应用谷歌地球引擎和多维特征集构建的 艾比湖流域长时序景观分类模型

• 作者: 雷焯越 蒲智 周军
• 来源期刊: 东北林业大学学报
• 学科: 地球科学
• 关键词: 景观分类;生态系统;生态环境;艾比湖流域
• 年，卷（期）: 2025,（2）
• 页码范围: 97-104
• 页数: 8页
• 语种: 中文
• DOI: 10.13759/j.cnki.dlxb.2025.02.013

摘要

以新疆艾比湖流域为研究区域，整合历史遥感影像数据与现场地表特征考察，将艾比湖流域景观类型划分为6类(耕地、林地、草地、水域、建设用地、未利用地);以谷歌地球引擎(GEE)平台提供的艾比湖流域2002—2023年(2002、2008、2013、2018、2023年)的陆地卫星(Landsat)影像为基础数据源，以艾比湖流域长时序景观分类为评价指标，光谱指数(归一化植被指数、增强植被指数、归一化水体指数、归一化建筑指数)、地形特征(海拔、坡度、坡向)、纹理特征(角二阶矩阵、对比度、相关性、熵、协方差、逆方差、总和平均值)为影响因素，从光谱指数、地形特征、纹理特征三个角度构建并筛选最优多维特征模型；分别运用分类回归树(CART)、随机森林(RF)、梯度提升树(GBT)、支持向量机(SVM)机器学习算法，对艾比湖流域长时序景观信息进行自动分类，对比4种机器学习算法的分类精度，遴选最适用于艾比湖流域的景观分类模型。结果表明：(1)应用谷歌地球引擎云计算平台，能够高效处理、分析及可视化研究区近22 a的景观分类结果。(2)3类特征重要性，由大到小依次为光谱指数(31.52%)、地形特征(17.18%)、纹理特征(3.83%)。地形特征在单一特征中分类精度最高；光谱特征联合纹理特征，在双特征配置中对提高研究区景观分类精度呈现出较好效果；而整合光谱指数、地形特征、纹理特征的模型，能够在任一特征组合的基础上有效提高研究区景观分类模型精度。(3)4种分类算法融合光谱、地形、纹理特征，分类精度由高到低依次为随机森林、梯度提升树、分类回归树、支持向量机；随机森林在5期(2002、2008、2013、2018、2023年)影像中的总体分类精度不低于93%,卡帕系数(Kappa)不低于0.92,最适用于艾比湖流域景观分类。