從種植模式上分析，研究區(qū)內(nèi)在1月份至6月份期間只有冬小麥種植(圖3)，因此物候特征明顯，分類精度較高；棉花和谷子的分類精度略低，主要是由于其生長(zhǎng)周期相似，且兩類作物種植結(jié)構(gòu)呈嵌套式分布(圖4)，容易造成錯(cuò)分情況；建筑用地、裸地和水體的光譜反射率并無(wú)明顯季節(jié)變換規(guī)律，與農(nóng)作物物候特征有明顯差異，因此分類精度較高。NDVI705指數(shù)比NDVI指數(shù)分類精度高，從算法原理上分析，較窄的紅邊波段相比于紅光波段對(duì)于植被生長(zhǎng)變化程度更加敏感，說(shuō)明Sentinel-2特有的紅邊波段數(shù)據(jù)在農(nóng)作物精細(xì)化分類上具有較大的應(yīng)用潛力。

2種組合指數(shù)分類方案中，EVI+NDVI+NDVI705作為特征組合時(shí)，總體分類精度最高,為94.95%，比EVI+NDVI分類精度提高了約2個(gè)百分點(diǎn)(表7)，說(shuō)明紅邊波段指數(shù)NDVI705的加入能夠明顯提高分類精度；EVI+NDVI組合指數(shù)比NDVI指數(shù)分類精度提高了約4個(gè)百分點(diǎn)，表明具有藍(lán)光波段的EVI指數(shù)的加入能夠提高分類精度。

EVI:增強(qiáng)型植被指數(shù)；NDVI：歸一化植被指數(shù)；NDVI705：紅邊歸一化植被指數(shù)。圖4 不同指數(shù)組合的農(nóng)作物分類效果Fig.4 Crop classification effects of different index combinations

2.3 南宮市作物種植空間分布

南宮市農(nóng)作物分類總體精度最高的指數(shù)組合方案是EVI+NDVI+NDVI705，其分類效果見(jiàn)圖4。南宮市2020年冬小麥-夏玉米、棉花、谷子、其他農(nóng)作物的種植面積分別為21 580.77 hm2、16 968.16 hm2、3 000.81 hm2、403.36 hm2。種植面積最大的作物是冬小麥-夏玉米，主要分布在西北部和東南部；其次是棉花，主要位于中部和南部。冬小麥-夏玉米和棉花是當(dāng)?shù)刂匾慕?jīng)濟(jì)作物，因此呈現(xiàn)大面積塊狀分布。谷子的種植分布比較零散，且地塊面積較小，多聚集在居民地附近，主要與當(dāng)?shù)氐娘嬍沉?xí)慣有關(guān)。

3 結(jié)論與討論

本研究基于Sentinel-2光譜數(shù)據(jù)，通過(guò)構(gòu)建多種植被指數(shù)及其諧波特征，采用隨機(jī)森林算法，對(duì)南宮市內(nèi)的主要農(nóng)作物進(jìn)行分類提取，結(jié)果表明：1)當(dāng)指數(shù)特征和諧波特征共同作為分類依據(jù)時(shí)，相比于利用單一指數(shù)特征進(jìn)行分類，5種時(shí)序集的總體分類精度均有明顯提高，EVI+NDVI時(shí)序集提升最為明顯，提高了9.21個(gè)百分點(diǎn)，NDVI705時(shí)序集提升最不明顯，提高了8.14個(gè)百分點(diǎn)，表明時(shí)序集中諧波特征的加入可以有效提高分類精度。2)在指數(shù)特征和諧波特征共同作為識(shí)別依據(jù)的分類方案中，基于EVI+NDVI+NDVI705組合指數(shù)的分類方案精度最高，比EVI+NDVI分類精度提高了2.57個(gè)百分點(diǎn)，而EVI+NDVI組合分類精度比NDVI指數(shù)分類精度提高了3.53個(gè)百分點(diǎn)。以上結(jié)果表明，紅邊NDVI705和EVI的加入能夠提高作物識(shí)別精度。3)通過(guò)對(duì)3種單一指數(shù)時(shí)序曲線特征的分析，可以明顯看出冬小麥-夏玉米與其他農(nóng)作物生長(zhǎng)周期不一致，而其他農(nóng)作物物候周期相似，且指數(shù)值峰值無(wú)明顯差異，同時(shí)分類結(jié)果表明，利用單一指數(shù)進(jìn)行分類并不能獲得最佳的分類效果，驗(yàn)證了多特征組合分類方法在農(nóng)作物精細(xì)化分類上的可行性。

盡管本研究取得了較好的分類效果，但仍存在一些問(wèn)題。在作物生長(zhǎng)關(guān)鍵期，單一數(shù)據(jù)源的影像獲取頻率較低，本研究沒(méi)有采用多源遙感來(lái)提升遙感數(shù)據(jù)的獲取概率。且本研究?jī)H考慮了EVI和NDVI等植被指數(shù)，其他植被指數(shù)沒(méi)有納入考慮范圍。因此在今后的工作中可以結(jié)合高分系列遙感數(shù)據(jù)，融合其他植被指數(shù)特征開(kāi)展研究。