基于GEE和Landsat時間序列數(shù)據(jù)的海南島土地利用分類研究

戴聲佩 易小平 羅紅霞 李海亮 李茂芬 鄭倩 胡盈盈

摘 ?要：土地利用/覆蓋變化（land use/cover change，LUCC）是當前全球變化研究的核心內(nèi)容之一。土地利用遙感監(jiān)測是土地利用變化相關(guān)研究的重要技術(shù)手段，尤其是高分辨率遙感技術(shù)和谷歌地球引擎（Google Earth Engine，GEE）云計算平臺的出現(xiàn)，為土地利用空間信息的獲取提供了新的途徑和方法。本研究基于GEE云平臺提供的Landsat-8 OLI時間序列衛(wèi)星影像數(shù)據(jù)，采用隨機森林（random forest，RF）和支持向量機（support vector machines，SVM）分類算法，對海南島土地利用類型進行了遙感分類研究。結(jié)果表明：RF與SVM算法對海南島土地利用中水體和建筑用地的分類精度均較高，對耕地、園地和林地分類精度較低。與SVM方法相比，RF分類方法能夠更準確識別各類地物信息，更適于海南島土地利用分類的研究。海南島林地（包括天然林、橡膠林等）所占比例最大，主要分布在海南島中部;耕地和園地面積接近，相間分布于海南島大部分區(qū)域;水體和建筑用地面積較小，在海南島均呈零散的分布狀態(tài)，以沿海地區(qū)為主。GEE平臺對于開展大區(qū)域土地利用分類與遙感動態(tài)監(jiān)測具有重要的意義。

關(guān)鍵詞：GEE;Landsat;土地利用;海南島

中圖分類號：P237 ? ? ?文獻標識碼：A

Abstract： Land use/cover change （LUCC） is one of the core contents of global change research. Land use remote sens-ing monitoring is an important technical for land use change research， especially the emergence of high-resolution re-mote sensing technology and Google Earth Engine （GEE） cloud computing platform， which provides a new way and method for obtaining land use spatial information. Based on the Landsat-8 OLI time series data provided by GEE cloud platform， the random forest （RF） and support vector machines （SVM） classification algorithm was used to mapping land use in Hainan Island. The results show that both RF and SVM algorithms have higher classification accuracy for water and building land， and have lower accuracy for cultivated land， garden land and forest land. Compared with SVM method， RF classification method could identify all kinds of land features more accurately and is more suitable for the study of land use classification in Hainan Island. The largest proportion of forest land （including natural forest， rubber forest， etc.） in Hainan Island is mainly distributed in the central part of Hainan Island. The area of cultivated land and garden land are distributed alternately in most areas of Hainan Island. The area of water body and construction land is small， which are scattered in Hainan Island， mainly in coastal areas. GEE platform is an useful tool for land use classification and remote sensing dynamic monitoring in large areas.

Keywords： Google Earth Engine （GEE）; Landsat; land use; Hainan Island

DOI： 10.3969/j.issn.1000-2561.2021.11.038

土地利用/覆蓋變化（land use/cover change，LUCC）既是當前全球變化研究的核心內(nèi)容之一，也是現(xiàn)代地球科學研究的前沿與熱點領(lǐng)域之一[1]。土地利用/覆蓋變化是各種人文、社會經(jīng)濟與自然生態(tài)環(huán)境等因子在多種時間與空間尺度上綜合作用的結(jié)果，具有很復(fù)雜的機理與過程[2-3]。當前國際LUCC研究主要集中在LUCC格局和過程、LUCC驅(qū)動機制、LUCC的人類響應(yīng)、LUCC模型模擬四個方面[1]。深入理解區(qū)域土地利用變化格局和過程，有利于預(yù)測未來土地利用變化趨勢，可為土地利用可持續(xù)發(fā)展提供基礎(chǔ)資料和理論依據(jù)。

