随着社会经济的不断发展,灌区种植结构空间分布的准确提取研究对农业水的精细化管理及农作物估产的重要性日益凸显,其精度的高低对农业水管理产生直接影响。遥感技术在农作物信息快速获取领域具有明显的优势。本文基于高等和中等分辨率多源遥感卫星数据(Sentinel-1、Sentinel-2、Landsat 8),以高精度的实地调研数据为依据,利用遥感数据融合的方法,结合面向对象农作物分类,解决农作物分类精度不高的难题。根据研究目标,设计实验:1)基于多源遥感数据的种植结构提取。结合光谱数据、雷达数据、纹理信息、分类参数,运用面向对象方法进行研究区农作物提取。2)单一源数据和多源数据种植结构提取精度对比。使用单一的Sentinel-2多光谱数据进行面向对象的单一尺度分割和多尺度分割,对比多源遥感数多尺度分类在种植结构提取方面的精度。本文的主要结论如下:1)通过灰度共生矩阵GLCM进行纹理提取后得到的8个纹理因子,并不是每一个纹理因子加入都对提高地物分类的精度有帮助。不同窗口尺度下的纹理因子,对不同地物的敏感程度不同,通过J-M距离计算可分离度,区分房屋的最佳纹理尺度为13*13,区分水稻的最佳纹理尺度为15*15,区分林地的最佳纹理尺度为17*17。通过eCoginition Developer 8.9的最近邻分类器,探究最佳的纹理组合为HOM和VAR,选用最佳窗口尺度下的纹理组合才能有效的提高遥感影像地物分类的精度。2)在研究区内,基于多尺度分割算法,首先设定尺度因子、形状因子、紧密度分别为175、0.7、0.6,可以将水稻田的轮廓很好的表现出来,水稻田块分类结束后,设定尺度因子、形状因子、紧密度分别为246、0.6、0.5,可以将玉米和林地的轮廓清晰的描述出来,进行分类提取。3)雷达数据的加入消除了云雾水汽的干扰,对地物提取的精度有明显的提升,使得水域提取精度提高了 17.27%。4)结合多源遥感信息特征组合的分类结果总体分类精度86.64%,Kappa系数为0.8268,较多光谱分类结果总体精度提高约7.55%,较结合单分割尺度多光谱数据的分类结果总体精度提高为9.13%。在房屋道路、林地、水稻和水域中结合多源遥感特征组合的分类结果生产精度较Sentinel-2多光谱数据分别提高了 5.72%、1.38%、13.28%和14.97%,说明在多源遥感影像水稻田、玉米田、森林的分类中具有很好的适用性。图[34]表[15]参[81]