Using solely an optical remotely sensed dataset to obtain an accurate thematic map of land use and land cover (LU/LC) is a serious challenge. The dataset fusion of multispectral and panchromatic images play a big role and provide an accurate estimation of LU/LC map simply because using a dataset from different spectrum portions with different spatial and spectral characteristics will improve image classification. For this study, the Landsat operational land imager multispectral and panchromatic images were adopted. This study aimed to investigate the effectiveness of using a panchromatic highly spatial resolution to refine the methodology for LU/LC mapping in Baghdad city, Iraq, by performing a comparison of classifications using different algorithms on multispectral and fused images. Different classification algorithms were employed to classify the data set; minimum distance (MD) and the maximum likelihood classifier (MLC). A suitable classification method was proposed to map LU/LC based on the outcome results. The result evaluation was conducted by applying a confusion matrix. An overall accuracy of a fused image using a principal component-based spectral sharpening algorithm and classified by the MLC classifier reveals the highest accurate results with an overall accuracy and kappa coefficient of 98.90% and 0.98, respectively. Results showed that the best methodology for LU/LC mapping of the study area is found from fusion of multispectral with panchromatic images via principal component-based spectral algorithm with MLC approach for classification.

仅使用光学遥感数据集来获得准确的土地利用和土地覆盖专题图（LU / LC）是一项严峻的挑战。多光谱和全色图像的数据集融合发挥了重要作用，并提供了LU / LC映射的准确估计，这仅仅是因为使用来自具有不同空间和光谱特征的不同光谱部分的数据集将改善图像分类。在这项研究中，采用了Landsat实用陆地成像仪的多光谱和全色图像。这项研究旨在通过对多光谱图像和融合图像使用不同算法进行分类比较，以调查使用全色高空间分辨率来完善伊拉克巴格达市LU / LC映射方法的有效性。采用了不同的分类算法对数据集进行分类。最小距离（MD）和最大似然分类器（MLC）。提出了一种合适的分类方法来根据结果对LU / LC进行定位。通过应用混淆矩阵进行结果评估。使用基于主成分的光谱锐化算法并由MLC分类器分类的融合图像的整体准确性显示了最高的准确性，其整体准确性和kappa系数分别为98.90％和0.98。结果表明，通过基于主成分的光谱算法和MLC方法对多光谱与全色图像进行融合，可以找到研究区域LU / LC映射的最佳方法。最小距离（MD）和最大似然分类器（MLC）。提出了一种合适的分类方法来根据结果对LU / LC进行定位。通过应用混淆矩阵进行结果评估。使用基于主成分的光谱锐化算法并由MLC分类器分类的融合图像的整体准确性显示了最高的准确性，其整体准确性和kappa系数分别为98.90％和0.98。结果表明，通过基于主成分的光谱算法和MLC方法对多光谱与全色图像进行融合，可以找到研究区域LU / LC映射的最佳方法。最小距离（MD）和最大似然分类器（MLC）。提出了一种合适的分类方法来根据结果对LU / LC进行定位。通过应用混淆矩阵进行结果评估。使用基于主成分的光谱锐化算法并由MLC分类器分类的融合图像的整体准确性显示了最高的准确性，其整体准确性和kappa系数分别为98.90％和0.98。结果表明，通过基于主成分的光谱算法和MLC方法对多光谱与全色图像进行融合，可以找到研究区域LU / LC映射的最佳方法。通过应用混淆矩阵进行结果评估。使用基于主成分的光谱锐化算法并由MLC分类器分类的融合图像的整体准确性显示了最高的准确性，其整体准确性和kappa系数分别为98.90％和0.98。结果表明，通过基于主成分的光谱算法和MLC方法对多光谱与全色图像进行融合，可以找到研究区域LU / LC映射的最佳方法。通过应用混淆矩阵进行结果评估。使用基于主成分的光谱锐化算法并由MLC分类器分类的融合图像的整体准确性显示了最高的准确性，其整体准确性和kappa系数分别为98.90％和0.98。结果表明，通过基于主成分的光谱算法和MLC方法对多光谱与全色图像进行融合，可以找到研究区域LU / LC映射的最佳方法。