【摘要】【目的】为了更好地进行耕地监测和保护，从而实现对耕地进行高效、准确的识别，针对目前利用光学数据进行耕地提取以及单机遥感图像处理的不足，本研究基于Google Earth Engine（GEE）平台，引入雷达数据结合光学数据用于耕地提取。【方法】首先，利用GEE平台获取研究区的sentinel-1和sentinel-2影像进行预处理，提取sentienel-1的VV、VH通道信息和sentinel-2的NDVI、NDWI、NDBI，同时使用灰度共生矩阵（GLCM）提取研究区的纹理信息，然后使用最小距离、支持向量机及随机森林3种机器学习算法对研究区进行耕地识别提取，最后通过开运算的形态学处理对耕地提取的结果进行图像后处理。【结果】以广东省广州市为例，结果表明，与仅用光学数据相比，雷达数据的引入提高了耕地提取的精度，基于最小距离、支持向量机及随机森林3种算法的耕地提取总体精度分别提高了0.05、0.09和0.10，其中随机森林算法提取效果最佳，总体精度达到了0.85。形态学处理去除了耕地提取中提取错误的细小图斑，进一步提高了耕地提取的精度，总体精度达到了0.91，Kappa为0.83。【结论】本研究基于GEE平台，引入了雷达数据并对耕地提取结果进行形态学处理，显著提高了提取精度，为大范围耕地提取提供了有效手段。