森林覆盖类型的分类研究是森林资源变化监测,森林资源合理开发,森林人工修复的前提条件,因此构建分类准确的森林覆盖类型分类模型具有相当重要的现实意义。本文从模型和特征两方面出发来提高模型的分类能力。模型上,提出了一种新型的实用性强的基于RF、ET、GBDT、XGBoost和LightGBM这五类树模型的Stacking方法的森林覆盖类型分类模型。特征上,结合特征交叉和基于随机森林重要度的后向特征选择法进行特征处理。从北达科他州罗斯福国家森林实测数据的实证结果来看,ET-RF-LR模型的分类的准确率达到89.2%,并且经过特征处理之后的31种模型分类效果均优于未经特征处理的模型。在原始数据下最优的模型是ET-XGBoost-LightGBM-LR,而在经过特征处理之后最优的模型是ET-RF-LR,因此本文分类模型能够根据数据的不同选择相应的最优模型来达到准确分类的目的。综上所述,本文提出的基于树模型的Stacking分类模型可以为森林覆盖类型的分类研究提供有价值的参考和思路,具有很好的理论和实践意义。