遥感技术是农业空间信息技术的核心组成部分,其具备的宏观性、时效性和客观性,使之成为对农业资源监控管理中必不可少的重要手段之一。茭白属于水生经济作物,也是南方重要的水生蔬菜,对其种植面积的精确监测,对蔬菜的规模化种植布局、信息化管理及物流配送安排都有重要的意义。传统种植面积信息的获取主要采用逐层统计的方式,费时耗力耗资金,而且受人为因素的干扰致使结果不甚精确,已无法适应的实际需要。因此,为适应茭白生产及管理的需要,亟待研究一种利用遥感快速获取茭白种植面积的方法。针对目前关于农作物遥感识别研究大多都是基于大田作物的基础上,对于经济作物较少涉及。且仅涉及像元结果层面,对于以地块为基础的精细化作物识别研究还有待深入探索。本研究选取台州市黄岩区为主要研究区域,获取茭白生育期内的哨兵2影像、高分2影像,结合实地采样的茭白种植样本,分析其茭白的种植特征及单时相、多时相影像的光谱特征、植被特征和颜色特征。在像元尺度上,通过最大似然法、最小距离法、神经网络法、支持向量机法和决策树法五种监督分析方式,比较筛选出基于像元的茭白最优识别方法。在面向对象层面,采用基于eCogniton软件的多尺度分割和基于U-Net深度学习的分析方法,研究一种面向地块的茭白种植面积遥感识别方法。最后,结合像元尺度和面向地块两个维度,通过像元与地块矢量的关系分析,研究协同优化像元与地块的匹配分析方法,最终形成一种面向南方山区的茭白遥感识别方法。本文主要研究成果如下:1.决策树分类法为最佳茭白识别的监督分类法。对于不同的地物和遥感数据源,每种遥感分类方法均具有其各自的适用性及局限性。针对此问题,本研究利用覆盖茭白整个生育期的遥感影像,以实地调查取样点和目视解译基础相混合作为为训练样本和验证样品,在分析了种植特征,遥感影像颜色特征、光谱特征的基础上,分别选择了最大似然法、最小距离法、神经网络法、支持向量机法和决策树法进行研究区内茭白面积提取,得到了五种基于监督分类方法下的黄岩区双季茭白像元结果,对五种方法Kappa系数和总体分类精度进行比较,其总体分类精度分别为74.25%、75.76%、73.29%、81.34%、83.35%,kappa 系数分别为0.7920、0.7872、0.8062、0.8035、0.8325,。结果表明构建决策树模型法对研究区茭白提取的效果较好,其像元结果总体表现最佳。2.基于U-Net深度学习的茭白种植地块识别方法优于基于eCogniton软件的多尺度分割的茭白种植地块识别方法。针对像元结果分类精度差,且实际土地边界多是农作物与田埂、路面以及林木之间的边界,像元结果并不能真实反映作物种植现状。针对此问题,开展面向对象茭白信息提取研究,在面向对象分类时,先确定训练样本的标准及原则,再选取标准化的训练样本,作为面向对象分类的基础和依据。然后利用eCogniton软件进行茭白信息提取,经多次实验,确定对影像切割选择多尺度分割算法,分类方法上选择最近邻域分类法,在进行影像分割时选择分割尺度参数为100、形状参数0.3、精致度参数0.7,最终得出总体分类精度为65.25%,Kappa系数为0.6920。基于U-Net深度学习的茭白信息提取,利用Tensorflow搭建训练模型,训练次数为4000,激活函数为Sigmoid,利用GPU加速训练,得到茭白种植面积分布结果,得出该方法总体分类精度为82.25%,Kappa系数为0.8372。通过对两种方法的精度进行对比,因此,基于U-Net深度学习技术提取的茭白信息分布精度最佳,确定为最佳面向地块的茭白信息识别方案。3.构建一种协同像元和地块分析的茭白遥感识别方法。针对像元结果和地块矢量结果维度不同,无法在同一个维度上进行分析的问题,开展像元与茭白地块矢量的协同研究。在茭白像元结果和茭白地块矢量结果的基础上,采用像元占比的协同方法开展研究,确定像元占比大于80%的茭白地块矢量为茭白实际种植地块。针对像元占比较小和边界混合像元干扰问题,提出两种像元与地块矢量的协同处理优化方法,进行像元与地块矢量协同处理后,剔除边界法、四分法和剔除边界与四分法相结合的这三种方法的总体分类精度为93.05%、92.16%、94.15%,其Kappa系数为0.914、0.932、0.926,从分类精度上看结果均优于单一像元提取结果与单一面向对象的提取结果,但三种方法之间相差不大,剔除边界法和四分法相结合的总体分类精度略高于另外两种。因此,实验证明在占比分析中采用剔除边界和使用四分法进行再次处理,均能有效提升作物识别精度。