Negara tropis seperti Indonesia senantiasa diselimuti kabut atau awan setiap tahunnya terutama di musim penghujan. Hal tersebut menjadi masalah ketiga pengambilan citra penutup lahan terutama apabila menggunakan sifat komplementari kedua jenis citra yang mana citra sensor SAR dapat terbebas dari kabut, namun lebih sullit dalam interpretasinya dibanding citra sensor optik. Para peneliti awalnya melakukan klasifikasi hanya dalam konteks singlesensor, baik untuk citra sensor optik maupun SAR (sensor dependent classifier). Tahun 1990-an penelitian mengenai multisumber meliputi multisensor dan multi temporal mulai berkembang dan hasilnya lebih baik dibanding dengan konteks singlesensor. Penelitian disertasi ini membahas sinergi penggunaan citra penginderaan jarak jauh (inderaja) sensor optik dan Synthetic Aperture Radar (SAR) untuk mengungkap fenomena penutup lahan melalui proses klasifikasi citra, fusi data, dan deteksi perubahan wilayah. Citra sensor optik memiliki model distribusi Gaussian, sedangkan citra sensor SAR berkarakteristik non-Gaussian (tekstur). Co-ccurrence matriks merupakan model tekstur yang banyak diguna kan. Pada dasarnya baik citra sensor optik maupun SAR terdiri dari daerah homogen dan tekstur. Penelitian ini mengusulkan Probabilistic Neural Network (PNN) model Multinomial sebagai metodologi klasifikasi baik untuk citra sensor optik maupun SAR. Untuk meningkatkan kemampuan pengklasifikasi, digunakan algoritme Expectation Maximization (EM) yang dikenal sebagai metode optimalisasi yang efisien dan ditempatkan dalam PNN multinomial sehingga diperoleh pengklasifikasi yang optimal. Pengklasifikasi yang dihasilkan diukur kinerjanya melalui tingkat akurasi (producer's accuracy), user's accuracy, overall accuracy), tingkat komputasi, tingkat generalisasi, dan tingkat signifikansinya. Selanjutnya pengklasfikasi tersebut diterapkan pada skema fusi data, dan deteksi perubahan wilayah. Eksperimen dilakukan pada lima daerah uji yang memenuhi konteks multisensor, multiband, dan multitemporal. Berdasarkan hasil eksperimen pada lima daerah uji dapat ditunjukkan bahwa rata-rata tingkat akurasi pengklasifikasi PNN model multinomial lebih baik dibanding dengan pengklasifikasi. Maximum Likelihood (MI), Back Propagation (BP), dan PNN model Gaussian untuk data yang sama Pengklasifikasi PNN model multinomial memiliki kemampuan pengenalan yang konsisten untuk citra sensor optik dan SAR, juga konsisten untuk tiap kelas kategori obyek yang ada, hal itu ditunjukkan oleh tingkat generalisasi yang baik serta signifikan untuk digunakan, namun membutuhkan tingkat komputasi yang sedikit lebih lama dari PNN Gaussian dan sedikit turun kinerjanya untuk sampel pelatihan yang kecil. Skema optimalisasi EM dapat digunakan pada pengklasifikasi karena dapat meningkatkan akurasi baik untuk citra sensor optik maupun SAR. Pengklasifikasi yang diusulkan juga mendukung penyelesaian masalah dalam konteks multitemporal untuk deteksi perubahan wilayah. Dengan menggunakan aturan keputusan joint, tingkat akurasi deteksi perubahan wilayah menggunakan PNN model multinomial, rata-rata lebih tinggi dari skema deteksi perubahan wilayah yang menggunakan back propagation untuk kasus yang sama.