本文基于2017年Landsat8遥感影像数据,依据实地调查数据以及妙峰山林场地形图、小班图等专题图资料确定妙峰山林场森林可燃物类别。对比分析油松林、落叶松林、侧柏林等主要针叶树种,栎树林、槐树林、五角枫林等主要阔叶树种,以及以绣线菊为主的灌木林等几种森林可燃物类型的光谱特征曲线。之后利用EnMap-Box中的基于向量机(SVM)算法、随机森林(RF)以及基于CART的决策树方法进行分类,选出总体分类精度最高的分类方法并应用到影像分类中,最终将森林可燃物类别划分为八种:油松林(Pinus tabuliformis)、落叶松林(Larixgmelinii)、侧柏林(Thujaplicata)、栎树林(Quercusrubra)、槐树林(Sophorajaponica Linn.)、五角枫林(Acer mono Maxim.)、灌木林以及其他(包括道路、建筑物等)。同时使用非防火期(5月7日、9月28日)两幅、防火期(11月15日、12月17日)两幅图像一共四个相图进行空间配准,并基于特征组合进行变化检测,研究探讨基于单时相和多时相可燃物分类的结果差异。研究结果表明:(1)通过光谱特征建立可燃物分类标准,对比分析油松林、落叶松林、侧柏林、栎树林、槐树林、五角枫林、灌木林以及其他八种森林可燃物的光谱特征曲线。发现针叶林和阔叶林以及灌木林之间区分明显,而油松林等针叶林,栓皮栎林等阔叶林之间区分较明显。(2)本文针对支持向量机(SVM)算法、随机森林(RF)以及基于决策树(CART)的决策树分类等三种分类方法,进行对比分析。在非防火期图像(5月7日、9月28日)中,发现支持向量机(SVM)方法的总体精度相较于其他两种来说较高。取得惩罚参数(C)为1000和核参数(g)为10使得SVM分类模型达到最优,其总体分类精度为83.34%,kappa系数为0.78,精度相对RF和CART分别提高了 3.69%和11.29%。而在防火期图像(1 1月15日、12月17日)中,随机森林分类方法精度往往较高。(3)研究表明,多时相影像相对于单时相影像能更好的区分可燃物类别,且能反应季节交替带来的变化,尤其是阔叶林的识别,精度远超过单时相影像的分类结果。其中基于随机森林的分类方法,在多时相影像森林可燃物分类中,能够更好地将栎树林等阔叶林可燃物类别分类。