准确的土地覆被测绘和高时空分辨率的变化监测对土地利用规划和生态环境监测具有重要意义。在相关文献中已经充分研究了光学和微波数据联合使用来提高分类性能的前景:它可以显著提高相对于单一数据源的土地覆盖测绘的准确性。然而,以往的研究往往侧重于单时间、面向像素的分类,而对多时间、面向对象的分类的研究,尤其是在城市场景中,还不够充分。在本研究中,利用谷歌地球引擎提供的数据处理能力和现成的哨兵数据,生成了近600个光谱、空间、时间、几何和极化维度的特征。利用基于随机森林的递归特征消除方法,从这些特征中提取63个最具有区分能力的特征,输入到3种常用的机器学习算法中:支持向量机、随机森林和k近邻,并对三个分类器的输出进行集成分析。其总体准确率为0.732,kappa系数为0.686,与三者中最好的分类器(SVM)的性能接近。在对比实验中,本研究提倡的使用多时相光学和SAR数据并进行特征选择的方法,实现了整体精度0.720,而单时相光学数据0.671,多时相光学数据0.681,和多时相光学和SAR数据(不进行特征选择)0.698。利用分层抽样的方法,验证了集成分析的副产品——不确定度图,对误差的空间分布的指示作用:高、中、低置信水平的样本的正确率分别为100%、74%、44%。