基于GEE和Landsat时间序列数据的海南岛土地利用分类研究

戴声佩 易小平 罗红霞 李海亮 李茂芬 郑倩 胡盈盈

摘  要：土地利用/覆盖变化（land use/cover change，LUCC）是当前全球变化研究的核心内容之一。土地利用遥感监测是土地利用变化相关研究的重要技术手段，尤其是高分辨率遥感技术和谷歌地球引擎（Google Earth Engine，GEE）云计算平台的出现，为土地利用空间信息的获取提供了新的途径和方法。本研究基于GEE云平台提供的Landsat-8 OLI时间序列卫星影像数据，采用随机森林（random forest，RF）和支持向量机（support vector machines，SVM）分类算法，对海南岛土地利用类型进行了遥感分类研究。结果表明：RF与SVM算法对海南岛土地利用中水体和建筑用地的分类精度均较高，对耕地、园地和林地分类精度较低。与SVM方法相比，RF分类方法能够更准确识别各类地物信息，更适于海南岛土地利用分类的研究。海南岛林地（包括天然林、橡胶林等）所占比例最大，主要分布在海南岛中部;耕地和园地面积接近，相间分布于海南岛大部分区域;水体和建筑用地面积较小，在海南岛均呈零散的分布状态，以沿海地区为主。GEE平台对于开展大区域土地利用分类与遥感动态监测具有重要的意义。

关键词：GEE;Landsat;土地利用;海南岛

中图分类号：P237      文献标识码：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/覆盖变化（land use/cover change，LUCC）既是当前全球变化研究的核心内容之一，也是现代地球科学研究的前沿与热点领域之一[1]。土地利用/覆盖变化是各种人文、社会经济与自然生态环境等因子在多种时间与空间尺度上综合作用的结果，具有很复杂的机理与过程[2-3]。当前国际LUCC研究主要集中在LUCC格局和过程、LUCC驱动机制、LUCC的人类响应、LUCC模型模拟四个方面[1]。深入理解区域土地利用变化格局和过程，有利于预测未来土地利用变化趋势，可为土地利用可持续发展提供基础资料和理论依据。

遥感监测是土地利用变化格局和过程研究的重要技术手段[4]。常用的土地利用遥感监测方法主要有比较监测法和監督监测法，其中比较监测法常用的有差值法、比值法、植被指数法、主成分分析法、变化向量法等[5]，该方法多用于单一类型的土地利用/覆盖变化监测，如林火、洪水等遥感监测。而监督监测法主要运用的是分类后比较法。遥感分类方法包括非监督分类、监督分类以及面向对象分类等。国内外学者基于这些方法进行了大量土地利用变化研究，如Martinez- Casasnovas[6]先采用非监督分类大体确定类别，然后再进行土地利用细致分类，取得较高精度;Cots-Folch等[7]采用神经网络对利比亚半岛进行了土地利用分类研究;孙丹峰等[8]通过对Landsat TM和SPOT PAN影像进行融合，提取城市边缘土地利用类型并对其变化进行研究;李爽等[9]采用决策树分类法以洛宁子区为试验区，进行土地利用分类，取得了较好的分类效果;骆剑承等[10]用支持向量机法在SPOT全色波段影像上提取城市特征信息，研究表明支持向量机法分类精度高，学习速度快、自适应能力和表达性强;贾科利等[11]利用封层分类法对陕北农牧交错带进行分类取得很好效果;李帅等[12]采用监督分类对乌鲁木齐土地利用变化进行了研究，发现采用最大似然模型进行图像分类时总体精度和Kappa系数达到最优。随着机器学习算法在遥感影像分类中的应用普及，随机森林（random forest，RF）、支持向量机（support vector machines，SVM）等方法在影像分类研究中不断趋于成熟，在多个领域都有着广泛的应用。例如，RF方法在遥感信息自动提取领域获得了良好效果，广泛应用于遥感图像分类中涉及土地利用、生态区划分等方面[13-15];SVM方法则在盐碱地信息提取、湿地遥感分类、图像建筑物等方面得到了广泛的应用[16-18]。

