3. 遥感影像预处理与作物物候窗口选择
作物识别不是把一幅影像丢进分类器就能得到好结果的工作。原始遥感影像进入分类模型之前，必须经过辐射定标、大气校正、几何配准与云掩膜四道基础处理；而“什么时候的影像最值得用”则由作物物候曲线决定。本节把这两件事放在一起讲：预处理保证像素值真实可比、位置准确、无效像元被剔除；物候窗口选择保证在作物最容易与其他地物区分的时间点取像。二者共同决定后续分类特征的质量上限。
一、辐射定标与大气校正：让像素值具有物理意义
以Landsat 8 OLI或Sentinel-2 MSI为例，传感器记录的是无量纲的DN值，受增益、偏移和太阳高度角影响，不同时相、不同传感器之间不可直接比较。辐射定标把DN转换为大气顶辐亮度或反射率。以Landsat 8 Level-1产品为例，常用公式为：
Lλ = ML × Qcal + AL
ρ_TOA = (π · Lλ · d²) / (ESUNλ · cosθs)其中ML、AL为产品元数据中的乘性增益与加性偏移，Qcal为像元DN值，d为日地距离（天文单位），ESUNλ为波段大气顶太阳辐照度，θs为太阳天顶角。定标后得到的是大气顶反射率ρ_TOA，仍包含大气散射与吸收的影响。
大气校正进一步去除气溶胶散射、水汽吸收等效应，得到地表反射率ρ_surface。工程上常用FLAASH、6S、Sen2Cor或暗像元法（DOS）。以暗像元法为例：在影像中寻找反射率本应接近0的深水体或浓密阴影区，统计其各波段最小值作为程辐射估计值，再从整幅影像中减去。该方法实现简单，适合气溶胶稳定的晴空影像；若研究区跨越气溶胶梯度较大的区域，应改用辐射传输模型校正。判断校正是否合理，可检查植被在近红外波段的反射率是否落在0.2～0.5的合理区间、水体在近红外是否接近0，以及同一地物在不同时相的反射率曲线是否平滑连续。
二、几何配准与云掩膜：保证位置一致与像元有效
多时相分析要求各期影像在同一坐标系下逐像元对齐。即使使用正射校正产品，仍可能残留数米级平面误差。配准通常以一期几何精度最高的影像为参考，其余影像选取道路交叉口、水库岸线、建筑角点等稳定地物作为控制点，采用二次多项式或薄板样条变换重采样，要求均方根误差控制在半个像元以内。配准误差过大会导致地块边界处出现“混合像元”，使物候曲线在田块边缘剧烈抖动。
云掩膜用于剔除云、云影和积雪。Sentinel-2可借助QA60波段与sen2cor场景分类层，Landsat 8可使用QA_PIXEL位标志，并结合NDVI阈值与亮度阈值补充检测薄云。掩膜后应统计每期影像在研究区内的有效像元比例，一般要求作物生长季关键时相的有效像元比例高于70%，否则该时相不宜作为主特征。
三、物候曲线驱动的时相窗口选择
不同作物在时间维度上的光谱行为差异，往往比单期影像上的光谱差异更可靠。以我国华北平原冬小麦—夏玉米轮作为例：冬小麦约10月播种，返青后3—4月快速拔节，4月下旬至5月上旬进入抽穗期，NDVI达到全年峰值；6月成熟收获后NDVI骤降。夏玉米6月中下旬播种，7—8月营养生长旺盛，8月下旬至9月抽雄吐丝，NDVI维持高位，10月收获。若把冬小麦与夏玉米的生育期曲线画在同一时间轴上，可以看到两个关键区分点：一是4—5月冬小麦处于峰值而夏玉米地块尚为裸土或刚出苗；二是7—8月夏玉米旺盛而冬小麦地块已收获。这两个时相窗口就是识别这两类作物的“物候分离窗口”。
窗口选择的具体做法是：先收集研究区近3年Sentinel-2或Landsat 8时序影像，按旬或半月合成NDVI序列，绘制各地块（或作物样本点）的NDVI时间曲线；再计算不同作物曲线之间的可分性指标，例如两个时相上NDVI差值的绝对值之和，或采用JM距离、光谱角等度量；最后选取可分性最大、且有效像元比例满足要求的1～3个时相作为识别特征。示例中若以4月下旬和8月上旬两期NDVI组合，冬小麦与夏玉米的NDVI差值分别约为0.55和0.50（示例假设值），区分度明显优于单期影像。
四、预处理与窗口选择的衔接检查
四道预处理与物候窗口之间存在明确的依赖关系：辐射定标与大气校正决定NDVI数值是否可比，几何配准决定同一地块在不同时相是否落在同一像元，云掩膜决定参与曲线拟合的样本是否干净。实际操作中可按以下顺序检查：先确认各期影像均已转为地表反射率且量纲一致；再检查配准残差是否小于0.5像元；然后统计各候选时相的有效像元比例；最后在时序曲线上核对作物峰值日期是否与当地农情记录吻合。若某期影像NDVI曲线出现不符合物候规律的突跳，应优先排查云污染或大气校正异常，而不是直接调整分类阈值。
完成上述处理后，输出的成果是一套“时相—特征”数据集：每个地块在每个入选时相上具有可靠的地表反射率与NDVI值，并附带有效像元标记。这套数据集才是后续特征构建与分类器的输入。预处理做得扎实，物候窗口选得准确，分类器面对的才是真正有区分力的信息；反之，再复杂的模型也只能在噪声中拟合。