文 献 综 述 快速准确地获取农作物的空间分布、种植面积和产量等信息对国家粮食政策和经济计划具有重要作用，其中遥感技术是农情监测的重要手段之一,具有高效、快速的特点。

冬小麦作为东亚与东南亚这一占世界一半以上人口地区的最主要经济作物之一，其生长状况和产量是该地区经济与食品安全的重要组成部分。

早期研究多利用单极化的SAR数据对农作物种植面积进行提取，不过大量研究表明使用单极化的SAR数据进行农作物种植面积提取很难达到较高的识别精度，因此目前多极化与全极化SAR数据 的运用研究也日益增加，如Sugandh Chauhan等利用全极化SAR数据评价不同的极化参数探索全极化SAR数据在作物分类中的作用[3]。

此外，Lu Xu等探讨了紧密型极化SAR(CPSAR)与全极化SAR(FPSAR)数据在RF分类下的结果，证明CPSAR与FPSAR在分类结果上有良好的一致性，今后可将CPSAR运用于RF分类[16]。

目前，国内外众多的研究集中在利用光学影像遥感与SAR（synthetic aperture radar）两者独立或结合对农作物分类识别，并进一步对作物进行估产[10]以及能源作物生物量估算[9]等信息加工处理。

在SAR与光学遥感数据结合分析领域，周涛等将种植结构复杂的都市农业区作为研究区域，利用支持向量机（support vector machine，SVM）提取冬小麦种植面积，结果表明当SAR影像与光学影像结合时总体精度对比单独使用SAR后向散射数据或者光学数据时显著提高[1]。

更进一步，Dimo.D等通过在分组单独运用极化SAR数据、光学数据以及SAR与光学结合数据的基础上，对农作物分类运用不同的机器学习算法，增加了新的变量，发现斑块滤波时间序列SAR数据精度较低，而融合数据集的整体准确性得分较高[18]。

在实际运用层面，加拿大已经进行了一项多时段多区域的项目，通过SAR与光学遥感数据结合对大面积的作物进行分类并库存，取得了良好的效果[6]。

在遥感的分类算法领域，被称为”硬分类”的监督分类和无监督分类多年来得到广泛应用，监督分类与无监督分类都依赖于经典的集合理论，但这些传统的分类方法在混合分类的情况下往往不能得到满意的分类结果，例如某些不完全被单一同类类别所占据的像素，这时例如模糊系统分类、人工神经网络和进化算法等”软算法”会发挥其作用[12]，近年来业界在分类算法上的成果颇丰，例如Zhongle Ren等提出一种基于补丁分类的深度神经网络以实现无监督分类特征识别学习的方法。

其中随机森林（Random forest,RF）作为近年来运用最广泛的分类算法之一，在实际遥感影像分类中表现突出。