遙感監(jiān)測是土地利用變化格局和過程研究的重要技術(shù)手段[4]。常用的土地利用遙感監(jiān)測方法主要有比較監(jiān)測法和監(jiān)督監(jiān)測法，其中比較監(jiān)測法常用的有差值法、比值法、植被指數(shù)法、主成分分析法、變化向量法等[5]，該方法多用于單一類型的土地利用/覆蓋變化監(jiān)測，如林火、洪水等遙感監(jiān)測。而監(jiān)督監(jiān)測法主要運用的是分類后比較法。遙感分類方法包括非監(jiān)督分類、監(jiān)督分類以及面向?qū)ο蠓诸惖?。國?nèi)外學者基于這些方法進行了大量土地利用變化研究，如Martinez- Casasnovas[6]先采用非監(jiān)督分類大體確定類別，然后再進行土地利用細致分類，取得較高精度;Cots-Folch等[7]采用神經(jīng)網(wǎng)絡(luò)對利比亞半島進行了土地利用分類研究;孫丹峰等[8]通過對Landsat TM和SPOT PAN影像進行融合，提取城市邊緣土地利用類型并對其變化進行研究;李爽等[9]采用決策樹分類法以洛寧子區(qū)為試驗區(qū)，進行土地利用分類，取得了較好的分類效果;駱劍承等[10]用支持向量機法在SPOT全色波段影像上提取城市特征信息，研究表明支持向量機法分類精度高，學習速度快、自適應(yīng)能力和表達性強;賈科利等[11]利用封層分類法對陜北農(nóng)牧交錯帶進行分類取得很好效果;李帥等[12]采用監(jiān)督分類對烏魯木齊土地利用變化進行了研究，發(fā)現(xiàn)采用最大似然模型進行圖像分類時總體精度和Kappa系數(shù)達到最優(yōu)。隨著機器學習算法在遙感影像分類中的應(yīng)用普及，隨機森林（random forest，RF）、支持向量機（support vector machines，SVM）等方法在影像分類研究中不斷趨于成熟，在多個領(lǐng)域都有著廣泛的應(yīng)用。例如，RF方法在遙感信息自動提取領(lǐng)域獲得了良好效果，廣泛應(yīng)用于遙感圖像分類中涉及土地利用、生態(tài)區(qū)劃分等方面[13-15];SVM方法則在鹽堿地信息提取、濕地遙感分類、圖像建筑物等方面得到了廣泛的應(yīng)用[16-18]。

進入21世紀，高分辨率遙感技術(shù)和云計算平臺的出現(xiàn)，以谷歌地球引擎（Google Earth Engine，GEE）（https：//earthengine.google.com/）為代表的遙感大數(shù)據(jù)服務(wù)平臺廣泛興起，如中國的PIE- Engine（http：//engine.piesat.cn/）、日本的Tellus（https：//www.tellusxdp.com/ja/）等遙感云計算服務(wù)平臺。此外，中國科學院還建立了海南遙感大數(shù)據(jù)平臺（http：//hndc.radi.ac.cn/）[19]。遙感大數(shù)據(jù)云計算服務(wù)平臺為區(qū)域或全球土地利用空間信息的獲取提供了新的途徑和方法[20]。GEE云平臺是一款專門用于處理衛(wèi)星影像數(shù)據(jù)和其他地球觀測數(shù)據(jù)的云端運算平臺，不但存儲了完整的對地觀測衛(wèi)星影像數(shù)據(jù)，以及環(huán)境和社會經(jīng)濟等數(shù)據(jù)，還提供足夠的運算能力對這些數(shù)據(jù)進行處理[21]，成為解決遙感數(shù)據(jù)收集困難和處理效率低下問題的新途徑。目前國內(nèi)外學者基于GEE云平臺和不同分類方法開展了大量土地利用分類研究，如Dong等[22]基于GEE云計算平臺，利用長時間序列Landsat衛(wèi)星數(shù)據(jù)，結(jié)合水稻物候特征，實現(xiàn)了對亞洲東北部水稻種植面積的時空變化監(jiān)測;Huang等[23]在GEE云平臺上，利用全部的Landsat數(shù)據(jù)進行了北京土地利用變化動態(tài)監(jiān)測;Xiong等[24]利用GEE云平臺開展了非洲大陸的耕地自動制圖研究;徐晗澤宇等[25]在GEE平臺支持下實現(xiàn)了對贛南柑橘果園的遙感信息提取并分析了其變化趨勢。譚深等[26]基于GEE云平臺和多源遙感數(shù)據(jù)，采用按月提取、按直方圖大小提取特征的方式，利用隨機森林分類器繪制了海南島2016年10 m分辨率水稻種植分布圖。

