基于Google Earth Engine云计算平台,获取从1987-2019年期间25年的较少云量的Landsat TM/ETM+/OLI数据,利用基于机器学习方法--随机森林分类方法,对湟水流域长时间序列的土地利用/土地覆被信息进行提取;针对长时间序列数据研究方法的特点,采用时空一致性检验对得到的初步分类结果,分别进行了城市一致性和耕地一致性检验处理,以减少分类逻辑错误;最终通过精度评估得到精度较高的研究区25年土地利用/土地覆被数据。本文主要研究结论如下:(1)Google Earth Engine平台是进行海量遥感数据研究的优秀平台。其能实现从数据收集、数据预处理、数据处理到结果输出全流程工作,极大的提高了科研效率。在Google Earth Engine平台的协助下,以本文为例,使用常规单机遥感平台约1年左右的任务量,可以压缩到约3个月左右,提高了约60%的工作效率,使得资源较为匮乏的个人科研人员也可以完成之前需要团队协作的科研任务。(2)在监督分类学习中,样本的数量、质量及其空间分布对分类结果的精度作用大于后续引入的特征向量对精度的提高幅度。以2018年的分类结果为例,在进行特征优化工作时,分别进行了样本选取及位置的优化、纹理特征及最适窗口的选择、气候因素的选择以及最佳纹理组合的选择。结果显示:只有在第一步,样本选取及位置优化时,精度提高从约70%,提高到81.33%,提高幅度最高达7.32%,而经后面三个优化步骤,得到2018年最终的分类精度为82.93%,提高幅度仅为1.6%,较前者提高幅度并不大。(3)基于GEE云平台,通过影像获取、特征优化和随机森林分类,得到1987-2019年土地利用/土地覆被分类初始数据数据,总体精度在72.25%-90.20%之间,Kappa系数在0.68-0.89之间。受影像质量的影响,较早年份的分类结果中同一地物连续年间会出现明显的逻辑冲突和错误,需要进行分类后处理,以修正错误。(4)长时间序列高时间分辨率的土地利用/土地覆被分类的研究方法,区别于间隔年的研究方法,必须进行前后年的逻辑检测。在借鉴前人对城镇不透水面时空一致性检验的思想及其算法的基础上,针对湟水流域,除了进行城市时空一致性检验外,更进一步的提出了耕地的时空一致性处理算法。主要通过时间滤波和逻辑判断两个步骤,先后对城镇和耕地进行了分类后处理,并对其进行精度验证。结果表明,经过时空一致性算法处理后的分类结果,更符合正常事物发展逻辑,总体精度在74.72%-87.36%之间,Kappa系数在0.71-0.86之间,除个别年份受算法精度影响,总体精度有所降低,其余年份提高了0.41%-3.44%。