امروزه، تشخیص دقیق نوع محصولات کشاورزی با استفاده از طبقه­بندی سری­های­­ زمانیِ­ حاصل از تصاویر سنجنده­های مختلف سنجش از دوری، رو به افزایش است. دسته­ای از سری­های زمانی که با استفاده از تصاویر سنجنده­های چندطیفی و یا فراطیفی ایجاد می‍شوند، از نوع سری­های زمانی چندمتغیره هستند. علیرغم محتوای بالای اطلاعاتی این نوع از سری­های زمانی، الگوریتم­های طبقه­بندی موجود، به دلیل چهار-­ بعدی بودن این نوع از داده­ها، قادر به طبقه­بندی آنها نیستند. در مقاله پیش رو، به منظور رفع این مشکل و طبقه‍بندی سری­های زمانی چندمتغیره، روشی بر پایه­ی استفاده از الگوریتم­های یادگیری چندکرنلی ارائه شده است. در این روش، ابتدا یک کرنل با استفاده از داده­ی اخذ شده در هر تاریخ، ساخته می­شود و سپس این کرنل­ها با استفاده از الگوریتم­های یادگیری چندکرنلی در قالب کرنلی به نام کرنل ترکیبی، با یکدیگر ادغام می­شوند. سپس از کرنل ترکیبی حاصل، برای طبقه­بندی داده­ها در الگوریتم­های طبقه­بندی مبتنی بر کرنل استفاده می­شود. در ادامه برای ارزیابی روش پیشنهادی، از دو سری­­زمانیِ تصاویر سنجش از دوری مختلف استفاده شده است. هر دو سری­زمانی شامل ده تصویر اخذ شده توسط سنجنده­های RapidEye هستند که از منطقه­ای کشاورزی در کشور کانادا تهیه شده­اند. از روش الحاق داده­ها، که در آن داده­ی زمان­های مختلف سری­زمانی در قالب یک مکعب داده به هم الحاق می­شوند، به عنوان روش معیار برای مقایسه با روش پیشنهادی استفاده شده است. کرنل ترکیبی حاصل از روش پیشنهادی و همچنین کرنل حاصل از روش الحاق داده­ها، برای آموزش الگوریتم طبقه­بندی ماشین­های بردار پیشتیبان بکار گرفته شده است. در این مقاله برای محاسبه کرنل ترکیبی، علاوه بر استفاده از چند الگوریتم متداول یادگیری چندکرنلی، الگوریتم یادگیری چندکرنلی تعمیم یافته نیز برای نخستین بار در حوزه طبقه­بندی سری­زمانی معرفی شده است. مقایسه دقت طبقه­بندی الگوریتم ماشین­های بردار پیشتیبان در دو حالت، نشان دهنده­ی دقت بسیار بالاتر روش پیشنهادی بود. همچنین نتایج مقایسه الگوریتم­های مختلف یادگیری چندکرنلی در چارچوب روش پیشنهادی، نشان داد که الگوریتم یادگیری چندکرنلی تعمیم یافته علاوه بر دقت بیشتر، حساسیت کمتری نیز به نویز موجود در سری­های زمانی دارد.