海南島地處亞熱帶邊緣，是我國發(fā)展熱帶高效農(nóng)業(yè)和冬季農(nóng)業(yè)的黃金場所，也是我國重要的冬季瓜菜和熱帶水果生產(chǎn)基地。本研究基于GEE云平臺提供的Landsat-8 OLI時間序列衛(wèi)星影像數(shù)據(jù)，采用隨機森林（RF）和支持向量機（SVM）分類算法，對海南島土地利用類型進行了遙感分類研究，利用ArcGIS地理信息系統(tǒng)軟件繪制土地利用現(xiàn)狀空間分布專題地圖并進行相應(yīng)的統(tǒng)計分析，為海南島土地的合理開發(fā)利用及產(chǎn)業(yè)布局規(guī)劃提供數(shù)據(jù)參考。

1 ?材料與方法

1.1 ?研究區(qū)概況

海南島位于我國南海大陸架北端，由大陸島和海洋島組成，與廣東省雷州半島隔海相望。海南島近似“梨”形，地形復(fù)雜，地貌多樣，土地類型豐富。由于環(huán)島四周多為濱海平原，形成了中部高、四周低的地勢特點。海南島屬熱帶季風海洋性氣候，四季不分明，氣溫年較差小，年平均氣溫高，冬春干旱，夏秋多雨，干季、雨季明顯。海南島年日照時數(shù)1780～2600 h，年平均氣溫22.5～25.6 ℃，年降水量1500～2500 mm，光、熱、水資源豐富，風、旱、寒等氣候災(zāi)害頻繁。海南島是熱帶雨林、熱帶季雨林的生長地，森林植被類型復(fù)雜;農(nóng)田可全年種植，熱帶動植物資源豐富。

1.2 ?數(shù)據(jù)獲取及預(yù)處理

1.2.1 ?衛(wèi)星影像數(shù)據(jù) ?本研究中用于土地利用分類的影像數(shù)據(jù)來自GEE云平臺提供的覆蓋研究區(qū)的2018年Landsat-8 OLI時間序列衛(wèi)星影像數(shù)據(jù)。由于海南島屬熱帶季風海洋性氣候，很難獲得完全無云或低云的影像。為了解決多云覆蓋影像對地物識別的和影像分類的影響，在GEE平臺的支持下，編寫代碼對2018年所有該區(qū)域的Landsat-8 OLI影像進行遍歷，利用像元級云量提取算法（具體原理參考李睿等[27]）計算研究時段內(nèi)每一景影像的云量，結(jié)合研究區(qū)域特征和季節(jié)特征綜合評定每一景影像的得分，生成研究區(qū)內(nèi)逐像元云量最小影像，合成用于土地利用分類的數(shù)據(jù)集，以此克服研究區(qū)多云多雨氣候特征對分類結(jié)果的影響，提高土地利用分類的可靠性。此外，利用API編程完成了Landsat影像的輻射校正、影像拼接、大氣表觀反射率（top of atmosphere reflectance，TOA）轉(zhuǎn)換等影像預(yù)處理操作。本研究中共計調(diào)用覆蓋研究區(qū)的2018年Landsat-8 OLI影像數(shù)據(jù)94景，選用Landsat-8衛(wèi)星的2、3、4、5、6、7等6個波段參與影像分類計算，影像空間分辨率為30 m。

