马战林 刘昌华 薛华柱 李静茹 房 旭 周俊利

(1.河南理工大学测绘与国土信息工程学院， 焦作 454003； 2.河南省遥感测绘院， 郑州 450003)

0 引言

随着我国粮食生产的市场化，冬小麦的种植面积呈现年际变化大的特点，及时获取冬小麦精确的种植面积信息及空间分布，对促进我国农业生产发展和粮食安全具有重要意义[1]。

遥感观测技术在大范围作物种植面积和结构的监测上已被广泛应用[2]。但由于技术条件限制和工作原理的不同，单一的传感器难以全面反映复杂的地表覆被特征。光学遥感数据受光谱分辨率、空间分辨率、光谱波段的因素及限制，导致同物异谱、异物同谱的现象存在，影响了地物识别的精度。已有学者通过不同方法提高地物分类精度[3-9]。上述方法需要足够的光学数据支持[10]。但在实际应用中，受云雨、光照等因素的影响，光学遥感数据源的质量和数量无法保障，一定程度上限制了地面作物信息的准确提取[11]。

合成孔径雷达(Synthetic aperture radar,SAR)不受云雨天气影响，具有全天时、全天候监测等优点。然而，SAR数据的信号易受相干斑噪声的干扰，影响对目标地物的提取，单一时相的SAR数据很难对地物进行精确提取。有研究表明，使用多时相或多极化SAR数据比单时相或单极化SAR数据能获得更好的分类结果[12]。若能将光学和微波遥感数据结合，利用两者数据的优点进行地物分类，则分类精度会有较大提升。文献[13-16]利用最大似然分类(Maximum likelihood classification,MLC)、人工神经网络(Artificial neural network, ANN)、支持向量机(Support vector machine,SVM)和监督分类等方法，对比光学遥感、微波遥感、光学遥感与微波遥感数据结合3种方式的作物分类精度，得到光学和微波遥感数据相结合的分类精度最高。……