【摘要】【目的】采用遥感影像对不同种类农作物耕地进行高效精准的分类,以期获取最优的农作物种植信息提取方案,为农业生产提质增效提供决策支持。【方法】以陕西省宝鸡市扶风县为研究区,利用Google Earth Engine(GEE)平台,基于2020年10月至2021年12月的Sentinel-2影像和目视解译与野外定位相结合选取的样本点,使用随机森林(random forest,RF)算法,结合归一化植被指数(normalized difference vegetation index,NDVI)、增强植被指数(enhanced vegetation index,EVI)、物候参数特征、遥感影像红边波段,且将根据NDVI计算出的物候参数的波段记为N,根据EVI计算出的物候参数的波段记为E,引入红边波段记为1,未引入红边波段记为2,在此基础上构建了8种不同的分类模型(NDVI-N1、EVI-E1、N1、E1、NDVI-N2、EVI-E2、N2、E2),并与4种样本分割比例(训练样本数与检验样本数的比例分别为5∶5,6∶4,7∶3和8∶2)组合,共计32种分类方案,利用这些方案对扶风县的不同种类农作物耕地进行分类,并计算了不同分类方案的总体精度和Kappa系数。【结果】(1)经S-G滤波法处理后,6种地物类型的NDVI和EVI时序曲线噪声减小且更为平滑,且NDVI和EVI曲线差异明显。(2)在32种分类方案中,只有样本分割比例为7∶3时的EVI-E1模型、EVI-E2模型和样本分割比例为6∶4时E2模型的总体精度高于90%,说明在扶风地区用EVI分类效果更好一些。(3)在样本分割比例为7:3的情况下,EVI-E1模型的总体精度和Kappa系数均最高,分别为91.66%和89.41%,为最优分类方案。但是在该方案中引入红边波段后,其总体精度下降了1.18%,Kappa系数下降了1.53%,可知运用该分类方案时应剔除红边波段。(4)运用最优分类方案对小麦地、玉米地、土豆地的提取结果与实际调查情况大致相同。【结论】基于GEE平台和Sentinel-2数据实现了对县域级农作物种植面积的精确分类,可为扶风县农业生产提供决策支持。