农作物种植结构是农业生产活动对土地利用的表现形式,也是对自然资源高效利用及田间科学管理的最终结果。随着空间技术的不断发展,多源遥感数据已广泛应用于农作物种植结构提取研究中,尤其是高分辨率对地观测系统的迅猛发展,为农业遥感开启了高分遥感时代。然而,高分数据在农作物种植结构提取研究中仍存在一些技术难点和挑战:一是凭借主流的数据源识别效果往往不理想,且对新数据源普遍关注不足;二是农作物在高分影像上呈现出更为复杂的时空异质性和尺度敏感性,阻碍信息挖掘的深度和广度;三是分类策略的选择难以满足高分时代实现高效生态持续农业生产种植形式的实时监测、实时评估、实时决策的重大需求和发展方向。针对以上不足,本研究在GF-1/WFV遥感数据支持下,结合面向对象的图像分析方法和自主高效的机器学习分类器,探索了单时相光谱纹理特性及多阶段逐月优化的分类策略在及时准确的提取农作物种植结构中的应用价值和潜力。主要研究结论如下:(1)利用文献综述方法梳理了近10年多源遥感数据在农作物种植结构提取的研究进展,为数据源选择提供依据。国内外农作物种植结构提取中以MODIS为代表的低分辨率和以Landsat TM/ETM+为代表的中等分辨率为主,而高分数据的推广应用已经成为热点和趋势。时空优化的信息源为农业遥感开启了高分遥感时代,为满足农业遥感多方面、多层次的应用需求提供可能。(2)采用面向对象图像分析方法挖掘农作物在高分辨率遥感影像呈现的时空特性:在“镰刀湾”玉米种植面积调整、扩大粮豆轮作的重点监测区域内,基于多尺度分割算法分析16m空间分辨率的GF-1/WFV影像时,尺度因子、形状因子、紧致度因子的设置分别为30、0.1、0.1有利于获取农作物地表覆盖的特点。以对象为特征提取单元,一定程度上弱化了多个像素表达同一农田地块而使得像素间具有的光谱响应关联效应。(3)运用单时相GF-1数据分析农作物生长过程中最佳时间窗口及特征重要性:根据OOB误差,采用穷尽法优化随机森林模型mtry和ntree参数,分别取5、1000能够满足模型精度、平衡计算复杂度与效率关系;基于MDG指标,定量表达不同时间窗口与特征重要性关系。光谱和纹理特征反映了农作物的季相节律特征,尤其是近红外多光谱波段在不同作物类型及时间窗户下贡献率最高。纹理特征的引入使农作物种植结构提取精度提高了2.84%。(4)使用多时相数据提出多阶段逐月优化的分类策略:基于MDA度量评估农作物生长过程中特征变量的重要性,然而近红外光谱在多阶段特征集中贡献率居高且稳定,而相关性纹理特征作为最重要补充,在农作物植被覆盖密度较低的生长初期对精度具有高贡献率。采用穷举法验证了逐月优化的时间累积方式分类误差低具有可行性,且其农作物空间分布结果的农作物类型不断的丰富,精度不断的提高,最高达91.33%。(5)应用不同的机器学习分类器训练,获取农作物空间分布,并与常规农业监测使用的数据源进行对比:SVM对小容量的特征集信息萃取能力优于RF,而对于高维特征空间来说,RF有更强的泛化能力和抗噪能力;二分类问题中SVM分类器的推广能力优于RF分类器,而在多分类问题上,随机森林的泛化能力显著优于支持向量机。此外,融入光谱纹理特征的GF-1卫星数据提取结果明显优于中分辨率数据。