Aunque se han desarrollado una gran cantidad de nuevos algoritmos de clasificación de imágenes, rara vez se prueban con la misma tarea de clasificación. En esta investigación, con el mismo conjunto de datos del Landsat Thematic Mapper (TM) y el mismo esquema de clasificación sobre la ciudad de Guangzhou, China, probamos dos algoritmos de clasificación no supervisada y 13 algoritmos de clasificación supervisada, incluidos varios algoritmos de aprendizaje automático que se han vuelto populares en la teledetección durante los últimos 20 años. Nuestro análisis se centró principalmente en la información espectral proporcionada por los datos TM. Evaluamos todos los algoritmos en un experimento de decisión de clasificación por píxel y todos los algoritmos supervisados en un experimento basado en segmentos. Encontramos que cuando se utilizaban muestras de entrenamiento suficientemente representativas, la mayoría de los algoritmos funcionaban razonablemente bien. La falta de muestras de entrenamiento llevó a discrepancias en la precisión de clasificación mayores que los propios algoritmos de clasificación. Algunos algoritmos eran más tolerantes a muestras de entrenamiento insuficientes (menos representativas) que otros. Muchos algoritmos mejoraron la precisión general marginalmente con la toma de decisiones por segmento.