快速获取与分析农作物的种植分布是农作物长势监测的基础。遥感技术以其快速、无损和客观等特点,广泛应用于农作物种植面积提取。本文针对目前大面积农作物遥感提取工作中存在的30m影像时间分辨率不足、地面样本不足和农作物识别时效性较低的实际问题,以我国新疆和美国堪萨斯州为实验区,从提高遥感数据的时间分辨率、使用时间序列长度较短的数据提前获取农作物种植分布结果和减小农作物遥感提取对训练样本数量的需求三个方面展开分析,为大区域农作物遥感提取提供了新的方案。基于现有研究区和数据,得出如下结论:1.评估Landsat TM数据与HJ数据多光谱波段的相似性,发现TM数据和HJ数据拥有类似的多光谱波段。在此基础上,结合两种数据源获得空间分辨率为30m,时间分辨率为15天的影像时间序列,并使用合成的数据进行农作物提取。结果表明,一部分优选的时相可以实现高精度农作物分类,而更高的时间分辨率增加了在最优时相获得影像的可能性,是进行大面积30m农作物分布制图的数据基础。2.以我国新疆和美国堪萨斯州为实验区,分析时间序列长度对农作物识别精度的影响,探讨使用时间序列长度较短的遥感数据进行农作物早期提取的可行性。新疆喀什实验区的结果表明4~6月影像具备识别作物的潜力,研究区主要农作物相互之间JM距离高于1.6,分类总体精度为85.16%。新疆博乐的实验结果表明,识别棉花、葡萄、玉米和打瓜需要的时间序列长度分别为160天、100天、160天和130天,作物生长期和NDVI峰值期(第60~80天和第100天)是识别夏季作物的最佳时相。美国堪萨斯州的实验结果表明,主要农作物的可分性、分类精度和分类置信度在时间序列长度为5个月(4~8月)时达到饱和,且NDVI对分类的贡献最大。3.提出M-Voting和P-Fusion两种融合多种分类器结果的方法,并比较融合分类器方法和单分类器法对训练样本数量的需求。实验结果表明M-Voting法和P-Fusion法在分类的训练样本较少时(少于500),分类精度高于单分类器。当训练样本数量较大时(大于4000),单分类器的分类精度较高,融合分类器不能进一步提高分类精度。另外,基于象元和基于对象的分类方法获得的分类精度类似,但基于对象方法获得的分类结果“椒盐噪声”较少,更接近地表农作物的真实分布。4.提出不能获得地面调查样本时,使用历史数据建立各种作物的参考NDVI时间序列曲线,并使用参考曲线进行30m农作物提取的方法。该方法在博乐实验区和玛纳斯实验区获得的总体分类精度分别为87.13%和83.38%。由于该方法使用MODIS数据获得参考时间序列曲线,因而在分类时需要将参考曲线的MODIS NDVI转换为Landsat NDVI或HJ NDVI,从而引入误差。为避免NDVI转换引起的误差,进一步改进了基于参考曲线进行作物识别的方法。使用2006~2013年堪萨斯州的历史样本直接获得分类年(2014年)的训练样本,并使用这些训练样本进行了2014年30m农作物提取。在获得的5412个训练样本中,5259个样本的作物类别与美国农业部提供的Crop Data Layer(CDL)数据相同。使用这些训练样本提取作物时,农作物提取精度高于90%。