大宗农作物分类可以提供大宗农作物种植区域在空间和时间上的变化情况,预估大宗农作物产量,有助于维护国家粮食安全。基于时间序列数据的大宗农作物分类是以不同农作物的光谱时间序列差异作为分类特征对农作物进行分类,可以高效地识别不同农作物在不同年份的种植区域及其变化情况。由于同种农作物物候特征在不同年份和不同区域之间的差异,导致基于时间序列遥感影像的分类方法在时间和空间上的迁移能力较差。农作物时间序列光谱特征变化和农作物生长环境温度变化有密切的相关性,在不同年份和不同区域农作物时间序列光谱曲线在积温维度上的要明显小于在时间维度上的差异。因此,耦合环境温度数据提取的农作物时间序列特征在时间和空间上的差异也会更小,基于此特征训练的农作物分类器在时间和空间上具有更好的迁移能力。本研究以地表温度作为农作物生长环境温度的间接指标,通过非对称双S型曲线（Asymmetric Double S Curve Model）,提取农作物植被指数（Vegetation Index,VI）时间序列和地表温度（Land Surface Temperature,LST）时间序列特征,即植被指数-地表积温（VI-AT）序列特征。对比地物在各个VI-AT序列特征上可分性以及VI-AT序列特征在时间和空间上的稳定性,并以此训练随机森林分类器,验证分类器在不同区域以及不同年份的分类精度。本研究的主要结论如下:（1）地物的通用植被指数-地表积温（Universal Normalized Vegetation Index-Accumulated Temperature,UNVI-AT）序列曲线特征的可分性较好。UNVI在计算过程中使用了所有波段中由植被产生的辐射信息,不同地物在和无植被覆盖时期的植被指数大小、农作物生长时期植被指数变化幅度、植被指数增长速率最大对应的积温度数和植被生长期长短相关的UNVI-AT序列曲线特征的可分性优于归一化植被指数-地表积温（Normalized Difference Vegetation IndexAccumulated Temperature,NDVI-AT）序列曲线特征和归一化水体指数-地表积温（Normalized Difference Water Index-Accumulated Temperature,NDWI-AT）序列曲线特征的可分性,基于UNVI-AT序列特征的分类器对农作物、非农作物植被及城镇的分类精度均有明显的提升,且分类结果中,由于错误分类产生的破碎的斑块明显减少。（2）地物的UNVI-AT序列曲线特征的可分性在时间上具有稳定性。不同年份的地物在农作物无植被覆盖时期、植被生长时期以及和代表植被生长期长短的UNVI-AT序列特征的可分性高于UNVI时间序列特征。通过2018年和2019年的UNVI-AT序列特征训练的分类器对2017年的数据依旧保持了较好的分类精度,且对于各种地物而言,基于UNVI-AT序列特征的分类结果在三年的分类精度变化要小于基于UNVI时间序列特征的分类结果。可分性分析和分类结果均证明不同年份的地物UNVI时间序列在积温维度上的差异要明显小于在时间维度上的差异。（3）地物的UNVI-AT序列曲线特征的可分性在空间上具有稳定性。不同区域地物在植被生长和凋落时期的UNVI-AT序列特征的可分性高于UNVI时间序列特征的可分性。通过内布拉斯加州、爱荷华州（北）和伊利诺伊州UNVIAT序列特征训练的分类器对爱荷华州（中）保持了较好的分类精度,且分类器在四个研究区对各种地物的分类精度基本保持稳定,不同区域间同种地物的分类精度变化小于基于UNVI时间序列分类器。可分性分析和分类结果均证明不同区域地物的UNVI时间序列在积温维度上的差异小于在时间维度上的差异。本研究通过引入地表积温数据,提取植被在不同年份和不同区域具有稳定性的VI-AT序列特征,验证以此特征训练的随机森林分类器在不同年份和区域迁移能力,为大范围农作物分类理论和方法研究提供重要的支撑。