1.2.2 ?地面樣本點數(shù)據(jù) ?根據(jù)研究區(qū)的具體情況，將土地利用類型分為耕地、林地（天然林、橡膠林等人工林）、園地（椰子、檳榔、芒果、香蕉等）、水體及建筑用地5類。為保證數(shù)據(jù)處理精度，訓練樣本數(shù)據(jù)及精度驗證樣本數(shù)據(jù)主要來源于野外實地調(diào)查點及利用專家知識在Google Earth Pro軟件中目視識別，采用隨機分層抽樣方法共選擇1388個樣本點（圖1）。樣本點滿足研究區(qū)均勻分布原則[28]，其中，耕地453個、園地323個、林地196個、水體201個、建筑用地215個。在GEE平臺中，應(yīng)用JavaScript語言將樣本點隨機分成6∶4，分別用于土地利用分類算法的訓練樣本點和驗證樣本點。

1.3 ?分類算法

1.3.1 ?隨機森林算法 ?隨機森林（RF）算法是由Breiman提出的一種集成分類算法[29]，是機器學習方法的一種，通過構(gòu)建大量分類與回歸決策樹分類器，能夠更加高效穩(wěn)定處理多維特征數(shù)據(jù)集。其原理為進行k次Bootstrap隨機放回抽樣，每次抽取2/3的數(shù)據(jù)建立分類與回歸決策樹，形成由k棵樹組成的隨機森林;每棵樹都是一個完整的分類器，隨機森林通過從每棵樹分裂節(jié)點的M維特征向量中隨機選擇m（m<M）個參與投票，集中所有樹的統(tǒng)計投票結(jié)果，將得票最高的類別作為分類結(jié)果。該算法中，樹的個數(shù)k和節(jié)點分裂特征個數(shù)m是影響模型分類結(jié)果最重要的2個參數(shù)[30]。

1.3.2 ?支持向量機算法 ?支持向量機（SVM）算法是Vapnik根據(jù)統(tǒng)計學習理論提出的一種廣義機器學習方法[31]，已被廣泛應(yīng)用于影像分類。該算法的基本思想為：先選擇使置信范圍最小的子集——支持向量，將分類數(shù)據(jù)投影到高維空間，對空間構(gòu)建訓練樣本局限性或噪聲影響容忍性最好的超平面即最優(yōu)函數(shù)，利用最優(yōu)函數(shù)對影像數(shù)據(jù)進行分類[32]，實現(xiàn)在有限樣本信息條件下，在學習精度和學習效果之間找到最佳平衡。SVM算法對未分類對象具有較強的泛化力[33]。

1.4 ?分類精度評價

將分類產(chǎn)品與樣本點進行混淆矩陣精度分析，分別計算分類結(jié)果的總體精度（overall accuracy，OA）、生產(chǎn)者精度（producer accuracy，PA）、用

戶精度（user accuracy，UA）以及Kappa系數(shù)驗證各種分類算法的分類效果或錯分漏分誤差。分類結(jié)果的總體精度是指所有類別中被正確分類的像元數(shù)之和與參與驗證的總像元數(shù)之比，也即混淆矩陣中主對角線上元素之和與參與驗證的總像元之比;生產(chǎn)者精度指分類器將整個圖像的像元正確分為某一類像元數(shù)與該類真實參考像元總數(shù)的比;用戶精度指正確分到某一類的像元總數(shù)與分類器將整個圖像的像元分為該類的像元總數(shù)的比;Kappa系數(shù)通常表示兩幅圖匹配程度的一個參考值，同時也是總體分類精度的指標。

2 ?結(jié)果與分析

2.1 ?不同分類算法精度比較

2種分類算法的混淆矩陣及總體精度如表1所示。RF分類算法總體精度（OA）和Kappa系數(shù)均顯著高于SVM分類，其對5種土地利用類型的PA和UA精度均在90%以上，達到良好的分類效果。而通過比較2種分類算法下各類地物的生產(chǎn)者精度（PA）和用戶精度（UA）來看，2種分類方法下的PA和UA均為水體最高，建筑地次之，林地和園地分類精度結(jié)果較低。

2.2 ?海南島土地利用現(xiàn)狀特征分析

按照2種分類算法對研究區(qū)2018年遙感影像數(shù)據(jù)進行土地利用分類，得到海南島土地利用空間分布如圖2所示。海南島林地（包括天然林、橡膠林等）所占比例最大，耕地次之，第三為園地，其中，林地主要分布在整個海島的中部區(qū)域，而耕地和園地相間分布于海南島大部分區(qū)域;水體和建筑用地面積所占比例相對較小，在海南島均呈零散的分布狀態(tài)，以沿海區(qū)域分布所占比例較大。

