水稻(Paddy Rice)作为我国主要的粮食作物之一,其产量一直居于首位,对于我国粮食安全具有举足轻重的影响。因此,实现大范围水稻种植面积的提取及产量信息的获取,对于水稻生产的科学指导、水资源的合理分配等方面具有重要的意义。由于水稻种植涉及的面积较广,其区域间的差异性也较大,也具有较强的季节性,仅通过地面调查、统计等传统方法来获取水稻的种植信息,存在低效率和高成本的问题。卫星遥感技术的出现,为该问题提供了行之有效的解决方法。与传统的统计方法相比,遥感技术具有低成本、大范围、高时空分辨率等优势,但是我国华南西南处于多云雾地区,单一光学卫星遥感数据易受云雾影响,因此综合多源卫星遥感数据是实现多云雾地区、大范围水稻种植信息提取的主要手段。本论文以华南、西南八省(市、自治州)等为研究区,利用MODIS、Landsat、Sentinel系列卫星数据,采用不同的研究方法实现了水稻种植面积提取。本论文完成的主要工作和研究成果如下:(1)实现了基于时间序列MODIS数据的华南、西南八省(市、自治州)的水稻种植空间分布与种植面积提取。本论文利用时空滤波方法对中低分辨率的MODIS(中分辨率成像光谱仪,Moderate Resolution Imaging Spectroradiometer)数据进行填充处理,然后基于水稻物候特征识别水稻关键生长期——移栽期,结合水稻种植区划与各地区的水稻农时历信息,剔除永久水体、常绿植被以及雪等其它地物类型的影响,实现了对研究区的水稻种植空间分布与种植面积的快速提取。与统计年鉴数据相比,基于时间序列MODIS数据水稻种植提取方法研究获取的研究区域的2015和2016两年水稻种植面积的误差大约-15.81%到25.75%,且空间分布与研究区域内的实际情况较为吻合。(2)实现了基于长时间序列的Landsat数据的贵州省黔东南苗族侗族自治州岑巩县2004-2018年的水稻种植空间分布图与水稻种植面积提取。本论文主要是将CCDC(连续土地覆盖变化检测与分类,Continue Change Detection and Classification)算法与时间序列模型相结合,将其应用到我国多云雨雾地区的光学卫星遥感数据Landsat中,成功地获取了该研究区多年的无云、无条带的影像数据集,然后结合水稻物候特征与地面实测数据建立了水稻识别阈值模型,实现了快速地小区域高精度的水稻种植空间分布与种植面积提取。以上研究结果表明,地面实测数据的验证精度高达87%左右,与统计年鉴数据相比,获取的多年的水稻种植面积误差约-5.2%到+8.87%。(3)实现了利用RF(随机森林,Random Forest)分类方法的多源数据(Landsat数据、Sentinel系列卫星数据)的水稻种植面积提取,以海南省为例。本论文利用谷歌公司提供的在线云计算平台调用数据库中的Landsat与Sentinel数据,然后利用目前较为主流的方法协调同一位置的不同卫星数据,采用按纵数(mode)的方式进行月合成的方法与随机森林分类器结合目视解译获取的样本点数据成功地获取了海南省水稻种植空间分布图与种植面积。其总体精度为88.01%,Kappa系数为75.01%,可以较好地满足实际应用需求。