基于Google Earth Engine与机器学习的大尺度30m分辨率沙地灌木覆盖度估算

论文摘要

相较于降雨充沛的南方,中国北方沙地植被呈现覆盖整体偏低、空间异质性强的特点。灌木作为该区域的优势植被,对于风沙固定、食品/木材供给起着极为重要的作用。针对当前大尺度、中高分辨率干旱地区灌木覆盖度遥感产品缺失的现状,研究提出了一套通过Collect Earth样本收集器进行样本采集、利用Google Earth Engine遥感云平台的数据与计算优势开展大尺度灌木覆盖度估算的方法,并选取中国北方四大沙地之一的毛乌素沙地开展了示范应用。研究结果表明:(1)Collect Earth样本收集器可以有效地获取地面灌木覆盖度样本数据集,可以将灌木与高大乔木与草本植被进行有效区分,为灌木覆盖度估算样本集的建立打下了基础;(2)利用Landsat数据与其他辅助数据,机器学习算法可以较好地实现灌木覆盖度的估算,CART模型确定性系数R~2为0.73,均方根误差(Root Mean Square Error, RMSE)为13.66%,预测精度(Estimated Accuracy, EA)为61.8%,SVM模型R~2为0.72,RMSE为13.73%,EA为61.6%;(3)提出的基于GEE的灌木覆盖度估算体系可为我国乃至全球尺度干旱地区沙地灌木覆盖度信息提取提供有效支撑,具有较大的应用潜力。

论文目录

• 1 研究区概况
• 2 研究方法
•   2.1 输入因子的获取与预处理
•     （1） 卫星遥感数据
•     （2） 地形数据获取与处理
•     （3） 气候数据获取与处理
•   2.2 样本库构建
•   2.3 灌木覆盖度估算方法
•     2.3.1 CART （Classification And Regression Tree） 模型
•     2.3.2 SVM （Support Vector Machine） 模型
•   2.4 精度评价
• 3 结果与讨论
•   3.1 毛乌素沙地灌木覆盖情况
•   3.2 估算变量选择
•   3.3 灌木覆盖度估算模型构建及精度验证
•     3.3.1 CART灌木覆盖度估算模型
•     3.3.2 SVM灌木覆盖度估算模型
•     3.3.3 模型精度验证
•   3.4 时间序列灌木覆盖度变化分析
• 4 结论

文章来源

类型: 期刊论文

作者: 陈黔,李晓松,修晓敏,杨广斌

关键词: 沙地,灌木覆盖度,机器学习

来源: 生态学报 2019年11期

年度: 2019

分类: 基础科学,农业科技,信息科技

专业: 生物学,自动化技术

单位: 贵州师范大学地理与环境科学学院,中国科学院遥感与数字地球研究所数字地球重点实验室

基金: 国家重点研发计划项目(2016YFC0500806),高分辨率对地观测系统重大专项(30-Y20A03-9003-17,18)

分类号: Q948;TP181

页码: 4056-4069

总页数: 14

文件大小: 9511K

下载量: 600