林 娜，陈 宏，李志鹏，赵 健*

（1.福建省农业科学院数字农业研究所，福建 福州 350003）

我国作为水稻生产与消费大国之一，水稻信息提取与产量预测一直是学界与国家关注的重点[1]。我国南方是水稻种植与制种的主要区域，区域内地形复杂，多为丘陵和中低山地带，且作物种植结构多样，地块破碎程度严重。虽然多时相、多源遥感数据能提升作物的提取精度，但由于南方天气多云多雨，可利用的卫星数据很少，因此研究如何充分利用影像的多种特征构建合适的分类模型，从而获得较高的地物信息提取精度具有重要意义。

国内外学者在利用遥感技术提取水稻田信息方面开展了大量研究，取得了较好的成果[2-5]。由于常规的监督与非监督分类方法在作物识别方面有一定的局限性，因此众多学者纷纷从决策树分类、支持向量机、人工神经网络、面向对象[6-8]等其他领域引进分类技术，其中面向对象的分类方法在保持地物完整性上具有较大优势，且在分类过程中能充分利用影像对象的光谱、位置、形状、纹理等信息进行地物识别[9]。随机森林分类方法是基于机器学习的算法，具有分析复杂地物分类特征的优势和高度灵活性，借助自助抽样技术和节点随机分裂技术来构建多棵决策树，以投票的方式确定归属分类结果[10-11]。近年来，有些学者在随机森林分类方法中加入了面向对象技术，并在影像分类提取应用中开展研究，如孙杰[12]等基于城区机载LiDAR数据，提出了一种随机森林结合面向对象的特征选择与分类方法，对目标对象的几何、光谱、纹理等特征进行相关性评估与筛选，最后确定合适的特征进行城区地物分类；……