首页|基于Google Earth Engine与机器学习的黄土梯田动态监测

基于Google Earth Engine与机器学习的黄土梯田动态监测

扫码查看
原文链接
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 万方数据
  • 维普
[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。
Dynamic monitoring of loess terraces based on Google Earth Engine and machine learning

李万源、田佳、马琴、金学娟、杨泽康、杨鹏辉

展开 >

宁夏大学 农学院,宁夏 银川 750021

黄土梯田 Google Earth Engine 遥感 机器学习 LandTrendr

31960330

2021

10.11833/j.issn.2095-0756.20200673

浙江农林大学学报
浙江农林大学

浙江农林大学学报

CSTPCDCSCD北大核心
影响因子：0.929
ISSN：2095-0756
年,卷(期)：2021.38(4)
  • 3
  • 22