基于Google Earth Engine与机器学习的黄土梯田动态监测

摘要：

[目的] 梯田是黄土高原最重要的水土保持措施和农业生产措施,高效、准确地获取长时间序列黄土梯田分布信息,对黄土高原的水土保持监测和评价十分重要. [方法] 在Google Earth Engine(GEE)的支持下,以宁夏回族自治区固原市为研究区,使用遥感影像监督识别技术,对比随机森林(RF)、决策树(CART)、支持向量机(SVM)等3种机器学习算法的识别精度,探讨LandTrendr算法在长时间序列动态监测中的优化应用,最终获取固原市近30 a梯田分布信息.[结果] ①3种算法识别精度从大至小依次为随机森林、决策树、支持向量机.②使用随机森林算法识别梯田,基于样点检验总体精度达94.10％,Kappa系数达0.87,基于实地斑块检验总体精度达93.33％,Kappa系数达0.80.③ LandTrendr算法能有效校正时间序列中的错误值.④ 1988-2019年,固原市梯田面积减少了45.90％.⑤固原市西部的梯田使用时间较东部更长. [结论] 采用本研究方法在GEE云平台可以高效、准确地遥感监测长时序、大尺度的黄土梯田.固原市近30 a梯田农业比例逐渐下降,促进了生态环境持续向好发展.

关键词：黄土梯田;Google Earth Engine;遥感;机器学习;LandTrendr

所属期刊栏目：38

分类号：S157.2(土壤学)

资助基金：国家自然科学基金资助项目31960330

在线出版日期：2021-09-01（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：730-736