我国在农业经济中十分注重苹果产业的发展,是苹果种植大国。陕西省山区众多,有明显的地理优势,是我国重要的苹果生产地区之一。对陕西省苹果面积、产量进行及时而准确的提取和预测,不仅可以加强苹果在种植生产方面的管理,同时也为各地区农业部门拓宽苹果市场,完善果园基地建设提供强有力的决策依据,对促进我国苹果种植业的飞速发展具有十分重要的意义。本研究将陕西省延安市洛川县作为研究区,利用2013～2019年GF-1和Sentinel-2多光谱遥感影像,采用随机森林和支持向量机算法对研究区进行苹果果园精细提取。其次,结合气象因子、遥感植被指数因子、温室气体因子和干旱因子,利用随机森林回归和支持向量回归算法,建立适用于洛川县苹果的综合估产模型,对比不同特征因子与苹果果园产量的关系,并比较不同模型的估算精度。通过研究主要得出以下结论:（1）通过设置6组Sentinel-2多时相分类特征组（以2018年为例）,结合实地调查数据,利用随机森林和支持向量机算法进行洛川县果园分类,并利用随机森林算法对多时相分类特征进行重要性评价并根据分类精度和重要性得分寻找分类最优特征。结果表明,随机森林算法分类精度和运算效率均优于支持向量机。当分类特征为23个时,基于随机森林算法的分类精度达到最大值,总体精度为94.15%,Kappa系数为0.92。23个优选特征中红边波段及其相应的植被指数占比最多,共1 1个。优选特征中苹果物候期内的果实膨大期所占比重最大,其次为开花期,而幼果期和成熟期的占比较小。（2）地形特征对洛川县地物分类的影响很小。多时相红边特征可以有效提高果园的分类精度,但过多的红边特征和纹理特征会降低分类精度。和单一时相相比,多时相的分类精度明显提高。多时相Sentinel-2影像可以有效提取10m空间分辨率的洛川县苹果果园分布,潜力巨大。（3）与2013～2019年统计的果园面积相比,16m空间分辨率的GF-1的苹果果园分类精度明显低于10m空间分辨率的Sentinel-2。GF-1数据分类结果明显高估了实际面积,而Sentinel-2低估了实际面积,但两者相对误差均小于10%,总体精度均符合果园分类要求和后续果园估产模型的建立。（4）通过随机森林回归和支持向量回归方法,结合不同物候期内的气象因子（降雨量、气温、日照时数、气压、湿度和风速）、遥感植被指数因子（ND VI-Normalized differential vegetation index、EVI-Enhanced vegetation index和 NDWI-Normalized differential water index）、温室气体因子（CO2 和 CH4）和干旱因子（Temperature vegetation drought index,TVDI）来建立作物估产模型,并将不同回归方法所得到的估产结果进行比较。结果表明,基于随机森林回归和支持向量回归方法建立的估产模型精度基本相当,优选的气象-遥感综合估产模型的估算精度最高（平均相对误差<3%）,机器学习回归算法构建的估产模型可为洛川县苹果果园后续苹果管理以及苹果产业的发展提供强有力的决策依据。