中国是茶树的原产地,同时也是茶叶生产、出口和消费大国。全球约有60个国家生产茶叶,中国茶叶种植面积全球茶叶种植总面积的60%以上。中国的茶园分布广泛,主要集中于南方地区,例如浙江、福建、云南、安徽和湖南等地。茶叶产业对中国的经济和乡村发展有着重要的影响,在浙江等种茶大省,茶叶种植成为了一些乡镇乡村振兴,农民脱贫致富和政府精准扶贫的支柱产业。因此,对于茶园的遥感分类也有重要的意义。茶园种植面积传统的获取方法主要是自农村基层技术人员的实地调查数据,这种方法完成一次大范围的茶园种植面积普查需要耗费巨大的人力、物力和财力,而且由于人工调查数据中存在主观性误差,无法做到获得持续性地获得茶园种植面积和空间分布数据。与此同时,随着遥感技术的不断发展,越来他越多的学者使用这一技术来进行农作物种植信息的遥感监测。由于茶树独特的种植方式,使得茶园在遥感影像上呈现独特的纹理特征。因此本文选择Gabor纹理特征作为分类特征。因为茶园有其独特的物候特征,本文选择NDVI作为植被指数特征同时结合光谱特征构建茶园遥感分类的分类特征数据集。本文使用了四种不同的遥感数据提取茶园种植面积,具体的研究内容有:(1)探究地形校正和不同分类器对茶园面积提取的影响。本文选择SCS+C方法对遥感影像进行地形较正,选用支持向量机和随机森林分类器。结果表明在遥感影像预处理步骤中加入地形校正,选用随机森林分类器可以提高茶园遥感分类精度。(2)探究不同数据以及红边波段对茶园面积提取精度的影响。选用三种分辨率不同的遥感数据(Landsat8 OLI、GF-1 WFV和Sentinel-2 MSI)分别提取茶园面积。用带有红边波段的植被指数代替分类特征数据集中的NDVI,对比分类精度发现,Sentinel-2 MSI数据和红边波段可以有效提高茶园遥感分类的精度。(3)基于多源遥感数据融合的茶园面积提取研究是用普通最小二乘法将HJ-1 CCD数据、GF-1 WFV数据和Sentinel-2 MSI数据的分类特征都相对校正到Landsat8 OLI数据集构建多时相的Landsat8 OLI数据分类特征数据集,使用随机森林分类器分类,总体分类精度为93.14%,Kappa系数为0.91。