利用遥感技术实现重点地区的农业精细化监测必然要兼顾区域之间农作物空间分布的复杂度和差异性,而中等空间分辨率遥感图像较差的适宜性已难以满足区域精准农业应用的需求。随着遥感成像技术的不断发展,高空间、高时间分辨率卫星图像(如:Sentinel-2图像空间分辨率和时间分辨率的提高,为基于多时相遥感技术实现农业精准监测提供了优质的基础数据)的不断产生使得农业精细化监测成为可能。本研究通过挖掘Sentinel-2影像的光谱变化及红边波段的时序变化信息,实现山东位山灌区高精度的农作物空间分布制图。在充分分析灌区农作物及农业设施的光谱时间效应的基础上,对支撑向量机(SVM)、随机森林(RF)、面向对象的图像分析方法(Object-Based Image Analysis,OBLA)、双向长短时记忆神经网络(Bi-LSTM)和—维卷积神经网络(1D-CNN)5种农作物识别方法展开研究。通过5种方法对温室大棚和冬小麦识别结果的对比分析,提出了一种利用1D-CNN模型深层次挖掘时间序列Sentinel-2影像光谱变化而实现农作物识别的方法。本文主要得出以下结论:(1)充分分析农作物在多时相遥感图像呈现的光谱、时间和空间特征差异有利于农作物遥感识别工作的推进。灌区温室大棚的季相变化特征分析结果表明:棚内作物的生长会对温室大棚棚顶表面的反射率产生影响。1-6月,温室大棚的红边波段反射率逐渐增高。其中865 nm、740 nm处反射率的变化与时间相关性最大,平均相关系数分别为0.813和0.798。因此,利用不同时间遥感图像上的红边波段信息,有助于提高温室大棚的空间分布制图精度。通过对灌区内农作物从播种-生长-旺盛期-收获的光谱时空效应分析得知,Sentinel-2图像的红边波段(740 nm和782 nm通道)时间变化特征能够反映出农作物的生长趋势。合理的利用时序植被特征和红边波段,能够实现分类特征数据的优选。(2)对比分析了 RF、SVM、OBIA-RF、Bi-LSTM、1D-CNN 5 种分类算法的分类效果。研究结果表明:以10m空间分辨率的Sentinel-2图像为基础绘制温室大棚和冬小麦的空间分布,OBIA-RF方法优于传统机器学习算法SVM、RF。但OBIA-RF分类精度仍不够高,且该方法在实施过程中自动化程度低。深度学习1D-CNN方法能够充分捕获和学习光谱时空效应及农作物的物候特点知识,在农作物识别中获得最优的结果。同时,1D-CNN算法也具有较高的效率,能够切实地服务于大范围的农作物识别应用中。(3)利用1D-CNN算法分别提取灌区范围内温室大棚和露天种植主要农作物的空间分布信息,并结合分类评价指标生产者精度和用户精度对分类结果进行评价。评价结果表明:1D-CNN算法不仅能够准确地获取灌区农业大棚、小麦、玉米、棉花、蔬菜等主要地物的空间分布信息且具有较高的效率。本文提供了一种高效、精准的农作物识别方法,能够为灌区农业精细化管理、农业智能节水管理等提供可用的基础数据。图[37]表[13]参考文献[81]