农作物种植结构描述了一个国家、地区或生产单元内不同作物的空间分布状况及种植面积比例关系，是农业生产活动对土地利用的具体表现形式。利用卫星遥感影像及时、准确地提取农作物种植结构不仅是农作物长势监测、产量评估、农田灌溉指导及灾害评价等后续农业应用的基础，同时也是宏观把控粮食储备、评估人口承载能力以及调节农产品价格的重要依据，具有重大的实际应用价值与广泛的应用范围。然而，目前的农作物种植结构提取方法对新型遥感影像的关注程度不足，且基于机器学习的方法中冗余的特征变量将导致运算效率的下降，造成累积误差。此外，及时、定量的大区域农作物种植结构提取业务化运行方法有待发展。有鉴于此，本研究拟结合机器学习理论并在GoogleEarthEngine云平台的支撑下，发展稳健、快速的基于中空间分辨率Sentinel-2新型数据的农作物种植结构提取理论与方法。取得的主要成果如下：
　　1、梳理了农作物种植结构提取中使用的遥感数据及技术方法的研究进展。结果表明，具有高空间分辨率和高时间分辨率且免费的Sentinel-2数据在农业应用中有着极大的潜力。在技术方法方面，基于传统机器学习的方法能够自动构建决策规则，然而对标记样本十分依赖。即使如此，它仍是目前大区域农作物种植结构提取的主要方法。
　　2、评估了Sentinel-2新型遥感数据源不同光谱、时相特征在农作物种植结构提取中的相对重要性，并验证了其增设的红边波段对农作物精准识别的有效性。结果表明，生长旺盛期的影像是区分不同农作物的最佳选择，因为该时期的作物的茎和叶均已发育完全，易于区分。短波红外波段在农作物提取中极其重要，因为这些波段能够很好地表征植被的水含量和残余覆盖。此外，Sentinel-2的红边波段在作物精细识别中十分重要，并体现出较可见光更好的区分性，这与红边波段能够有效捕捉植被的生理信息有关。
　　3、在GEE云平台的支撑下，针对中国玉米和大豆的主产区黑龙江省提取了主要作物的空间分布格局，并分析了农作物空间格局变化的机理机制。实验结果表明，2017-2018年间，大豆种植面积减少的同时玉米的种植面积增加，而水稻的种植面积和位置未发生太大变化。由大豆转为玉米的种植变化主要发生在大庆北部及中部、佳木斯中部，该变化能够减弱玉米和大豆之间的利益差异，为农民带来更高的收益。