土地覆被分类对国土资源调查评估及全球变化具有基础性和关键性意义。这些研究最重要的工作之一就是准确高效的获取土地利用信息,即如何利用多源遥感数据快速、准确地进行土地覆被分类。但以中国西南地区(重庆、四川、贵州)为代表的多云雾山区,以亚热带湿润性季风气候为主导,空气湿度大、雾日多,一年中云量大于20%的Landsat OLI影像占90%以上,为山区土地覆被分类带来了极大的困难和挑战。因此,本文以重庆部分地区为研究区。首先基于两景不同云量的Landsat OLI数据,辅以NDVI、纹理、高程和坡度等信息,采用面向对象分类方法,确定隶属度函数并建立分类规则,进行土地覆被分类;由于SAR数据成像不受云雾的影响,本文还采用全极化ALOS-2影像分类,先通过极化SAR滤波和地形校正等预处理,再对其极化特征分解,建立相应的分类规则进行分类;最后本文还尝试了将Landsat OLI与ALOS-2数据融合,对融合后的数据采用面向对象最邻近分类法提取土地覆被信息。研究得出的主要结论如下:(1)两景不同云量的光学数据分类结果为:云量为26.28%的Landsat OLI数据的总精度为58.09%,Kappa系数为0.4913;云量为8.43%的Landsat OLI数据的总精度为82.74%,Kappa系数为0.791。云量少的数据比云量多的数据分类精度提高了30%左右。表明云量对光学影像分类精度的影响较大,因此在多云雾山区寻找其他数据代替光学数据进行分类势在必行。(2)对不受云雾影响的ALOS-2微波数据,首先基于RD定位模型,采用正射校正、后向散射归一化等方法最大程度地消除地形影响,再进行极化特征分解。采用面向对象分类方法,对ALOS-2进行图像分割,经过多次调试,确立相应的地物分类算法得到分类结果,总精度为83.80%,Kappa系数为0.8039。(3)为了更好地提取土地覆被信息,经过不断尝试,采用乘积变换方法对Landsat OLI和ALOS-2数据进行融合。对于融合后的影像,采用面向对象最邻近度分类方法进行分类,通过对分类结果进行检验,结果显示:分类总精度为86.97%,Kappa系数为0.8447,取得了较好的分类精度。(4)就三种数据总体分类精度而言,Landsat OLI和ALOS-2融合数据分类总体精度最高,Landsat OLI数据(云量8.43%)与ALOS-2数据总体分类精度其次,Landsat OLI数据(云量26.28%)总体分类精度最低。就三种数据对各地物类型提取精度而言,Landsat OLI和ALOS-2融合数据对林地、耕地、灌草地、园地、水体和人工建筑的提取精度均较高,Landsat OLI数据(云量8.43%)仅对灌草地的提取有相对优势,ALOS-2数据对林地、水体和人工建筑提取有相对优势。(5)对多云雾山区土地覆被分类方案选取如下:少云雾时期,应选取获取方式简单、数据处理容易的Landsat OLI数据进行分类,当然若对分类要求较高或需对一级地类再细分时,可选用Landsat OLI和ALOS-2融合数据进行土地信息提取。对于多云雾时期,无可利用的光学遥感数据,全极化ALOS-2数据具有很好的替代性。