进入21世纪，高分辨率遥感技术和云计算平台的出现，以谷歌地球引擎（Google Earth Engine，GEE）（https：//earthengine.google.com/）为代表的遥感大数据服务平台广泛兴起，如中国的PIE- Engine（http：//engine.piesat.cn/）、日本的Tellus（https：//www.tellusxdp.com/ja/）等遥感云计算服务平台。此外，中国科学院还建立了海南遥感大数据平台（http：//hndc.radi.ac.cn/）[19]。遥感大数据云计算服务平台为区域或全球土地利用空间信息的获取提供了新的途径和方法[20]。GEE云平台是一款专门用于处理卫星影像数据和其他地球观测数据的云端运算平台，不但存储了完整的对地观测卫星影像数据，以及环境和社会经济等数据，还提供足够的运算能力对这些数据进行处理[21]，成为解决遥感数据收集困难和处理效率低下问题的新途径。目前国内外学者基于GEE云平台和不同分类方法开展了大量土地利用分类研究，如Dong等[22]基于GEE云计算平台，利用长时间序列Landsat卫星数据，结合水稻物候特征，实现了对亚洲东北部水稻种植面积的时空变化监测;Huang等[23]在GEE云平台上，利用全部的Landsat数据进行了北京土地利用变化动态监测;Xiong等[24]利用GEE云平台开展了非洲大陆的耕地自动制图研究;徐晗泽宇等[25]在GEE平台支持下实现了对赣南柑橘果园的遥感信息提取并分析了其变化趋势。谭深等[26]基于GEE云平台和多源遥感数据，采用按月提取、按直方图大小提取特征的方式，利用随机森林分类器绘制了海南岛2016年10 m分辨率水稻种植分布图。

海南岛地处亚热带边缘，是我国发展热带高效农业和冬季农业的黄金场所，也是我国重要的冬季瓜菜和热带水果生产基地。本研究基于GEE云平台提供的Landsat-8 OLI时间序列卫星影像数据，采用随机森林（RF）和支持向量机（SVM）分类算法，对海南岛土地利用类型进行了遥感分类研究，利用ArcGIS地理信息系统软件绘制土地利用现状空间分布专题地图并进行相应的统计分析，为海南岛土地的合理开发利用及产业布局规划提供数据参考。

1  材料与方法

1.1  研究区概况

海南岛位于我国南海大陆架北端，由大陆岛和海洋岛组成，与广东省雷州半岛隔海相望。海南岛近似“梨”形，地形复杂，地貌多样，土地类型丰富。由于环岛四周多为滨海平原，形成了中部高、四周低的地势特点。海南岛属热带季风海洋性气候，四季不分明，气温年较差小，年平均气温高，冬春干旱，夏秋多雨，干季、雨季明显。海南岛年日照时数1780～2600 h，年平均气温22.5～25.6 ℃，年降水量1500～2500 mm，光、热、水资源丰富，风、旱、寒等气候灾害频繁。海南岛是热带雨林、热带季雨林的生长地，森林植被类型复杂;农田可全年种植，热带动植物资源丰富。

1.2  数据获取及预处理

1.2.1  卫星影像数据  本研究中用于土地利用分类的影像数据来自GEE云平台提供的覆盖研究区的2018年Landsat-8 OLI时间序列卫星影像数据。由于海南岛属热带季风海洋性气候，很难获得完全无云或低云的影像。为了解决多云覆盖影像对地物识别的和影像分类的影响，在GEE平台的支持下，编写代码对2018年所有该区域的Landsat-8 OLI影像进行遍历，利用像元级云量提取算法（具体原理参考李睿等[27]）计算研究时段内每一景影像的云量，结合研究区域特征和季节特征综合评定每一景影像的得分，生成研究区内逐像元云量最小影像，合成用于土地利用分类的数据集，以此克服研究区多云多雨气候特征对分类结果的影响，提高土地利用分类的可靠性。此外，利用API编程完成了Landsat影像的辐射校正、影像拼接、大气表观反射率（top of atmosphere reflectance，TOA）转换等影像预处理操作。本研究中共计调用覆盖研究区的2018年Landsat-8 OLI影像数据94景，选用Landsat-8卫星的2、3、4、5、6、7等6个波段参与影像分类计算，影像空间分辨率为30 m。

