青铜峡灌区是我国四大古灌区之一,同时也是我国粮食生产基地之一。该地干旱少雨,较易获取高质量光学影像,作物种类、种植结构多样,获取该地区的土地利用、耕地层及作物分布图不仅对我国粮食安全政策制定、农业可持续发展、土地整改治理及发展规划有着重要的指导性意义,同时还且具有较好的研究和推广意义。本文采用Landsat8数据和PROBA_V数据,基于随机森林算法结合该地作物生长周期和地面样方数据,调试随机森林算法最优分类参数,并且将该参数应用于之后的landsat影像分类中。基于Landsat数据对比分析单时相与时间序列分类的差异及附加特征对分类结果的影响,并对分类结果基于时相进行特征重要性分析,最终获得青铜峡灌区2017年及2018年间最优土地利用图、耕地图及作物分布图。主要研究工作如下:(1)随机森林分类最佳参数确定。采用研究区2017年100m分辨率的Proba_v影像数据,并结合实地采样数据完成训练样本及验证样本选取。影像输入分为三种情况:2017年所获取影像时间序列数据、优质影像的时间序列数据、改变特征排列顺序的优质影像时间序列数据,其次将决策树的数量分别设定为100、200,特征数以5为步长进行土地利用分类对研究区进行土地利用分类测试。结果表明:开始分类精度随决策树呈正相关关系,当决策树的数量达到足够大时,分类精度在小范围内稳定波段,介于分类时效性要求,树的数量宜设置为100或200;分类精度的增长与设定特征数的数量不成正相关,特征数量设置为总特征数的平方根或对数时,精度达到最高;质量差的影像对分类精度造成负面影响,分类前应对数据进行筛查;分类精度与特征排列顺序无关。(2)单时相影像与时间序列影像分类对比。采用随机森林算法分别对2017年、2018年研究区基于单时相和时间序列影像进行土地利用分类、耕地层提取、作物分类。结果表明:2017年、2018年分类结果呈现一致的规律,三种分类结果均表明时间序列影像较单时相影像具有明显优势,时间序列影像可克服单一时相影像分类中存在的云层影像、分类规则片面的问题,分类精度高于任一时期的单时相影像,且与实际地物吻合层度更好;单时相影像的分类往往受到影像质量和该时期地物间差异大小的影响。(3)附加特征对分类结果的影响。分别对2017年、2018年影像基于原有波段进行指数计算,并设定7种情景将其作为特征波段加入时间序列影像基于随机森林算法参与分类,评价对比分类结果的好坏,获得最优研究区土地利用图、耕地层图及作物分类图。结果表明:2017年、2018年三种分类结果呈现一致的规律,基于NDVI时间序列影像分类精度无法达到最优,随着影像特征波段的增加分类精度得到提升,且提升速度为土地利用分类>作物分类>耕地层提取,将所有特征波段参与分类时,精度达到最高。2017年土地利用最高OA可达89.2%,Kappa系数达0.88,F1-Score为83.1;耕地层OA 为 97.2%,Kappa 系数 0.94,F1-Score 为 96.8;作物分类 OA 为 96.4%,Kappa 系数0.95,F1-Score 为 95.2:2018 年土地利用最高 OA 可达 92.8%,Kappa 系数达 0.92,F1-Score为 87.1;耕地层 OA 为 97.9%,Kappa 系数 0.95,F1-Score 为 97.6;作物分类 OA 为 97.2%,Kappa 系数 0.97,F1-Score 为 95.1;(4)特征重要性分析。基于2017年、2018年土地利用分类和作物分类结果按影像时相为整体进行特征重要性分析,且对比分别按特征重要性顺序和时间顺序进行时相累加分类的差异。结果表明:时相的特征重要性排序与分类方式无关,但重要性的占比变化会受 到 一定影响。2017 年时相 特征重要性排序 为0517>0805>0704>1125>0906>0922,2018 年时相特征重要性排序为0504>0605>0520>0824>0621>0808,影像质量与该影像期间地物间的表现差异大小决定该影像在时间序列分类中的占比大小;基于特征重要性顺序组合的影像较基于时间顺序组合的影像较快的达到较好的分类结果,且当该特征重要性达到总时间序列特征重要性80%左右时,两种情况分类精度趋于一致,可用于影像降维。