Este documento presenta una evaluación de los conjuntos de datos satelitales de múltiples fuentes, como Sentinel-2, Landsat-8 y el Espectrorradiómetro de Imágenes de Resolución Moderada (MODIS), con diferentes resoluciones espaciales y temporales para la cartografía de la vegetación a nivel nacional. Se aplicó un enfoque de aprendizaje automático basado en bosques aleatorios y validación cruzada para evaluar el rendimiento de los diferentes conjuntos de datos. La validación cruzada con los conjuntos de datos ricos en características, con un tamaño de muestra de 390, mostró que los conjuntos de datos de MODIS proporcionaron la mayor precisión de clasificación (Precisión general = 0.80, Coeficiente Kappa = 0.77) en comparación con Landsat 8 (Precisión general = 0.77, Coeficiente Kappa = 0.74) y los conjuntos de datos de Sentinel-2 (Precisión general = 0.66, Coeficiente Kappa = 0.61). Como resultado, se encontró que los conjuntos de datos temporalmente ricos eran cruciales para la clasificación fisiognómica de la vegetación. Sin embargo, en el caso de los conjuntos de datos de Landsat 8 o Sentinel-2, el tamaño de la muestra podría aumentarse excesivamente, ya que se podrían preparar alrededor de 9800 puntos de verdad terrestre dentro de 390 polígonos del tamaño de píxel de MODIS. El aumento en el tamaño de la muestra mejoró significativamente la clasificación utilizando los conjuntos de datos de Landsat-8 (Precisión general = 0.86, Coeficiente Kappa = 0.84). Sin embargo, los conjuntos de datos de Sentinel-2 (Precisión general = 0.77, Coeficiente Kappa = 0.74) no pudieron desempeñarse tanto como los conjuntos de datos de Landsat-8, posiblemente debido a los conjuntos de datos temporalmente limitados cubiertos por los satélites Sentinel-2 hasta ahora. Una combinación de los conjuntos de datos de Landsat-8 y Sentinel-2 mejoró ligeramente la clasificación (Precisión general = 0.89, Coeficiente Kappa = 0.87) en comparación con el uso de los conjuntos de datos de Landsat 8 por separado. A pesar de que los conjuntos de datos de Landsat 8 y Sentinel-2 tienen resoluciones temporales más bajas que los conjuntos de datos de MODIS, podrían mejorar la clasificación de tipos fisiognómicos de vegetación que de otro modo serían desafiantes, debido a la posibilidad de entrenar una mayor variación de tipos fisiognómicos a una resolución de 30 m. Basado en estos hallazgos, se generó un mapa de vegetación actualizado a 30 m de resolución utilizando los conjuntos de datos de Landsat 8 y Sentinel-2, que mostró mejor precisión que el mapa existente en Japón.