及时、准确地获取土地利用信息,可为土地资源的规划管理和生态环境保护活动提供重要依据,同时可用于农业灌溉需水量的计算,对水资源配置等具有重要意义,也是农业信息化发展的必然要求。为获取关中地区土地利用信息,探究影响土地利用分类精度的因素,基于MOD13Q1数据,采用迭代自组织数据分析算法(ISODATA)与分类回归决策树算法(CART)结合的方法分四种植被指数情形进行土地利用分类,从空间和定量两个方面分析不同植被指数对分类结果的影响,比选最佳植被指数情形;采用ESTARFM算法实现Landsat 8和MODIS数据blue,red和NIR波段的融合,获取具有高时空分辨率的融合影像,从光谱和分类结果两方面评价融合影像的质量;以及在融合影像中引入DEM和坡度信息进行分类,并对比不同情形分类结果,分析影响土地利用分类精度的因素。主要结论如下:(1)采用ISODATA与CART结合算法获取的土地利用分类结果,与关中地区实际情况吻合,四种情形总体精度均超过96%,Kappa系数均在0.94以上,耕地和果园的提取精度分别可达到89.36%和65.47%,该方法适用于关中地区土地利用分类,且较单一CART算法的分类精度更高;(2)基于不同植被指数情形,土地利用分类结果存在差异,组合植被指数时间序列用于分类时,分类效果优于单一植被指数时间序列,且EVI优先时,精度较高,EVI+NDVI植被指数时间序列为最佳分类情形;(3)ESTARFM算法能够实现MODIS数据与Landsat 8数据的融合,获得具有MODIS数据时间分辨率和Landsat 8数据空间分辨率的融合影像,且blue、red和NIR波段预测反射率与参考反射率的相关性均在0.8以上,融合质量较好;基于融合影像的土地利用分类,与原始MODIS数据相比,空间精度有一定提高,耕地的提取精度提高5.19%,而可能由于“椒盐现象”,果园的提取精度并未提高;(4)基于MODIS和Landsat 8融合影像、DEM和坡度信息多源数据,获取土地利用信息,能有效缓“椒盐现象”,提高分类精度,总体精度和Kappa系数分别可达97.60%、0.9700,耕地和果园的提取精度分别可达99.53%、72.17%;(5)影响土地利用分类精度的因素主要包括:遥感数据的系统误差及质量、时空间分辨率,时空融合算法,分类依据的选取,DEM、坡度及其分布等空间特征。虽然本研究基于MODIS、Landsat 8时间序列影像、DEM、坡度多源数据,已获取精度较高的土地利用分类结果,并探究了影像分类精度的因素,但是受时间和个人能力限制,存在一定的不足:研究区面积广阔,受Landsat 8数据幅宽的限制,多幅影像才能覆盖整个区域,数据处理工作量较大,仅定性地分析了影像土地利用分类精度的因素。今后的研究中可以考虑开发批处理软件,简化工作,减少工作量;通过计算景观格局参数等指标,深入研究土地利用分类精度的影像因素。