准确快速地提取烟叶种植分布信息，对优化农作物种植结构与科学规划烟田布局具有重要意义。渑池县是河南省重要的烟叶种植基地，其丘陵地貌具有地块破碎和作物混种现象复杂的特点，仅依赖光学遥感特征难以满足丘陵地区烟叶提取的需求。因此，协同多源遥感影像，选择适合烟叶分类的遥感时相，挖掘烟叶遥感分类的显著特征，并尝试特征优化方法，对于提高丘陵地区烟叶遥感分类的精度和可靠性具有重要意义。本研究基于谷歌地球引擎（Google Earth Engine，GEE）平台，利用Sentinel-1/2影像提取研究区地物的光谱、极化、指数和纹理特征，其中指数特征包括基于红边光谱计算的红边指数。在实验中，采用面向对象方法设计了6种基于随机森林算法的分类方案，探讨不同特征类型组合对烟叶种植分布信息提取的影响。研究结果表明：在SNIC算法的面向对象方法中，当分割尺度设置为3像素时，分割影像的地类细节最为清晰完整；利用J-M距离可分性，将分类特征从28个压缩至15个，最大程度地保留了分类所需信息；在6种方案中，基于J-M距离选择算法筛选的特征方案融合了多种特征变量，其烟叶提取效果最佳，用户精度和生产者精度均高于90%，总体精度为94.88%，Kappa系数为0.94。

为及时准确高效监测烟叶叶面积指数（Leaf Area Index，LAI），获取了烟叶全生育期地面实测LAI等生理生化参数与对应多时相Sentinel-2多光谱数据，分别构建基于植被指数的LAI反演模型、基于机器学习与多光谱数据的LAI反演模型、基于PROSAIL模型的LAI反演模型与基于多模型耦合的LAI反演模型，以实测LAI数据对预测结果进行精度评价，从单生育期与全生育期的角度综合评价并优选出烟叶LAI最佳全生育期普适预测模型。结果表明，与传统LAI反演研究中样方尺度下的经验模型效果大多优于机理模型的情况不同，本研究同时耦合了敏感参数叶片等效水厚度与干物质含量之间相关关系，以及梯度提升回归树（Gradient Boosting Regression Tree，GBRT）的PROSAIL模型在烟叶全生育期及各生育期的LAI反演上总体取得了最好的效果，全生育期的烟叶LAI反演R²为0.805，RMSE为0.378，MAE为0.276；生长期的烟叶LAI反演R²为0.789，RMSE为0.324，MAE为0.250；收获期的烟叶LAI反演R²为0.576，RMSE为1.641，MAE为1.608。