圖3是基于2種分類方法的不同土地利用面積占比的統(tǒng)計結(jié)果。根據(jù)RF和SVM分類方法，林地占總體面積的百分比分別為40.75%、47.52%，園地的百分比分別為21.28%、15.84%，水體的百分比分別為4.21%、3.51%，耕地百分比分別為28.98%、27.29%，建筑地的百分比分別為4.79%、5.85%?？梢姡?種方法對林地、園地的分類結(jié)果均存在較大差別，但二者對耕地信息的分類結(jié)果較為接近，主要是因為SVM方法將海南島東南片區(qū)的園地錯分為林地。

2.3 ?海南島土地利用的區(qū)域差異分析

考慮到RF分類算法的總體分類精度最高，因此將海南島18個市縣的RF土地利用分類結(jié)果進行分類統(tǒng)計，計算不同市縣各土地利用類型占海南島總面積的百分比，結(jié)果見表2。耕地面積占比排名前五的市縣為樂東、?？凇⑽牟?、東方和儋州，其占比分別為2.98%、2.72%、2.61%、2.28%和2.18%;園地面積占比排名前五的為樂東、瓊中、文昌、萬寧和儋州，其占比分別為1.85%、1.76%、1.76%、1.55%和1.42%;林地面積占比排名前五的市縣為儋州、瓊中、白沙、澄邁和樂東，其百分比分別為5.26%、4.65%、4.65%、2.84%和2.31%;水體面積占比排名前五的市縣為文昌、?？凇①僦?、萬寧、東方，占比分別為0.59%、0.57%、0.48%、0.41%和0.37%;建筑地面積占比排名前五的市縣為文昌、?？?、樂東、東方、三亞，占比分別為0.68%、0.68%、0.50%、0.41%和0.41%。

3 ?討論

3.1 ?遙感大數(shù)據(jù)平臺及其應(yīng)用

地球科學研究已經(jīng)進入了遙感大數(shù)據(jù)時代，未來遙感應(yīng)用的重要基礎(chǔ)是大數(shù)據(jù)服務(wù)平臺[19]，利用遙感大數(shù)據(jù)平臺開展區(qū)域或全球土地利用研究成為未來發(fā)展趨勢。GEE平臺公共數(shù)據(jù)庫中提供了目前廣泛使用的遙感影像數(shù)據(jù)、地理空間數(shù)據(jù)集、機器學習算法和JavaScript、Python編程語言接口，為大規(guī)模的多源數(shù)據(jù)處理提供了一個高效的處理工具和環(huán)境，有效解決了遙感數(shù)據(jù)收集困難和處理效率低下等問題。相比于傳統(tǒng)的處理影像工具，GEE可以快速、批量處理海量的遙感大數(shù)據(jù)[21]，通過GEE可以快速進行長時間序列、大范圍土地利用變化遙感監(jiān)測研究和應(yīng)用，具有很強的平臺優(yōu)勢和技術(shù)先進性。與國內(nèi)的PIE-Engine、日本的Tellus等遙感云計算服務(wù)平臺和海南遙感大數(shù)據(jù)平臺相比，GEE發(fā)展相對成熟，算法全面，文檔豐富，平臺算力也較強。此外，GEE云平臺還具有強大的全球尺度分析能力，這使得科學家、研究者以及開發(fā)人員進行變化監(jiān)測、趨勢分析以及量化地表差異時變得非常方便[34]。本研究基于GEE云平臺，共使用94景Landsat OLI影像，通過編程快速調(diào)用和處理這些數(shù)據(jù)，使需要數(shù)天或數(shù)周的工作可以在數(shù)小時內(nèi)完成，極大地提高了工作效率。