1.2.2  地面样本点数据  根据研究区的具体情况，将土地利用类型分为耕地、林地（天然林、橡胶林等人工林）、园地（椰子、槟榔、芒果、香蕉等）、水体及建筑用地5类。为保证数据处理精度，训练样本数据及精度验证样本数据主要来源于野外实地调查点及利用专家知识在Google Earth Pro软件中目视识别，采用随机分层抽样方法共选择1388个样本点（图1）。样本点满足研究区均匀分布原则[28]，其中，耕地453个、园地323个、林地196个、水体201个、建筑用地215个。在GEE平台中，应用JavaScript語言将样本点随机分成6∶4，分别用于土地利用分类算法的训练样本点和验证样本点。

1.3  分类算法

1.3.1  随机森林算法  随机森林（RF）算法是由Breiman提出的一种集成分类算法[29]，是机器学习方法的一种，通过构建大量分类与回归决策树分类器，能够更加高效稳定处理多维特征数据集。其原理为进行k次Bootstrap随机放回抽样，每次抽取2/3的数据建立分类与回归决策树，形成由k棵树组成的随机森林;每棵树都是一个完整的分类器，随机森林通过从每棵树分裂节点的M维特征向量中随机选择m（m<M）个参与投票，集中所有树的统计投票结果，将得票最高的类别作为分类结果。该算法中，树的个数k和节点分裂特征个数m是影响模型分类结果最重要的2个参数[30]。

1.3.2  支持向量机算法  支持向量机（SVM）算法是Vapnik根据统计学习理论提出的一种广义机器学习方法[31]，已被广泛应用于影像分类。该算法的基本思想为：先选择使置信范围最小的子集——支持向量，将分类数据投影到高维空间，对空间构建训练样本局限性或噪声影响容忍性最好的超平面即最优函数，利用最优函数对影像数据进行分类[32]，实现在有限样本信息条件下，在学习精度和学习效果之间找到最佳平衡。SVM算法对未分类对象具有较强的泛化力[33]。

1.4  分类精度评价

将分类产品与样本点进行混淆矩阵精度分析，分别计算分类结果的总体精度（overall accuracy，OA）、生产者精度（producer accuracy，PA）、用

户精度（user accuracy，UA）以及Kappa系数验证各种分类算法的分类效果或错分漏分误差。分类结果的总体精度是指所有类别中被正确分类的像元数之和与参与验证的总像元数之比，也即混淆矩阵中主对角线上元素之和与参与验证的总像元之比;生产者精度指分类器将整个图像的像元正确分为某一类像元数与该类真实参考像元总数的比;用户精度指正确分到某一类的像元总数与分类器将整个图像的像元分为该类的像元总数的比;Kappa系数通常表示两幅图匹配程度的一个参考值，同时也是总体分类精度的指标。

2  结果与分析

2.1  不同分类算法精度比较

2种分类算法的混淆矩阵及总体精度如表1所示。RF分类算法总体精度（OA）和Kappa系数均显著高于SVM分类，其对5种土地利用类型的PA和UA精度均在90%以上，达到良好的分类效果。而通过比较2种分类算法下各类地物的生产者精度（PA）和用户精度（UA）来看，2种分类方法下的PA和UA均为水体最高，建筑地次之，林地和园地分类精度结果较低。

