پوشش زمین و تغییرات آن از چنان اهمیتی در زندگی ما برخوردار است که سالانه هزینه سنگینی صرف بررسی و مدیریت آن می­شود. از این‌رو، انواع روش­های مؤثر در این زمینه همواره موردتوجه محققین بوده است. روش­های مبتنی بر سنجش‌ازدور با توجه به قابلیت­های بیشمار آن­ها، با اقبال خوبی در سال­های اخیر مواجه شده­اند. در این میان الگوریتم­های طبقه­بندی به‌عنوان یکی از اساسی­ترین ابزارها در آنالیز تصاویر سنجش‌ازدوری به شمار می­آیند. تصاویر رادار با روزنه مجازی[1] نیز با توجه به داده­های غنی و قابلیت اخذ داده در روز و شب و در شرایط مختلف آب و هوایی، پتانسیل بالایی در مطالعه و بررسی پوشش زمینی دارند. پیشرفت­های اخیر سنجنده­های رادار با روزنه مجازی در اخذ داده با قدرت تفکیک مکانی بسیار بالا و به ‌صورت تمام پلاریمتری، علاوه بر ایجاد امکان مطالعه دقیق پوشش زمینی، استفاده از الگوریتم­های قدرتمند جهت پردازش آن­ها را اجتناب‌ناپذیر و لازم کرده است. در این مقاله از مدل BOVW[2] با رویکردی جدید، به‌منظور طبقه­بندی تصویر تمام پلاریمتری رادار با روزنه مجازی استفاده ‌شده است و نتایج حاصل ازنظر کمی و کیفی با نتیجه حاصل از طبقه­بندی تصویر مورد نظر با استفاده از الگوریتم­های ماشین بردار پشتیبان[3]، شبکه عصبی مصنوعی[4] و ویشارت[5]، مقایسه شده است. تصویر مورد مطالعه تصویر اخذ شده توسط سنجنده رادارست2 از منطقه سانفرانسیسکو می­باشد که در باند C و به ‌صورت تمام پلاریمتری اخذ شده است. دقت کلی 90.1% به‌دست‌آمده از طبقه­بندی تصویر مورد نظر، نشانگر پتانسیل بالای این مدل در طبقه‌بندی تصاویر رادار با روزنه مجازی می­باشد. همچنین عدم تأثیر اسپکل در نتایج نهایی روش پیشنهاد شده، دیگر مزیت این روش به شمار می­آید.