Landsat卫星数据因其较高的数据质量和易获取性,一直是大、中尺度土地覆盖分类的主要数据源。然而,部分传统分类方法较多依赖于单一时相数据,结果精度较低,对农田、草地、落叶林地和常绿林地等不同类型植被覆盖区域的分类效果较差;虽然有许多研究也尝试将多时相影像数据用于分类,但其在特征构造时多基于简单代数运算或线性组合,致使特征的判别性不够显著。实际上,部分Landsat影像数据存在“条带”问题,而且部分区域经常有云/雪覆盖,这些复杂的数据状况为相关研究提出了巨大挑战。对此,本文提出一种基于年度时间序列Landsat数据的土地覆盖分类方法(LandUTime),旨在克服上述局限,提高分类精度,保障算法适用性、稳定性和鲁棒性。围绕该分类方法,论文的主要研究工作和成果如下:(1)提出了基于年度时序数据回归的特征构造算法该算法以年度时间序列Landsat影像数据为输入,利用回归分析技术对地表的变化模式进行建模,从时间序列模型中构造分类特征。本文在两个研究区开展了验证实验,分别取得了88.76%和89.44%的总体分类精度,较传统基于单时相数据分类方法的精度提高了8.85%和9.51%。结果表明基于回归分析从时间序列遥感影像数据中构造分类特征的方法可行,可有效提高土地覆盖分类精度。(2)分析了时间序列模型选择对于保证特征有效性的重要性分类特征构造应该考虑到地类的特点。在利用时间序列影像数据构造特征的实验中,通过对多种方法进行比较,发现基于统计值计算的方法(以均值和中值计算为例)对提高分类精度有一定效果,但其没有充分挖掘数据中蕴含的信息,存在一定的数据浪费,以致其精度未超过85%;在基于回归分析的方法中,多项式模型没有考虑地表年度变化模式,忽略缺失数据,追求对现有数据拟合误差最小化,导致分类结果较差;而本文所提出的模型对物候变化等过程的建模精度较高,其对特征信息进行整合与提炼的能力较强。(3)提出了基于并行特征子空间的集成分类算法该算法基于“特征块”将原时序特征空间切分为并行子空间,然后将基分类器分层集成,保持了时序特征间的关联关系,同时利用子空间和Bootstrapping等策略增强了基分类器的异质性,提升了集成优度。在两个研究区进行的系列对照实验中,本文所提出方法的总体精度为90.46%和91.67%,高于其它同类算法,具备分类准确度较高且性能良好的特点。与随机森林和K最近邻等方法相比,兼顾了精度与运行效率。(4)总结了LandUTime对不同土地覆盖类型的判别能力实验表明,LandUTime通过对地物年度变化规律的建模和集成多分类器进行决策,可以有效提高土地覆盖分类精度。在比较不同类别的结果后,发现LandUTime对落叶林地、草地、农田和水体等类型具有较强的识别能力,但在区分建设用地、裸地和常绿林地等方面稍显不足。进一步分析表明,基分类器中的距离度量指标对类别判断具有一定影响。本文的综合研究结果表明,LandUTime土地覆盖分类方法在解决传统方法遇到的问题方面效果显著,算法精度稳定,效率较高,具有广泛的应用前景。