2.2  海南岛土地利用现状特征分析

按照2种分类算法对研究区2018年遥感影像数据进行土地利用分类，得到海南岛土地利用空间分布如图2所示。海南岛林地（包括天然林、橡胶林等）所占比例最大，耕地次之，第三为园地，其中，林地主要分布在整个海岛的中部区域，而耕地和园地相间分布于海南岛大部分区域;水体和建筑用地面积所占比例相对较小，在海南岛均呈零散的分布状态，以沿海区域分布所占比例较大。

图3是基于2种分类方法的不同土地利用面积占比的统计结果。根据RF和SVM分类方法，林地占总体面积的百分比分别为40.75%、47.52%，园地的百分比分别为21.28%、15.84%，水体的百分比分别为4.21%、3.51%，耕地百分比分别为28.98%、27.29%，建筑地的百分比分别为4.79%、5.85%。可见，2种方法对林地、园地的分类结果均存在较大差别，但二者对耕地信息的分类结果较为接近，主要是因为SVM方法将海南岛东南片区的园地错分为林地。

2.3  海南岛土地利用的区域差异分析

考虑到RF分类算法的总体分类精度最高，因此将海南岛18个市县的RF土地利用分类结果进行分类统计，计算不同市县各土地利用类型占海南岛总面积的百分比，结果见表2。耕地面积占比排名前五的市县为乐东、海口、文昌、东方和儋州，其占比分别为2.98%、2.72%、2.61%、2.28%和2.18%;园地面积占比排名前五的为乐东、琼中、文昌、万宁和儋州，其占比分别为1.85%、1.76%、1.76%、1.55%和1.42%;林地面積占比排名前五的市县为儋州、琼中、白沙、澄迈和乐东，其百分比分别为5.26%、4.65%、4.65%、2.84%和2.31%;水体面积占比排名前五的市县为文昌、海口、儋州、万宁、东方，占比分别为0.59%、0.57%、0.48%、0.41%和0.37%;建筑地面积占比排名前五的市县为文昌、海口、乐东、东方、三亚，占比分别为0.68%、0.68%、0.50%、0.41%和0.41%。

3  讨论

3.1  遥感大数据平台及其应用

地球科学研究已经进入了遥感大数据时代，未来遥感应用的重要基础是大数据服务平台[19]，利用遥感大数据平台开展区域或全球土地利用研究成为未来发展趋势。GEE平台公共数据库中提供了目前广泛使用的遥感影像数据、地理空间数据集、机器学习算法和JavaScript、Python编程语言接口，为大规模的多源数据处理提供了一个高效的处理工具和环境，有效解决了遥感数据收集困难和处理效率低下等问题。相比于传统的处理影像工具，GEE可以快速、批量处理海量的遥感大数据[21]，通过GEE可以快速进行长时间序列、大范围土地利用变化遥感监测研究和应用，具有很强的平台优势和技术先进性。与国内的PIE-Engine、日本的Tellus等遥感云计算服务平台和海南遥感大数据平台相比，GEE发展相对成熟，算法全面，文档丰富，平台算力也较强。此外，GEE云平台还具有强大的全球尺度分析能力，这使得科学家、研究者以及开发人员进行变化监测、趋势分析以及量化地表差异时变得非常方便[34]。本研究基于GEE云平台，共使用94景Landsat OLI影像，通过编程快速调用和处理这些数据，使需要数天或数周的工作可以在数小时内完成，极大地提高了工作效率。

3.2  不同分类算法比较

RF和SVM 这2种分类算法在海南岛土地利用分类中的分类精度存在一定的差异。对于SVM分类算法来讲，其总体精度OA值为0.76，Kappa系数为0.69，均显著低于RF分类，同时，不同地类的生产者精度PA和用户精度UA也明显低于RF分类。由此可知，与SVM算法相比，RF算法在海南土地利用分类中具有一定的优势。另外，从不同地物之间分类精度的比较来看，水体和建筑地在2种算法下均具有较高的分类精度且相对稳定，而林地和园地的分类精度较低，其主要原因是在监督分类过程中，其分类的依据是以影像像元特征差异，而林地和园地光谱特征较为相似，光谱特征相似的易混淆地物极易产生漏分或错分。因此导致林地和园地在2种算法的分类结果中均表现为相对较低的分类结果。

