农作物种植结构信息是作物在某一区域或生产单元内的空间分布和结果组成,是农业生产活动对农业用地的外在表现形式,也是对自然资源合理有效利用和对田间精细管理的最终结果。宁夏自治区具有土地、光能、引黄灌溉等优势,为宁夏特色农作物(硒砂瓜、枸杞、大枣、葡萄)的生长提供了先天条件。快速准确的获取特色农作物的结构组成和面积分布信息不仅是宁夏特色农作物监测、估产和灾害评估的重要依据,同时也是分析特色农作物结构分布变化和评价区域特色农业生产影响的重要凭证。因此,开展宁夏特色农作物种植结构信息提取方法研究具有十分重要的意义。近年来随着航天技术和卫星传感器的不断发展,越来越多的学者将遥感技术运用到农作物种植结构信息的提取研究中。在精细化科学农业领域,高空间分辨率的遥感数据为其开启了高分农业时代。但是,利用高分影像实现农作物种植结构信息的提取依然存在一定的不足和困难。首先,主流的中低分辨率遥感数据不能够满足精细农业的需求,而且对于高空间分辨率数据的关注和应用普遍不足;其次传统的遥感信息提取模型都是基于中低分辨遥感数据建立的,对于新的高空间分辨率数据没有完备的信息提取模型;第三,国内外学者基于高分遥感数据对类似宁夏特色农作物(硒砂瓜、枸杞、大枣、葡萄)的信息提取研究相对较少,决策条件和分类模型的选择也难以满足高分农业快速监测、精确获取、科学决策的时代需求。基于此,本文在GF-2遥感数据和野外实测光谱数据的支持下,充分挖掘了GF-2遥感数据光谱特征和纹理特征的可分性,建立了基于像素层面的光谱角制图(SAM)模型、最大似然模型,和基于对象层面的面向对象结合支持向量机(SVM)模型,进一步比较分析了不同模型对四类特色农作物的敏感性和识别精度。主要研究成果如下:(1)利用PSR-1100野外光谱仪采集宁夏中宁县特色农作物(硒砂瓜、枸杞、大枣、葡萄)的野外光谱数据,对野外获取的光谱数据进行预处理,建立了宁夏特色农作物标准光谱数据库。通过计算四类特色农作物的“红边参数”和“包络线去除值”,进一步定量的描述各特色农作物之间的光谱特征差异。(2)本文以GF-2卫星PMS相机的遥感影像为数据源,对初始数据进行一系列预处理。在此基础上计算各波段标准差和相关系数,并通过OIF最佳指数法选择NIR-Red-Greed(432)的最优波段组合形式。在此基础上,计算四类特色农作物的植被指数特征和纹理特征,进一步分析四类特色农作物在GF-2遥感影像上的特征差异,为后文建立信息提取模型提供理论依据。(3)基于像素层面,通过GF-2遥感影像和野外实测光谱数据建立了光谱角制图(SAM)分类模型;同时,采用最大似然算法分别建立了光谱单数据源和光谱结合纹理的分类模型,结果显示纹理特征的引入有效降低了“同物异谱”和“异物同谱”现象,使模型分类精度提高了11.65%,分类结果更加精确。(4)基于对象层面,建立了面向对象的支持向量机(SVM)分类模型,研究发现(45,90)的分割合并尺度效果最优。利用SVM分类器进行分类时,通过K次交叉验证算法、遗传算法、粒子群算法等三种参数优化算法,最终确定SVM分类器的最佳C为67.606,最佳γ为1.036。经地面样方数据验证,本文所建立的面向对象结合SVM分类模型精度达到88.82%,Kappa系数为0.845。(5)通过制图精度和用户精度等不同精度评价指标,对比分析了本文所建立的不同分类模型对高分数据在特色农作物种植结构信息提取中的适用性及优缺点。研究发现,在本文所建立的模型中面向对象结合SVM模型的精度最高,效果最好;SAM算法模型分类效果最差,分类精度最低;同时最大似然法对大枣的识别能力和提取精度较高。