摘要
准确监测作物物候对于精准农业和产量预测至关重要。然而，基于卫星的时间序列数据通常存在固有噪声，如残余大气效应和混合像素，同时农业领域也常常缺乏地面真实数据。为此，本研究提出了一种算法，用于确定作物主要物候阶段的光谱特征，将其作为训练监督机器学习分类模型的基础。该算法采用模糊C均值（FCM）聚类方法，在2020年和2021年的生长季节中，识别了西班牙布尔戈斯地区冬小麦的光谱特征参考组。为了提高聚类的独立性和生物学一致性，实施了一个多步骤过滤过程，包括光谱纯度（隶属度、SAM和SAMder）和时间一致性过滤器。过滤并标记后的数据集（占原始布尔戈斯数据集的80%）被用于训练监督分类模型（KNN和XGBoost）。通过三种小麦测试（剩余的20%数据）以及来自不同地理位置的大麦数据集（巴利亚多利德和索里亚），验证了模型的可靠性。过滤过程通过去除异常值和过渡光谱特征显著提高了聚类的稳定性。监督模型表现出色：KNN模型的平均准确率为0.977，Kappa值为0.967，F1分数为0.977。此外，当应用于大麦时，该模型显示其物候光谱特征与小麦的形状相当，准确率为0.965，F1分数为0.974。同时验证了光谱特征类型在不同地点保持不变。本研究提供了一种强大的分类工具，能够在没有地面真实数据的情况下标记四个关键物候阶段（分蘖、茎伸长、成熟和衰老）。通过有效去除卫星数据中的固有噪声，所提出的方法生成了结构化、干净的数据集。这一结构化基础对于未来将光谱特征与收割机数据结合以开发高精度产量预测模型的研究至关重要。
