摘要
利用多时相遥感技术进行精确的作物分布制图对于农业监测和管理变得越来越重要。然而，现有的方法通常依赖于多时相特征的直接叠加，这会导致特征冗余并降低模型效率。为了解决这个问题，本研究提出了一个冬小麦识别框架，该框架结合了生长阶段排序、关键光谱变量选择和跨时相特征融合。以山东省为研究区域，使用Sentinel-2影像分析了2023–2024年冬小麦生长季节的八个典型生长阶段。首先为每个生长阶段构建了随机森林模型以评估其区分能力。然后，通过排列重要性量化了光谱变量的贡献，并在相关性约束下选择了关键光谱变量。接着根据不同生长阶段的区分能力排名开发了渐进累积模型（PAM），而跨时相融合模型（CTFM）则是通过提取关键变量的阶段间平均值（mean）和阶段间差异（diff）构建的。结果表明，特征空间从64维（8个阶段×8个变量）减少到了16个关键变量，显著提高了特征表示效率。在八个生长阶段中，拔节期、越冬期、抽穗期和灌浆期的区分能力相对较强。在跨时相实验中，CTFM M6模型整合了按区分能力排名的前六个生长阶段的信息，仅使用10个融合特征就实现了0.9658的总体准确率（OA）和0.9609的用户准确率（UA），在识别准确性和特征维度之间取得了最佳平衡。基于该模型，生成了山东省10米分辨率的冬小麦分布图，其估算的种植面积与统计年鉴数据高度一致。这些结果表明，所提出的策略能够在保持高识别准确性的同时有效降低特征维度，为区域尺度的冬小麦遥感制图提供了一种高效且可扩展的方法。
