余 铭，魏立飞※，尹 峰，李丹丹，黄庆彬

（1.湖北大学资源环境学院，武汉 430062；2.湖北省国土资源研究院，武汉 430062；3.中国农业科学院农业资源与农业区划研究所/农业部农业遥感重点实验室，北京 100081；4.深圳市地籍测绘大队，深圳 518000）

0 引言

农作物类型识别是农业灾情监测、农作物估产、长势分析、确定农作物类别、面积以及空间分布的重要基础。同时也是农业生产过程中合理分配资源、精准施肥的重要依据［1-3］。随着空间技术的发展，通过遥感影像解译法进行农作物类型识别逐渐成为一种主流方式［4-5］。王立辉等［6］基于环境减灾卫星数据，应用支持向量机（Support Vector Machine，SVM）方法对农作物进行分类，精度优于传统的最大似然法分类精度；刘磊等［7］利用决策树方法基于多光谱数据提取了大麦、小麦、油菜和人工林草地的种植信息，总体分类精度达到86.90%；Zhang等［8］、平跃鹏［9］利用MODIS数据进行分类，整体准确度均大于90%；B.E.Bhojaraja等［10］基于Hyperion图像，利用光谱角分类（Spectral Angle Mapper，SAM）算法提取了印度南部卡纳塔克邦槟榔种植面积，达到了73.68%的准确度；Peijun Du等［11］提出了一种高级二叉树支持向量机方法基于AVIRIS数据对印度松进行分类，精度高于90%；Ştefan Conţiu等［12］利用农业专家知识和机器学习算法基于Landsat数据实现了玉米、大豆、棉花、水稻的分类；郭交等［13］将Sentinel-1雷达影像与Sentinel-2光学影像融合对农作物进行分类；郑利娟［14］基于高分一号和六号卫星的影像特征，通过挖掘适用于农作物分类的特征，研究其对农作物分类的精度影响；欧阳玲、毛德华等［15］以Landsat8和多时相GF-1为遥感数据源，基于物候信息和光谱特征确定的农作物识别关键时期和特征参数，构建面向对象的决策树分类模型。……