شناسایی و تفکیک محصولات کشاورزی بعنوان یکی از پایه ای ترین فعالیت های حوزه کشاورزی مطرح می باشد. این امر بعنوان مقدمه اصلی در تخمین سطح زیر کشت و میزان محصولات بوده که بعنوان اطلاعات اصلی مورد نیاز در مدیریت منابع کشاورزی مطرح می باشند. در این تحقیق از تصاویر چند زمانی سنجنده liss iii ماهواره irs-p6 جهت تفکیک محصولات در قالب چهار حالت کلی، بصورت روش های مبتنی بر ورودی های تک زمانی، روش های مبتنی بر ورودی های چند زمانی، روش های مبتنی بر ورودی های بهینه چند زمانی و روش های سلسله مراتبی استفاده شده است. همچنین در این تحقیق از چهار طبقه بندی کننده کمترین فاصله، بیشترین شباهت، فازی ساده و شبکه های عصبی بعنوان ابزارهای هر روش مورد استفاده قرار گرفته شده است. در روش های تک زمانی، بر اساس نتایج بدست آمده در این تحقیق، طبقه بندی کننده بیشترین شباهت نسبت به سایر طبقه بندی کننده ها از دقت بهتری (کاپای 0.66) برخوردار است. با این وجود از دقت مناسبی جهت شناسایی و تفکیک محصولات برخوردار نمی باشد. از طرفی بدلیل تغییرات طیفی محصولات در طول دوره رشد(مطابق با تغییرات بیولوژیکی محصول) بکارگیری تصاویر چند زمانی مطابق با تقویم زراعی محصولات، نقش مهمی را در تفکیک محصولات ایفا می نماید. بطوری که میزان دقت طبقه بندی به روش بیشترین شباهت و شبکه های عصبی با ورودی های چند زمانی به 0.80 می رسد. با این وجود مشکل اصلی روش های چند زمانی آماری، افزایش وابستگی بین ویژگی های مقاطع مختلف زمانی و برای شبکه های عصبی همگرایی ناقص است. در مورد شبکه های عصبی می توان با بهینه سازی پارمترهای شبکه عصبی به دقت بهتری دست پیدا کرد. براساس نتایج حاصله در این تحقیق، تعداد نرون های لایه میانی و ترتیب معرفی نمونه های آموزشی بیشترین اثر را در همگرایی دارند که با بهینه سازی این پارمترها دقت طبقه بندی شبکه عصبی به 0.84 می رسد. برای بکارگیری از قابلیت دادهای چند زمانی در روش های آماری و فازی، می بایست برای هر طبقه بندی کننده ورودی های بهینه انتخاب شوند. براساس نتایج حاصله در این تحقیق، الگوریتم ژنتیک با معیار شایستگی کاپا بهترین عملکرد را در انتخاب ورودی های بهینه نسبت به روش های ترتیبی داراست. بهترین دقت با ورودی های بهینه طیفی مربوط به طبقه بندی کننده بیشترین شباهت (081) است که همچنان از دقت مناسبی جهت تفکیک محصولات برخوردار نمی باشد. لذا می توان از توانایی شاخص های گیاهی، مولفه های اصلی بهمراه دادهای طیفی جهت تفکیک محصولات استفاده کرد. در این صورت بهترین دقت مربوط به طبقه بندی کننده فازی ساده (کاپای 0.88) با ورودی های بهینه شده از تمامی ویژگی ها است. با این وجود در تمامی روش ها، ورودی های بهینه برای تمامی کلاس ها بطور یکسان در نظر گرفته شده است که این برخلاف واقعیت است. بنابراین در روش فازی ساده به منظور بهره گیری از دقت بهتر، بجای بهینه سازی ورودی های برای تمامی کلاس ها از بهینه سازی ویژگی های کلاسی استفاده شده است. که در نتیجه دقت 0.92 حاصل شد. یکی دیگر از روش های تفکیک محصولات استفاده از روش های سلسله مراتبی است که امکان بکارگیری از چندین طبقه بندی کننده و ویژگی های مختلف را در سطوح مختلف فراهم می نماید. به این منظور میتوان از روش های درختی و ماسکینگ استفاده کرد. در روش های درختی می توان به دو صورت آستانه گذاری یا طبقه بندی کننده در هر گره بهره برد که دراین میان روش طبقه بندی کننده کمترین فاصله درهر گره نسبت به فازی ساده و آستانه گذاری از دقت (0.91) بهتری در این تحقیق برخوردار شده است. بر اساس نتایج حاصله در این تحقیق بهترین تفکیک پذیری بین محصولات کشاورزی در میان تمامی روش های ذکر شده مربوط به روش ماسکینگ با طبقه بندی کننده فازی ساده (کاپای 0.93) است که اکثر جفت کلاس های مشابه از یکدیگر بخوبی تفکیک شده اند.