融合甘蔗物候特征与类别概率的动态时间规整(SPC-DTW)方法在Sentinel-2 NDVI时序数据中的应用研究

为解决多云环境下甘蔗种植区遥感监测精度不足的问题，研究人员创新性地提出融合物候特征与随机森林(RF)类别概率的动态时间规整(SPC-DTW)方法。通过Sentinel-2数据构建月最大归一化植被指数(NDVI)时序，结合甘蔗物候约束加权优化DTW算法，实现2022年10米分辨率甘蔗制图，总体精度达85.70%，有效克服云干扰并提升提取精度。

　　

在农业生产规划中，精准快速获取甘蔗空间分布至关重要。然而多云天气导致遥感影像质量受限，现有研究往往需依赖2-3年多源数据，期间甘蔗种植区变迁会影响提取精度。更值得注意的是，传统方法既缺乏对主流作物提取方法的横向对比，也未能充分纳入甘蔗关键物候信息。

这项研究开创性地将甘蔗物候特性与类别概率整合到动态时间规整算法中(SPC-DTW)。技术路线分三步走：首先基于Sentinel-2数据计算2022年月最大归一化植被指数(NDVI)时序；接着通过训练样本点采用随机森林(RF)获取甘蔗类别概率；最终巧妙地将物候特征作为约束条件加权优化动态时间规整(DTW)算法，经阈值筛选后生成10米精度的甘蔗分布图。

验证结果表明，SPC-DTW方案总体准确率高达85.70%，该技术不仅能有效规避云层干扰，其创新性的物候-概率双驱动机制更为高精度农作物遥感监测提供了新范式。特别是算法对甘蔗关键生长阶段的精准建模，使得在单年度数据条件下仍能获得优于传统方法的提取效果。