3.2 ?不同分類算法比較

RF和SVM 這2種分類算法在海南島土地利用分類中的分類精度存在一定的差異。對于SVM分類算法來講，其總體精度OA值為0.76，Kappa系數(shù)為0.69，均顯著低于RF分類，同時，不同地類的生產(chǎn)者精度PA和用戶精度UA也明顯低于RF分類。由此可知，與SVM算法相比，RF算法在海南土地利用分類中具有一定的優(yōu)勢。另外，從不同地物之間分類精度的比較來看，水體和建筑地在2種算法下均具有較高的分類精度且相對穩(wěn)定，而林地和園地的分類精度較低，其主要原因是在監(jiān)督分類過程中，其分類的依據(jù)是以影像像元特征差異，而林地和園地光譜特征較為相似，光譜特征相似的易混淆地物極易產(chǎn)生漏分或錯分。因此導致林地和園地在2種算法的分類結(jié)果中均表現(xiàn)為相對較低的分類結(jié)果。

3.3 ?本研究特點價值及存在的不足

海南島地處熱帶，該區(qū)域多云多雨，覆蓋研究區(qū)的單景光學影像數(shù)據(jù)質(zhì)量往往不佳，不能滿足分類需求。本研究中，針對海南多云多雨的熱帶氣候特征，采用像元級最小云量影像合成方法，獲取Landsat時間序列不同波段合成的純凈影像，基于GEE構(gòu)建遙感分類特征數(shù)據(jù)集，為土地利用分類及其他熱帶作物遙感識別研究與應(yīng)用提供了充足的數(shù)據(jù)基礎(chǔ)。此外，本研究算法中，RF和SVM 2種分類算法為自動選取特征建立決策樹、實現(xiàn)逐像元的特征匹配，較常規(guī)人工決策樹方法更加客觀;大量樣本點的使用能夠遍歷全部特征，挖掘出更有普適性的決策組合，適用于熱帶地表狀況復(fù)雜地區(qū)的土地利用分類研究[26， 35]。本研究流程中，遙感數(shù)據(jù)采集、預(yù)處理、特征提取、分類算法等所需大量存儲和計算資源通過云端實現(xiàn);而結(jié)果樣本點選取、決策判讀、精度驗證等則在人工干預(yù)下在本地實現(xiàn)，此類云端-本地相結(jié)合的遙感分類方式，充分利用了云端多線程算力資源，可為更大尺度、更復(fù)雜多樣的熱帶作物分類研究提供工作范式[26]。然而針對海南熱帶區(qū)域地物分布破碎、多種作物嚴重混雜、熱帶作物種植時間跨度大，物候多樣、氣候環(huán)境多云多雨的特點，僅利用光學遙感衛(wèi)星開展土地利用分類研究尚存在分類體系不完善、地面樣本點不足、分類算法精度不高等不足之處，未來將充分利用遙感云計算平臺計算優(yōu)勢，結(jié)合多源遙感數(shù)據(jù)，充分發(fā)揮不同數(shù)據(jù)源的組合優(yōu)勢，建立更多樣和更充足的地面樣本點，發(fā)展更高精度的分類算法，提高區(qū)域土地利用/覆蓋變化遙感監(jiān)測精度，為區(qū)域可持續(xù)和綠色發(fā)展提供科學參考。

4 ?結(jié)論

本研究基于GEE云平臺提供的Landsat-8 OLI時間序列衛(wèi)星影像數(shù)據(jù)，采用RF和SVM分類算法，對海南島土地利用進行了遙感分類研究。RF與SVM算法對海南島土地利用分類均表現(xiàn)出對水體和建筑用地的分類精度較高，對耕地、園地和林地分類精度較低的特征。與SVM方法相比，RF分類方法能夠更準確識別各類地物信息，更適于海南島土地利用分類的研究。海南島林地（包括天然林，橡膠林等）所占比例最大，主要分布在海南島中部;耕地和園地面積接近，相間分布于海南島大部分區(qū)域;水體和建筑地面積較小，在海南島均呈零散的分布狀態(tài)，以沿海地區(qū)為主。進一步的統(tǒng)計分析結(jié)果表明，海南島林地面積占比排名前五的市縣分別為儋州、瓊中、白沙、澄邁和樂東，而耕地面積占比排名前五的市縣分別為樂東、?？?、文昌、東方和儋州，而建筑地面積占比排名前五的市縣分別為文昌、海口、樂東、東方和三亞。GEE平臺可以根據(jù)不同研究目的，方便快捷地調(diào)用所需的遙感影像數(shù)據(jù)，并通過適宜的影像分類方法實現(xiàn)快速準確的影像分類，有效地解決了海量遙感影像數(shù)據(jù)處理過程繁瑣、計算機配置要求高等問題，從而顯著縮短了對影像做長時間序列分析的試驗周期，提高了工作效率，對于開展大區(qū)域土地利用分類與遙感動態(tài)監(jiān)測具有重要的意義。

