最近在做利用Sentinel-2影像提取湖北省棉花種植分布，前前后后快兩個月了，學到一些東西，記錄一下。
1、目標作物最好是研究區內的主要作物，種植面積大、分布廣泛，這樣方便獲取作物在影像上的光譜特征，訓練樣本、驗證樣本也好獲取，實地調研難度也小；
本次提取的是湖北省的棉花分布數據，但受農村勞力流失、棉花種植人力物力成本高等因素影響，棉花種植面積逐年減少，農民轉而種植大豆、玉米等田間管理少、人力成本低的作物。棉花在湖北省不再是大面積種植，除少數試驗田外，都是零零散散的分布，田間地頭、房前屋后，棉花田塊面積小，分布不集中，在10m哨兵數據上極易出現混合像元問題，很難識別出棉花的特征，同時制作訓練樣本和驗證樣本也極為困難(實地調研找不到)；
2、承接前述1中的問題，因為目標作物分布不集中，都是小田塊，實地調研時手機拍照定位存在數米的誤差，在10米的哨兵影像上，實地調研點就很可能出現位置偏差，造成訓練樣本錯誤；
上述兩條主要說明目標作物應是研究區內的主要作物。
3、提取某年份作物分布時，最好時當年去實地調研，否則農戶極可能存在種植屬性記憶模糊，尤其是對於小地塊、非主要作物；
4、訓練樣本、驗證樣本比例應該是七三或八二；
5、驗證樣本中各個類別的樣本數量和大小應當基本持平，不應存在較大出入，否則利用混淆矩陣作精度評價時，易分地物的高精度會掩蓋難分地物的低精度，雖然總體精度較高，但某些作物分類精度可能很低；
本次提取棉花時，起初驗證樣本中水體、水稻等地物樣本數量較多，棉花樣本數量較少，水體、建設用地、水稻等地物分類精度高，就掩蓋了棉花的低精度；
上述兩條主要說明樣本選擇注意事項。
6、受雲霧影像，作物生長期內，很難獲取到逐月滿足要求的影像，造成某些敏感時期影像缺失，無法准確區分某些地物，此處對專家決策樹法影響較大；
本次提取棉花過程中，起初采用專家決策樹方法，7月上中旬，水稻田里還有積水，利用NDWI可以有效識別，9月中旬，大豆基本收割完成，棉花還處於吐絮期，可以有效區分兩者，但受雲霧影像，兩期影像都不能采用，給決策樹法提取棉花帶來很大困難。
7、不能單純使用植被指數建立決策樹提取作物，某些作物長勢不均衡，單用植被指數進行閾值分割，極容易出現空洞現象(地物中心被掏去一部分)或保留邊緣輪廓(田埂、庄稼小路被誤分)。
8、如何從光譜特征、植被指數、紋理特征等眾多特征中篩選最有利於分類的特征？？？
追更
9、利用A區樣本和影像訓練的模型，如果要將其應用於B區，要注意影像光譜特征的歸一化處理或統一拉伸，否則A區訓練的模型完全不適用與B區，就像深度學習中，首先要將研究區內影像拉伸至32767或歸一化，然后再訓練模型，最后將模型應用於其他區域；
10、不是所有植被指數都像NDVI一樣，上下相除可以自動抵消縮放系數，一旦植被指數計算式中存在加減常數，此時就應該先把DN值轉為反射率數據再計算；
比如：EVI=2.5*(NIR-Red)/(NIR+6*Red-7.5*Blue+1)，分母中存在常數1，乘以縮放系數與不乘以縮放系數的結果是完全不一致的。