针对全波形激光雷达和多光谱数据下土地覆盖误分类问题，提出了融合陆地卫星（Landsat）多光谱遥感影像数据和星载全波形激光雷达全球生态系统动态调查（GEDI）数据进行土地覆盖分类的方法。首先，根据实地调查数据建立数据集；然后，采用支持向量机（SVM）方法来实现激光雷达足迹的土地覆盖分类；最后，对土地覆盖的分类结果进行评价。结果表明，在SVM方法下联合使用光谱特征和波形特征的总体准确率可以达到90.68%，相比仅使用光谱特征或波形特征时总体准确率可以提升8个百分点以上。融合光谱特征和波形特征的方法可以提高土地覆盖分类的准确性。

为了提高基于近红外光谱的土地覆盖分类模型的准确率, 以欧盟统计局发布的土壤近红外光谱数据为研究对象, 研究基于短时傅里叶变换（STFT）预处理方法和不同卷积尺度融合的土地覆盖分类模型, 实现耕地、 林地和草地的快速区分。 为适应二维卷积要求, 将一维光谱的400～2 500 nm波段的4 200个波长进行短时傅里叶变换, 转换成二维图像同时提取光谱数据的频谱信息。 将样本按6∶2∶2的比例随机划分为训练集、 验证集和测试集。 建立单一尺寸卷积核卷积神经网络（CNN）以及多尺寸卷积核融合的卷积神经网络土地覆盖分类模型, 为了防止模型出现梯度消失现象, 网络采用ReLU激活函数以及批标准化（BN）、 Dropout等方法。 并采用早停法（early stopping）训练网络, 防止模型出现过拟合风险。 首先, 探讨了不同STFT窗口长度（64, 100和128）、 不同卷积核尺寸（3×3, 5×5和7×7）等对模型分类效果的影响规律。 实验结果显示: 当STFT窗口长度为100、 窗口重叠长度为50%时, 模型总体分类准确率均最高; 模型的分类准确率随卷积核尺寸的增大而降低, 较小尺寸卷积核模型准确率更高, 卷积核尺寸为3×3的CNN模型总体分类准确率达到了78.76%, 高于卷积核尺寸为5×5和7×7的CNN模型分类准确率; 不同尺寸卷积核的模型都对某一种土地覆盖类型的分类效果良好, 对于耕地, 3×3卷积尺寸的CNN模型分类效果最佳; 对于林地, 5×5卷积尺寸的CNN模型分类效果最佳; 对于草地, 7×7卷积尺寸的CNN模型分类效果最佳。 其次, 提出了基于多种尺寸卷积核融合的Fusion-CNN模型, 该模型综合了不同尺寸卷积核的分类优势, 模型对于3种土地覆盖类型的分类准确率均有了不同程度的提高, 模型总体分类准确率达到84.39%。 Fusion-CNN模型克服了单尺寸卷积核CNN模型对于合适的卷积核尺寸选择周期长、 调参步骤繁琐的缺点, 能简化和加快建模过程。 使用Fusion-CNN卷积融合网络可以更有效地对土壤近红外光谱的内部特征信息进行自动抽取, 从而得到较高且稳定的土地覆盖分类准确率。

在区域或全球尺度,250 m分辨率的MODIS EVI常被用于作物分类.而且,基于遥感数据可以快速准确的进行作物分类,并为辅助农业政策的制定,因而得到了广大研究者的关注.研究提出了直接使用多年MODIS 250 m EVI和临近年份地面调查数据进行作物分类的方法.首先,通过扩展2011,2012和2013年的野外调查数据获得全疆的典型地块,并从地块中提取MODIS纯像元作为分类样本.接着使用免疫系统网络分类器(ABNet)提取研究取的主要作物,包括棉花、玉米、冬小麦和葡萄等.在三年的数据中,任意两年的地面数据用于训练分类器,用使用训练好的分类器对另一年的数据进行分类.例如,使用2011和2012年的数据训练分类器,并对2013年的数据进行分类.结果表明,每年的分类精度达80%以上,且Kappa系数高于0.7.今后工作中,仍需使用更多的地面数据获得更的更精细的分类结果。

目前人们使用遥感数据获取土地利用分类信息的主要方法仍是依靠目视判读、 人工解译。该方法可以获得较高的分类结果精度，但是其工作效率很低，难以满足日益增长的应用需求。 以广东省为例，重点研究了基于遥感影像的土地利用分类信息自动化提取及变化监测方法，开 发了土地利用分类及变化信息提取软件，实现了自动化或半自动化土地分类。此项研究成果能够满足土地二 次调查的需求，为土地利用规划提供了必要指导。