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

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R2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R2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.

关键词：沙地、灌木覆盖度、Collect Earth、Google Earth Engine、机器学习

所属期刊栏目：39

资助基金：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

在线出版日期：2019-07-17（万方平台首次上网日期，不代表论文的发表时间）

页数：共14页

页码：4056-4069