及时准确地获取农作物的空间分布信息和种植面积,在农业生产管理与农业政策等方面具有非常重要的作用。本文以多时相Sentinel-1合成孔径雷达(Synthetic aperture radar,SAR)影像为主要数据源,以Sentinel-2光学数据为辅助数据,选取渭干河—库车河绿洲进行不同作物的识别以及种植面积提取研究。根据研究区作物的物候特征,提取不同作物在不同生长期的后向散射系数,通过对作物不同极化、不同时相后向散射系数进行统计,建立散射特征时序变化曲线,并对其变化特征进行分析。利用J-M距离确定适用于本研究的最佳时相。基于SAR影像以及光学影像获取了最佳时相的后向散射特征、极化组合特征、纹理特征、植被指数以及红边指数等特征向量,对其进行特征向量的组合。基于重要性分析以及可分离性确定了最佳特征向量组合。利用人工神经网络、支持向量机和随机森林分类方法进行棉花、玉米、果树的识别和种植面积提取研究,并且得出如下结论:(1)棉花的后向散射系数在6月现蕾期和7月开花期有明显的上升,8月份达到最高值,变化特征最明显。玉米和果树的后向散射系数在9月份与其他地物之间表现出了显著差异。通过多时相SAR影像能够有效得到农作物在关键生长期的作物长势情况,能够作为光学空缺数据的有力补充。同时,文中提出的旱地作物最佳识别时相的选择方法可以推广到我国西北地区,为基于SAR数据的旱地作物识别研究提供应用参考。(2)研究中利用6、8、9月份的Sentinel-1 SAR数据和Sentinel-2光学数据提取了后向散射特征(V)、极化组合特征(P)、纹理特征(T)、植被指数(R)以及红边指数(E),并且进行特征向量的组合,丰富了其特征信息,使光学与SAR数据达到了互补的效果。通过特征重要性分析以及J-M距离可分离性评价,筛选出V+T+E+R+P特征向量组合方式为最佳方式。在减少数据冗余的同时,提高了分类精度。(3)通过对本研究中利用的3种分类结果进行对比分析可以得出,随机森林的分类精度最高,总精度达到88.97%,相对于支持向量机和人工神经网络分类分别提高了约4.6个百分点和11个百分点。其中,玉米、果园和棉花的精度分别达到了55.79%、72.59%和92.17%。表明数随机森林分类方法更适用于基于时间序列SAR数据的干旱区农作物的分类和种植面积提取。研究中农作物种植模式相对简单的情况下,识别效果比较理想。在玉米和果园等种植模式较复杂的区域识别效果明显不足。分类方法的选择也需要根据研究区内作物种植结构、复杂程度、应用需求结合不同数据进行综合考虑和调整。文中选用的C波段双极化SAR数据,虽然具有一定的穿透性,但对生物量的敏感性不及P、L波段,这也是玉米、果园的分类效果存在不足的原因之一。尝试结合多波段、全极化的SAR数据,针对复杂种植模式下的旱地作物寻求更加准确的识别方法是往后研究的发展方向。