单一卫星影像在农作物监测中存在一定局限性，本研究拟利用GF-1和Landsat 9卫星影像的融合技术，提高农作物分类的准确度。采用PC Spectral Sharpening (PC)、Gram-Schmidt Pan Sharpening (GS)和NNDiffuse Pan Sharpening (NN)三种融合模型，对GF-1 WFV 与Landsat 9卫星影像的红、绿、蓝和近红外4个波段进行融合，采用均值、标准差和信息熵对融合结果进行评价，得到最佳融合波段，借助随机森林分类算法对GF-1 WFV影像、Landsat 9影像和最佳融合影像进行农作物分类。结果表明，融合GF-1和Landsat 9影像的分类模型相较于单一影像的模型，在农作物分类的准确性和稳定性上均有显著提升，分类总体精度达到92.9%，Kappa系数达到0.92，F1 Score为87.4%。融合后的影像作物分类总体精度、Kappa系数、F1 Score分别比GF-1 WFV影像的分类提高了1.7%，0.2，0.6%；比Landsat 9影像的分类提高了3.2%，0.4，4.4%。采用GF-1 WFV近红外波段，运用NN算法对Landsat 9数据进行融合，融合影像在农作物分类方面表现良好，该方法可广泛应用于大范围内的农作物信息精细提取。

1 研究区及数据集
2 研究方法
2.1?影像融合方法
2.2 农作物分类算法
2.3 融合评价方法
3 结果与分析
3.1 融合结果分析
3.2 分类结果分析
4 结 语