孙秀邦， 黄 勇， 李 德， 胡文运， 胡安霞， 田 青

（1.宣城市气象局，安徽 宣城 242000； 2.安徽省气象科学研究所，安徽 合肥 230031；3.宿州市气象局，安徽 宿州 234000）

0 引言

农作物主要类型识别是估算农作物面积、监测其长势及调查农业气象灾害发生情况的首要工作，也是农情遥感的基础[1-4]。随着卫星技术的发展，尤其是国内高分系列卫星和国外以哨兵系列卫星为代表的高分辨率遥感数据的高重访性和免费易得性，使得获取农作物种植面积和空间分布成为可能，并在实际工作中得到大量应用[5-8]。但是如何快速获取遥感分类结果并提高计算机自动分类精度，一直是遥感应用研究中最关心的问题之一。目前，农作物类型识别主要基于有无样本监督分类和非监督分类方法[9-13]。监督分类是利用训练样本结合智能分类器进行分类，但由于影像中地物种类的复杂性，即使选取的训练样本数量足够多，有时也无法准确提取感兴趣区地物类别，会出现一定程度的错分或漏分。非监督分类的分类速度快，但由于同物异谱、异物同谱现象存在，常使地物类别与实际地物类别的分类结果产生较大的误差[14-15]。

近年来，随着算法的成熟，以支持向量机、随机森林、神经网络等各种浅层和深层学习为代表的新算法逐步成为普遍关注的新方法。罗桓等[16]使用支持向量机与影像光谱特征进行影像分类提取县域冬小麦种植面积，效果明显好于传统监督分类方法。周珂等[17]用随机森林方法加入地形特征、纹理特征、NDVI 后再加入新特征NDVI 增幅，能够有效提高冬小麦的提取精度。……