3.3  本研究特点价值及存在的不足

海南岛地处热带，该区域多云多雨，覆盖研究区的单景光学影像数据质量往往不佳，不能满足分类需求。本研究中，针对海南多云多雨的热带气候特征，采用像元级最小云量影像合成方法，获取Landsat时间序列不同波段合成的纯净影像，基于GEE构建遥感分类特征数据集，为土地利用分类及其他热带作物遥感识别研究与应用提供了充足的数据基础。此外，本研究算法中，RF和SVM 2种分类算法为自动选取特征建立决策树、实现逐像元的特征匹配，较常规人工决策树方法更加客观;大量样本点的使用能够遍历全部特征，挖掘出更有普适性的决策组合，适用于热带地表状况复杂地区的土地利用分类研究[26， 35]。本研究流程中，遥感数据采集、预处理、特征提取、分类算法等所需大量存储和计算资源通过云端实现;而结果样本点选取、决策判读、精度验证等则在人工干预下在本地实现，此类云端-本地相结合的遥感分类方式，充分利用了云端多线程算力资源，可为更大尺度、更复杂多样的热带作物分类研究提供工作范式[26]。然而针对海南热带区域地物分布破碎、多种作物严重混杂、热带作物种植时间跨度大，物候多样、气候环境多云多雨的特点，仅利用光学遥感卫星开展土地利用分类研究尚存在分类体系不完善、地面样本点不足、分类算法精度不高等不足之处，未来将充分利用遥感云计算平台计算优势，结合多源遥感数据，充分发挥不同数据源的组合优势，建立更多样和更充足的地面样本点，发展更高精度的分类算法，提高区域土地利用/覆盖变化遥感监测精度，为区域可持续和绿色发展提供科学参考。

4  结论

本研究基于GEE云平台提供的Landsat-8 OLI时间序列卫星影像数据，采用RF和SVM分类算法，对海南岛土地利用进行了遥感分类研究。RF与SVM算法对海南岛土地利用分类均表现出对水体和建筑用地的分类精度较高，对耕地、园地和林地分类精度较低的特征。与SVM方法相比，RF分类方法能够更准确识别各类地物信息，更适于海南岛土地利用分类的研究。海南岛林地（包括天然林，橡胶林等）所占比例最大，主要分布在海南岛中部;耕地和园地面积接近，相间分布于海南岛大部分区域;水体和建筑地面积较小，在海南岛均呈零散的分布状态，以沿海地区为主。进一步的统计分析结果表明，海南岛林地面积占比排名前五的市县分别为儋州、琼中、白沙、澄迈和乐东，而耕地面积占比排名前五的市县分别为乐东、海口、文昌、东方和儋州，而建筑地面积占比排名前五的市县分别为文昌、海口、乐东、东方和三亚。GEE平台可以根据不同研究目的，方便快捷地调用所需的遥感影像数据，并通过适宜的影像分类方法实现快速准确的影像分类，有效地解决了海量遥感影像数据处理过程繁琐、计算机配置要求高等问题，从而显著缩短了对影像做长时间序列分析的试验周期，提高了工作效率，对于开展大区域土地利用分类与遥感动态监测具有重要的意义。

参考文献

[1] 李秀彬. 全球环境变化研究的核心领域——土地利用/土地覆被变化的国际研究动向[J]. 地理学报， 1996， 51（6）： 553-558.

[2] 陈佑启， PeterH. Verburg， 徐  斌. 中国土地利用变化及其影响的空间建模分析[J]. 地理科学进展， 2000， 19（2）： 116-127.

[3] 邓祥征， 刘纪远， 战金艳， 等. 太仆寺旗土地利用变化时空格局的动态模拟[J]. 地理研究， 2004， 23（2）：147-156， 281.

[4] 刘纪远， 匡文慧， 张增祥， 等. 20世纪80年代末以来中国土地利用变化的基本特征与空间格局[J]. 地理学报， 2014， 69（1）： 3-14.

