利用中国地球观测卫星遥感数据开展全球土地覆被分类及其规律性研究是中国地球科学数据领域自主创新研究的重要任务。老挝与中国接壤，自然资源丰富，与中国的经济有很强的互补性。为了进一步了解老挝土地覆被分布状况，本研究利用中(国)巴(西)陆地资源卫星影像数据(CBERS)对老挝土地覆被进行数值分类并探讨其数值化的方法论。论文的主要内容包括：　　 在欧洲空间局(European Space Agency，ESA)和国际地圈生物圈计划(International Geosphere-Biosphere Program，IGBP)全球1Km和300m空间分辨率土地覆被分类产品基础上，根据地域分异特征，将老挝地理区域划分成12个土地覆被遥感解译区，然后，采用CBERS数据(空间分辨率19.5m)在不同遥感解译区内分别进行土地覆被数字化分类研究。　　 经过CBERS卫星的连续观测，云覆盖面积低于30％的各时相CBERS影像共获取到365景，每一景位置上有多景影像可供解译。为了最大利用多时相数据优势，同时降低数据冗余，根据物候特征对解译用CBERS影像进行选择。老挝的物候特征通过MODIS NDVI时间序列获取。　　 分析2000-2008年间的MODIS NDVI时间序列数据，发现云的干扰严重，选择HANTS算法进行去噪处理，将去噪后的NDVI时间序列产品用于确定老挝的植被物候特征，再根据老挝的物候特征选择用于分类的最佳时相的CBERS影像。　　 理想状况是每景位置上都选择3景影像，分别表现植被初长期、茂盛期、凋落期的环境特征。但由于老挝漫长雨季的影响，每景位置上能用于代表最佳时相分类的影像数量不同。　　 老挝境内的CBERS影像校正采用Landsat GeoCover产品作为参考影像，辅以90m的DEM进行正射校正，绝对位置误差控制在65m，CBERS影像之间的相对误差控制在1个像元以内。　　 选择7景不同位置的CBERS影像对其第5波段同其他波段的配准进行试验，发现多项式校正后波段间的配准误差不能满足分析需要，最终没有使用第5波段。　　 穗帽变换可以有效地减少数据冗余，并且参与土地覆被分类后可以提高分类结果精度，因此对CBERS-02/02B影像的穗帽变换进行了推导，最终求得CBERS影像的穗帽变换系数，对影像进行穗帽变换。　　 本研究中采用FAO的LCCS分类体系，设计了8种覆被类型的老挝土地覆被系统。　　 在总体分类前先单独提取出水体，简化土地覆被分类的复杂程度。在水体提取过程中比较了NDVI指数、NDWI指数、第4波段、NDWI减去NDVI结果的阈值提水效果，发现NDWI的效果最佳，最终使用NDWI提取了老挝境内水体，并通过目视检查，手工对提取的结果进行了修改。　　 老挝土地覆被分类采用决策树分类方法，样本通过参考ESA、IGBP的300m、1Km空间分辨率的土地覆被产品和CBERS HR影像等资料在CBERS CCD影像上获取。将样本输入See5程序产生决策规则，再根据决策规则对影像进行分类。分类过程中先掩膜掉先期提取的水体区域，分类完成后再将分类结果和先期提取的水体综合。　　 分类结果显示，在8种土地覆被类型中面积占前三位的分别是：老挝森林覆盖率为62.35％，灌木面积占总面积的30.43％，农作物占国土面积的5.90％。　　 为了验证分类结果的可靠性，随机生成309个点检验分类结果。生成的随机点同类型面积成比例，并规定最小类别的随机点数不少于3个。验证结果显示总体精度达到83.17％，Kappa系数71.04％。　　 本项研究的创新点在于提出了应用中国CBERS数据对国外土地覆被分类的研究方法，将穗帽变换的理论和方法应用于CBERS-02/02B老挝土地覆被分类影像分析，并将老挝境内土地覆被分类制图，从国际1Km(IGBP，USA)和300m(ESA)空间分辨率的基础上提高到19.5m。