參考文獻

[1] 李秀彬. 全球環(huán)境變化研究的核心領(lǐng)域——土地利用/土地覆被變化的國際研究動向[J]. 地理學報， 1996， 51（6）： 553-558.

[2] 陳佑啟， PeterH. Verburg， 徐 ?斌. 中國土地利用變化及其影響的空間建模分析[J]. 地理科學進展， 2000， 19（2）： 116-127.

[3] 鄧祥征， 劉紀遠， 戰(zhàn)金艷， 等. 太仆寺旗土地利用變化時空格局的動態(tài)模擬[J]. 地理研究， 2004， 23（2）：147-156， 281.

[4] 劉紀遠， 匡文慧， 張增祥， 等. 20世紀80年代末以來中國土地利用變化的基本特征與空間格局[J]. 地理學報， 2014， 69（1）： 3-14.

[5] 許定成， 游先祥， 韓熙春. 應(yīng)用MSS數(shù)字圖像處理進行森林資源動態(tài)監(jiān)測的探討[J]. 環(huán)境遙感， 1991（2）： 106- 112，163.

[6] Martinez-Casasnovas J A. A cartographic and database approach for land cover/use mapping and generalization from remotely sensed data[J]. International Journal of Remote Sensing， 2000， 21（9）： 1825-1842.

[7] Cots-Folch R， Aitkenhead M J， Martinez-Casasnovas J A. Mapping land cover from detailed aerial photography data using textural and neural network analysis[J]. International Journal of Remote Sensing， 2007， 28（7）： 1625-1642.

[8] 孫丹峰， 李 ?紅. 遙感影像融合與分類在城市邊緣帶擴展監(jiān)測中應(yīng)用研究[J]. 中國農(nóng)業(yè)大學學報， 2002（1）： 65-70.

[9] 李 ?爽， 丁圣彥， 錢樂祥. 決策樹分類法及其在土地利用覆蓋分類中的應(yīng)用[J]. 遙感技術(shù)與應(yīng)用， 2002， 17（1）： 6-11.

[10] 駱劍承， 周成虎， 梁 ?怡， 等. 支撐向量機及其遙感影像空間特征提取和分類的應(yīng)用研究[J]. 遙感學報， 2002（1）： 50-55.

[11] 賈科利， 常慶瑞， 張俊華. 陜北農(nóng)牧交錯帶土地利用變化及驅(qū)動機制分析[J]. 資源科學， 2008， 30（7）： 1053-1060.

[12] 李 ?帥， 張夢華， 郭力娜. 不同監(jiān)督分類器對土地利用分類精度的影響[J]. 華北理工大學學報（自然科學版）， 2018， 40（2）： 42-48.

[13] 郭玉寶， 池天河， 彭 ?玲， 等. 利用隨機森林的高分一號遙感數(shù)據(jù)進行城市用地分類[J]. 測繪通報， 2016（5）： 73-76.

[14] 王李娟， 孔鈺如， 楊小冬， 等. 基于特征優(yōu)選隨機森林算法的農(nóng)耕區(qū)土地利用分類[J]. 農(nóng)業(yè)工程學報， 2020， 36（4）： 244-250.

[15] 周正龍， 沙晉明， 范躍新， 等. 基于隨機森林的遙感土地利用分類及景觀格局分析[J]. 計算機系統(tǒng)應(yīng)用， 2020， 29（2）： 40-48.

[16] 黃 ?昕， 張良培， 李平湘. 基于多尺度特征融合和支持向量機的高分辨率遙感影像分類[J]. 遙感學報， 2007（1）： 48-54.