[5] 许定成， 游先祥， 韩熙春. 应用MSS数字图像处理进行森林资源动态监测的探讨[J]. 环境遥感， 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  红. 遥感影像融合与分类在城市边缘带扩展监测中应用研究[J]. 中国农业大学学报， 2002（1）： 65-70.

[9] 李  爽， 丁圣彦， 钱乐祥. 决策树分类法及其在土地利用覆盖分类中的应用[J]. 遥感技术与应用， 2002， 17（1）： 6-11.

[10] 骆剑承， 周成虎， 梁  怡， 等. 支撑向量机及其遥感影像空间特征提取和分类的应用研究[J]. 遥感学报， 2002（1）： 50-55.

[11] 贾科利， 常庆瑞， 张俊华. 陕北农牧交错带土地利用变化及驱动机制分析[J]. 资源科学， 2008， 30（7）： 1053-1060.

[12] 李  帅， 张梦华， 郭力娜. 不同监督分类器对土地利用分类精度的影响[J]. 华北理工大学学报（自然科学版）， 2018， 40（2）： 42-48.

[13] 郭玉宝， 池天河， 彭  玲， 等. 利用随机森林的高分一号遥感数据进行城市用地分类[J]. 测绘通报， 2016（5）： 73-76.

[14] 王李娟， 孔钰如， 杨小冬， 等. 基于特征优选随机森林算法的农耕区土地利用分类[J]. 农业工程学报， 2020， 36（4）： 244-250.

[15] 周正龙， 沙晋明， 范跃新， 等. 基于随机森林的遥感土地利用分类及景观格局分析[J]. 计算机系统应用， 2020， 29（2）： 40-48.

[16] 黄  昕， 张良培， 李平湘. 基于多尺度特征融合和支持向量机的高分辨率遥感影像分类[J]. 遥感学报， 2007（1）： 48-54.

[17] 李智宇， 张  莉. 基于支持向量机分类的耕地变化检测[J]. 中国信息化， 2019（4）： 74-77.

[18] 业巧林， 许等平， 张冬. 基于深度学习特征和支持向量机的遥感图像分类[J]. 林业工程学报， 2019， 4（2）： 119-125.

[19] 张  丽， 李国庆， 朱岚巍， 等. 海南省遥感大数据服务平台建设与应用示范[J]. 遥感学报， 2019， 23（2）： 327-335.

[20] 李  琳. 基于GIS-RS技术的厦门同安区土地利用变化研究[J]. 测绘与空间地理信息， 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， 刘  冲， 王军邦， 等. Google Earth Engine平台支持下的赣南柑橘果园遥感提取研究[J]. 地球信息科学学报， 2018， 20（3）： 396-404.

[26] 谭  深， 吴炳方， 张  鑫. 基于Google Earth Engine与多源遥感数据的海南水稻分类研究[J]. 地球信息科学学报， 2019， 21（6）： 937-947.

[27] 李  睿. 基于Google Earth Engine 的桂林市土地利用时空变化分析[D]. 抚州： 东华理工大学， 2019.

[28] 胡云锋， 商令杰， 张千力， 等. 基于GEE平台的1990年以来北京市土地变化格局及驱动机制分析[J]. 遥感技术与应用， 2018， 33（4）： 573-583.

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

[30] 刘  杰， 刘吉凯， 安晶晶， 等. 基于时序Landsat 8 OLI 多特征与随机森林算法的作物精细分类研究[J]. 干旱地区农业研究， 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] 张学明， 林清莹， 于忠海， 等. 面向对象的SVM分类技术在遥感影像分类上的应用研究——以威海市为例[J]. 城市勘测， 2019， 5： 116-119， 125.

[34] 郝斌飞， 韩旭军， 马明国， 等. Google Earth Engine在地球科学与环境科学中的应用研究进展[J]. 遥感技术与应用， 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.

责任编辑：崔丽虹