تقریبا همه­ی تصاویر سنجنده­ی مادیس دارای قسمت­های پوشیده از ابر هستند. به منظور استخراج اطلاعات صحیح از داده­های مادیس، یکی از پیش­پردازش­های کلیدی شناسایی پیکسل­های ابری و جداسازی آن از عوارض مشابه مانند برف/یخ است. ویژگی­های مورد استفاده در طبقه­بندی ابر به دو دسته­ی ویژگی­های بافتی و طیفی تقسیم می­شوند. با استفاده از ویژگی­های بافتی باند­های مرئی امکان جداسازی پیکسل­های ابر از پیکسل­های برف/یخ فراهم می­شود ولی ابر و برف می­توانند دارای ویژگی­های حرارتی مشابه باشند. همچنین از ویژگی­های حرارتی (دما) در ماسک ابر مادیس به منظور شناسایی ابر­ها در ارتفاع­های مختلف استفاده شده است. مطالعات زیادی به منظور طبقه­بندی پوشش سطح زمین با استفاده از روش­های یادگیری جمعی انجام شده است و از این روش­ها صرفا به منظور طبقه­بندی استفاده شده است. در این تحقیق کاربردی جدید از روش­های یادگیری جمعی در مقایسه با مطالعات پیشین مطرح شده است و از این روش­ها به منظور ادغام دو نوع مختلف از طبقه­بندی کننده­ها که نوع اول طبقه­بندی کننده­هایی با ویژگی­های انعکاسی و نوع دوم با ویژگی­های حرارتی هستند، استفاده شده است. همچنین در مطالعات پیشین، اثر تغییر ویژگی­های ورودی بر عملکرد نهایی روش­های یادگیری جمعی مورد بررسی قرار نگرفته است. بنابراین هدف این تحقیق مقایسه­ی نتیجه­ی ادغام طبقه­بندی کننده­های با ویژگی­های انعکاسی و حرارتی با استفاده از دو نوع از روش­های یادگیری جمعی شامل boosting و الگوریتم جنگل تصادفی(RF)، به منظور شناسایی پیکسل­های ابری، سیروس و برف/یخ با توجه به روش انتخاب ویژگی می­باشد. ابتدا به منظور انتخاب ویژگی­های انعکاسی و حرارتی در روش­های boosting به کار گرفته شده، شامل adaboost.M1، adaboostSVM،logitboost  و totalboost از روش­های معیار S و الگوریتم ژنتیک (GA) و در روش RF علاوه بر روش­های ذکر شده از روش حذف ویژگی به روش بازگشتی (RFE) و ماتریس کارلیشن استفاده شد. سپس طبقه­بندی کننده­ها در سطح تصمیم با یکدیگر ادغام شدند. برای اکثر روش­های یادگیری جمعی صرف نظر از روش انتخاب ویژگی، دقت تولید­کننده­ی ابر وسیروس بالایی دست آمد. استفاده از دو روش RFE و ماتریس کارلیشن در الگوریتم RF توانست دقت کاربری پیکسل­های ابر به ترتیب 99% و 100% را نتیجه دهد که نسبت به حالتی که از روش­های معیار S و الگوریتم ژنتیک (GA) برای انتخاب ویژگی استفاده شد، دقت­های بالا­تری را نشان داد. روش­های boosting صرف نظر از روش انتخاب ویژگی با اختصاص وزن بیشتر به داده‍های آموزشی مربوط به کلاس با تعداد داده­های آموزشی کم­تر،  توانستند به دقت تولید­کننده­ی برف/یخ بالا­تری تسبت به الگوریتم RF دست یابند. همچنین این روش­ها دقت کاربری سیروس نسبتا بالا­تری نسبت به روش­های RF نتیجه دادند. در بین روش­های انتخاب ویژگی مختلف در RF روش ماتریس کارلیشن توانست دقت کاربری سیروس 91% را نتیجه دهد. در انتها، میزان توافق نتایج طبقه­بندی با نقشه­ی مرجع به دست آمده از ماسک ابر مادیس محاسبه شد. روش­های RF درصد توافق­های بالا­تری نسبت به روش­های boosting نتیجه دادند. بالا­ترین درصد توافق برای روش RF-RFE به مقدار 76% و پایین­ترین برای روش logit boost-GA به مقدار 42% به دست آمد.