非洲的粮食安全问题十分严峻,农业生产率低,年增长量仅为2.7%。粮食安全问题的相关决策需要作物类型分布和耕地范围等空间信息。津巴布韦和非洲缺乏有关作物类型分布和耕地范围的精准空间信息。由于不可避免的云量影响,利用光谱卫星影像绘制亚热带、潮湿和热带地区地图是一项艰巨的任务;而雷达图像极化波段少,也限制了传统数字分类的能力。虽然耕地面积信息十分重要,但限于多种原因限制,农田制图仍然面临着挑战。本研究的总体目标是利用遥感数据集的光谱、纹理和时间特征,开发可伸缩、可靠和可重复的作物分类方法,以加强津巴布韦和非洲的作物分类和农田制图,从而实现粮食安全。为实现这一总体目标,(一)利用Sentinel‐1合成孔径雷达数据确定种植模式;(二)利用多源光学图像(Landsat 8、Sentinel‐2和Landsat 7)开发了一种决策级数据融合方法,对作物进行总体分类;(三)整合Sentinel‐1 SAR达和Landsat 8作物质地特征,以进行作物鉴别和分类;(四)确定了2000年至2018年津巴布韦耕地的范围和变化情况;(五)确定了2000年至2018年非洲的范围和变化情况。为了绘制小规模农田的种植模式图,考虑了两个研究地点:国际玉米和小麦改良中心(CIMMYT)研究站和几个邻近的农田,以及Middle Sabi Estate。采用傅里叶时间序列分析,平滑和识别在两个研究区的不同变化。利用k‐均值算法和随机森林算法对堆叠时间序列图像进行分类。结果表明,Sentinel‐1 SAR时间序列数据可以在不考虑地块大小的情况下,绘制作物分布图、种植模式和确定作物和地块的细微变化。通过对堆叠图像的分类,合成了作物模式图。多时相图像的随机森林分类在各研究点的总体准确率分别为99%和95%。采用平行拼接不同分类器的方法将多光源光学传感器集成。分别设计了像素级融合和决策级融合,并比较了它们在作物类型识别和映射方面的性能。多分类器系统中的基本分类器是支持向量机、光谱相对熵和最大似然分类器。采用多元投票方法实现决策级融合。将Landsat 7或Sentinel‐2无云像素通过拼接的方法附加到Landsat 8像素上,实现像素级融合。比较和评价了两种融合图像的分类精度。决策级融合的总体分类准确率为85.4%,kappa系数为0.84,像素级融合的分类准确率为82.5%,kappa系数为0.80,同时Z检验α=0.05则表明,两种方法的分类结果没有显著差异。对这两种方法所对应的每个类都进行了F1检验计算,在大多数单类中,决策级融合都优于像素级融合。两种方法提取的种植面积统计量之间的回归系数为0.99。其中,支持向量机优于其他基本分类器。为了实现SAR和光学数据的融合,从Landsat 8 OLI和双极化sentinel 1 SAR斑点滤波和非滤波后向散射中提取纹理特征,利用决策级融合得到聚合分类结果,并对决策级融合图的性能进行评价。采用灰度共生矩阵,利用5×5,7×7,9×9和11×11窗口尺寸,得到了Landsat 8波段和VV+VH后向散射的7个纹理特征集。为了避免过拟合,每个特征分别与各自的源图像叠加,并使用支持向量机算法进行独立分类。使用多元化投票算法将斑点滤波和非滤波的三种最佳纹理分类地图与来自Landsat 8的三种最佳表现纹理的分类地图进行聚合,并使用Z检验方法对其进行比较。结果表明,Landsat 8+Sentinel‐1非散斑滤波图像的决策级融合图像的总体分类准确率为96.02%,而Landsat+散斑滤波图像的总体分类准确率为94.69%。Landsat 8的最佳纹理信息来自蓝色带和红色带,而Sentinel‐1合成孔径雷达的非散斑滤波纹理表现得比散斑滤波纹理更好。结果表明,将Landsat 8和Sentinel‐1相结合,无论是斑点滤波还是非散斑滤波,都可以提高农作物的整体分类水平,但斑点对纹理特征推导没有统计学意义(p=0.1208)。针对津巴布韦地图耕地面积,采用了三种方法:(1)自动分类(2)多分类器系统(MCS)(3)NDVI‐BSI阈值分割。利用最优方法确定了耕地的时空变化。该变化检测是通过执行分类后统计方法实现的。通过与谷歌地球图像、GFSAD30AFCE耕地层、ESA和SADC土地覆盖产品的耕地等级进行比较,评估了分类观测的质量。评估结果表明,MCS和NDVI‐BSI的分类性能相当,优于自动分类,2013年的整体准确度分别为80.54%和79.32%,2018年的整体准确度分别为87.90%和88.56%。自动分类、MCS和NDVI‐BSI阈值分别提取的平均耕地面积分别为3416396 ha、10346778 ha和9788833 ha。目视评价的观察表明,NDVI‐BSI阈值的方法优于其他两种方法。利用MCS和NDVI‐BSI阈值分割技术对津巴布韦2013年和2018年10个省的总耕地面积进行了观测对比,分别得到了0.8404和0.9619的确定系数。变化检测显示,尽管长期干旱,但由于人类活动的影响,农田面积仍普遍急剧增加。提出了一种基于地层特征的耕地制图方法,该方法使用光谱指数(LCoSI)逻辑组合,并且适用非洲的旱作农田和灌溉农田。分层是以非洲农业生态区为基础的。以1000个样本为基础,用条件方程计算了BSI、DBI、GNDVI、GVI、MNDWI、NBLI、NBRI、NDMI和NDVI在农业生态区的最佳阈值。将不同原始生态区的耕地面积综合为一个图层。2018年的农田层是根据Landsat 8数据合成的,而2000年的农田层是根据Landsat 7数据合成的。通过综合精度、kappa系数、用户精度、生产者精度、数量不一致性和分配不一致性,对2018年耕地层进行精度评价。引用ESRI世界地图样本对应的精确度分别为97.5%、93%、88.94%、100%、2.5%和0.0%。并与GFSAD30AFCE耕地层、IWMI耕地产品和ESA CCI耕地原型层进行了比较,得到了较高的精度。对2000年至2018年的耕地面积变化进行了分析,观测到耕地面积普遍扩大。这种扩大是由于轮耕(刀耕火种)种植模式、人口增长和政府促进作物种植等政策。就津巴布韦而言,从2000年至2018年,LCoSI方法所提取的面积观测到耕地面积增加了7.63%。利用NDVI‐BSI方法提取的耕地面积,计算出2001年至2018年耕地面积增加7.36%。LCoSI方法在不考虑地形、农业生态区或田地大小的情况下,绘制大比例尺农田图方面具有巨大的潜力。进一步的研究应该集中在自动化的方法。总的来说,这项研究的结果表明,最近发射的Sentinel‐1提供了足够的空间分辨率,在不考虑农场大小的情况下实现种植模式制图。多传感器数据的融合可以克服无法避免的云覆盖问题,决策级融合则不需要各种传感器光谱配置的相关先验知识。分类器集成分类能够增强作物分类。在提取SAR的纹理特征进行作物分类时,不需要进行斑点滤波。光谱指数的合理组合为农田制图提供了更大的潜力。然而,尽管长期干旱,耕地面积仍在作物生产和人类活动政策的影响下扩大。本研究的局限性包括实地参考观察不足,所使用的谷歌地球引擎在非洲等大型地区的分类中训练样本数量有限。在今后研究中建议考虑区分休耕土地和废弃土地。