[17] 李智宇， 張 ?莉. 基于支持向量機分類的耕地變化檢測[J]. 中國信息化， 2019（4）： 74-77.

[18] 業(yè)巧林， 許等平， 張冬. 基于深度學習特征和支持向量機的遙感圖像分類[J]. 林業(yè)工程學報， 2019， 4（2）： 119-125.

[19] 張 ?麗， 李國慶， 朱嵐巍， 等. 海南省遙感大數(shù)據(jù)服務(wù)平臺建設(shè)與應(yīng)用示范[J]. 遙感學報， 2019， 23（2）： 327-335.

[20] 李 ?琳. 基于GIS-RS技術(shù)的廈門同安區(qū)土地利用變化研究[J]. 測繪與空間地理信息， 2014， 37（12）： 110-112.

[21] Gorelick N， Hancher M， Dixon M， et al. Google Earth En-gine： Planetary-scale geospatial analysis for everyone[J]. Remote Sensing of Environment， 2017， 202： 18-27.

[22] Dong J W， Xiao X M， Menarguez M A， et al. Mapping pad-dy rice planting area in northeastern Asia with Landsat 8 images， phenology-based algorithm and Google Earth En-gine[J]. Remote Sensing of Environment， 2016， 185： 142-154.

[23] Huang H B， Chen Y L， Clinton N， et al. Mapping major land cover dynamics in Beijing using all Landsat images in Google Earth Engine[J]. Remote Sensing of Environment， 2017， 202： 166-176.

[24] Xiong J， Thenkabail P S， Gumma M K， et al. Automated cropland mapping of continental Africa using Google Earth Engine cloud computing[J]. ISPRS Journal of Photogram-metry and Remote Sensing， 2017， 126： 225-244.

[25] 徐晗澤宇， 劉 ?沖， 王軍邦， 等. Google Earth Engine平臺支持下的贛南柑橘果園遙感提取研究[J]. 地球信息科學學報， 2018， 20（3）： 396-404.

[26] 譚 ?深， 吳炳方， 張 ?鑫. 基于Google Earth Engine與多源遙感數(shù)據(jù)的海南水稻分類研究[J]. 地球信息科學學報， 2019， 21（6）： 937-947.

[27] 李 ?睿. 基于Google Earth Engine 的桂林市土地利用時空變化分析[D]. 撫州： 東華理工大學， 2019.

[28] 胡云鋒， 商令杰， 張千力， 等. 基于GEE平臺的1990年以來北京市土地變化格局及驅(qū)動機制分析[J]. 遙感技術(shù)與應(yīng)用， 2018， 33（4）： 573-583.

[29] Breiman L. Random forest[J]. Machine Learning， 2001， 45： 5-32.

[30] 劉 ?杰， 劉吉凱， 安晶晶， 等. 基于時序Landsat 8 OLI 多特征與隨機森林算法的作物精細分類研究[J]. 干旱地區(qū)農(nóng)業(yè)研究， 2020， 38（3）： 281-288， 298.

[31] Vapnik V. The nature of statistical learning theory[M]. NewYork： Springer-Verlag， 1995.

[32] Foody G M， Mathur A. A relative evaluation of multiclass image classification by support vector machines[J]. IEEE Transaction on Geoscience and Remote Sensing， 2004， 42（6）： 1335-1343.

[33] 張學明， 林清瑩， 于忠海， 等. 面向?qū)ο蟮腟VM分類技術(shù)在遙感影像分類上的應(yīng)用研究——以威海市為例[J]. 城市勘測， 2019， 5： 116-119， 125.

[34] 郝斌飛， 韓旭軍， 馬明國， 等. Google Earth Engine在地球科學與環(huán)境科學中的應(yīng)用研究進展[J]. 遙感技術(shù)與應(yīng)用， 2018， 33（4）： 600-611.

[35] Azzari G， Lobell D. Landsat-based classification in the cloud： An opportunity for a paradigm shift in land cover monitoring[J]. Remote Sensing of Environment， 2017， 202： 64-74.

責任編輯：崔麗虹