高质量训练样本是农作物遥感精细分类的核心基础，但人工采样和目视解译成本高、效率低，历史底图或迁移样本又常含有噪声。本文面向多类农作物种植区，提出一种结合波谱形状匹配与随机森林的多阶段样本纯化方法：先利用历史农田矢量和多源作物栅格产品生成初始样本，再基于全生长季 Sentinel-2 时间序列特征，利用动态时间规整进行波谱形状筛选，并通过随机森林进一步剔除异常样本，最终提升深度学习作物分类精度。
农作物分类依赖大量高质量样本。自动样本生成可降低人工成本，但历史底图、已有栅格产品和迁移样本常存在时相滞后、类别混淆、边界误差和作物轮作变化，若直接用于训练会显著影响分类模型性能。
实地调查和目视解译需要大量人力与专业知识，难以满足大范围、多作物、年度更新的训练样本需求。
农作物存在轮作、改种和物候差异，历史农田矢量或已有作物产品生成的样本可能包含错标和混合像元。
玉米、水稻、大豆、小麦等作物在某些生长期光谱接近，单时相特征难以稳定区分，需要利用全生长季时序形状。
研究技术路线包括特征提取、初始样本生成、波谱形状匹配纯化、随机森林筛选和深度学习分类五个环节。核心思想是先用物候曲线相似性剔除明显异常，再用分类器不确定性进一步筛查噪声。
基于 Sentinel-2 影像构建多时相光谱序列，并计算 NDVI 等 7 类植被或水体相关指数，以增强不同农作物在生长季内的区分度。
利用历史农田矢量数据和多源农作物栅格产品自动提取候选样本，形成覆盖多类作物的初始训练样本集。
动态时间规整用于比较样本曲线与作物典型物候曲线的形状相似性，适应不同区域物候相位偏移；随机森林进一步基于特征空间分类置信度筛除异常样本。
流程把“自动样本生成”的高效率与“多阶段质量控制”的稳健性结合起来。
DTW 适合处理作物生长曲线在时间上略有提前或滞后的情况，比简单逐时相距离更适合物候匹配。
本文贡献不只是生成更多样本，而是强调样本质量控制。通过波谱形状匹配与机器学习筛选，能够在降低人工成本的同时，提高样本纯度和分类模型稳定性。
本文为多作物区域的自动样本生产提供了一条“历史数据生成—时序形状匹配—机器学习筛选—分类应用”的可迁移路径，尤其适合高分辨率遥感农作物年度制图任务。
DTW 与随机森林的组合能够有效剔除错标样本和异常样本，提升训练数据可靠性。
纯化后的样本更符合目标年份和目标区域的真实物候特征，有助于提升深度学习分类表现。
该方法可迁移到不同农作物种植区，为大范围、低成本、年度化作物制图提供支撑。