DOI：10.16601/j.cnki.issn2096-7330.2024.01.018"文章編號(hào)：2096-7330（2024）01-0139-07

摘"要：以南寧市為研究區(qū)域，基于GEE云平臺(tái)調(diào)用2020年65景Sentinel-2 MSI時(shí)序數(shù)據(jù)，分別采用隨機(jī)森林（Random Forest，RF）和支持向量機(jī)（Support Vector Machine，SVM）分類算法進(jìn)行土地利用分類研究。結(jié)果表明：（1）RF分類的總體精度和Kappa系數(shù)分別為85.59%和0.82，高于SVM分類的72.57%和0.66，且RF分類結(jié)果與實(shí)際統(tǒng)計(jì)數(shù)據(jù)更加貼合。（2）利用RF分類結(jié)果進(jìn)行土地利用現(xiàn)狀分析，南寧市林地所占面積比例最大，主要分布在中部及東西部的高海拔地區(qū)；其次為耕地和園地，相間分布于南寧市大部分區(qū)域；建設(shè)用地主要集中分布在南寧市主城區(qū)；水域以南部的邕江和大王灘水庫為主；未利用地占比較小，在研究區(qū)范圍內(nèi)零散分布。

關(guān)鍵詞：GEE云平臺(tái)；時(shí)序數(shù)據(jù)；土地利用分類；南寧市

中圖分類號(hào)：P966""文獻(xiàn)標(biāo)志碼：A

0引言

土地利用/覆蓋變化（LUCC）是當(dāng)前全球變化研究的主要焦點(diǎn)之一，也是當(dāng)代地球科學(xué)研究的前沿和熱點(diǎn)。對(duì)區(qū)域土地利用模式和過程的深入研究，有助于對(duì)未來土地利用變化趨勢(shì)的預(yù)測(cè)，并為建立可持續(xù)的土地利用提供理論支撐。但現(xiàn)有土地利用數(shù)據(jù)難以兼顧長(zhǎng)時(shí)序和高精度，因此在一些研究中需要自行提取土地利用分類信息[1]。

遙感監(jiān)測(cè)是土地利用變化格局和過程研究的重要技術(shù)手段，其意義在于能夠快速、低成本、大面積、長(zhǎng)時(shí)間序列地探測(cè)地表狀況。進(jìn)入21世紀(jì)以來，隨著高分辨率遙感技術(shù)和遙感云計(jì)算平臺(tái)的出現(xiàn)，使得以谷歌地球引擎（Google Earth Engine，GEE）為代表的遙感大數(shù)據(jù)服務(wù)平臺(tái)廣泛興起，為區(qū)域或全球土地利用空間信息的獲取提供新的途經(jīng)與方法[2]。目前已有學(xué)者基于GEE云平臺(tái)做了大量土地利用分類研究。許東凡等[3]基于GEE云平臺(tái)，采用支持向量機(jī)方法對(duì)1988—2018年滇池流域土地覆被變化進(jìn)行研究，分析其變化特點(diǎn)及驅(qū)動(dòng)力因素。戴曉琴等[4]在GEE云平臺(tái)的支持下，采用隨機(jī)森林算法對(duì)河南省近20年來的土地利用分類，并采用眾數(shù)濾波算法對(duì)分類結(jié)果進(jìn)行優(yōu)化，基于各年份分類結(jié)果分析其變化特征及變化趨勢(shì)。付夢(mèng)甜等[5]針對(duì)大尺度研究區(qū)域土地利用分類工作效率低下的問題，以蘇拉威西島為研究區(qū)，構(gòu)建海島地表覆蓋分類體系，基于GEE云平臺(tái)采用隨機(jī)森林算法提取研究區(qū)2000-2018年土地覆被信息，并對(duì)其變化特征及驅(qū)動(dòng)因素進(jìn)行分析。

目前尚未有學(xué)者基于GEE云平臺(tái)對(duì)南寧市開展土地利用分類研究。南寧市是廣西壯族自治區(qū)首府、是國(guó)務(wù)院批準(zhǔn)的北部灣經(jīng)濟(jì)區(qū)行政中心和西南海路的重要中轉(zhuǎn)樞紐。本研究基于GEE云平臺(tái)提供的Sentinel-2 MSI時(shí)序數(shù)據(jù)，采用隨機(jī)森林（RF）和支持向量機(jī)（SVM）分類算法，對(duì)南寧市2020年的土地利用進(jìn)行分類研究，通過ArcGIS10.8對(duì)分類結(jié)果進(jìn)行統(tǒng)計(jì)分析，為南寧市土地合理利用和產(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

南寧市地處廣西壯族自治區(qū)西南部，位于107°45′～108°51′E，22°13′～23°32′N之間，總面積22112km2，下轄7個(gè)區(qū)、4個(gè)縣和1個(gè)縣級(jí)市，是廣西壯族自治區(qū)首府及廣西政治、經(jīng)濟(jì)、文化中心。南寧市地形是以邕江廣大河谷為中心的盆地形態(tài)，地貌分為平地、低山、石山、丘陵和臺(tái)地5種類型，以平地為主，占全市面積的57.78%。南寧市日照充足，雨量充沛，氣候溫暖，屬亞熱帶季風(fēng)氣候。

1.2數(shù)據(jù)獲取及預(yù)處理

1.2.1遙感數(shù)據(jù)獲取

Sentinel-2是一項(xiàng)大范圍、高分辨率、多光譜成像任務(wù)，用于支持哥白尼土地監(jiān)測(cè)研究，包括監(jiān)測(cè)植被、土壤和水覆蓋，以及觀測(cè)內(nèi)陸水道和沿海地區(qū)，其影像分辨率為10m。本研究中用于土地利用分類的影像數(shù)據(jù)來自GEE平臺(tái)提供的Sentinel-2 MSI（ MultiSpectral Instrument）時(shí)間序列衛(wèi)星影像數(shù)據(jù)，產(chǎn)品的級(jí)別為2A級(jí)，已完成大氣校正等處理。首先借助GEE平臺(tái)提供的ee.ImageCollection（）函數(shù)對(duì)影像進(jìn)行調(diào)用，再利用filter函數(shù)對(duì)影像進(jìn)行時(shí)間、范圍及云量的篩選，選出2020年全年在研究區(qū)范圍內(nèi)，云量小于3%的影像，通過QA波段去云函數(shù)進(jìn)行掩膜去云后得到內(nèi)含65景影像的影像集合。

1.2.2分類特征集構(gòu)建

為優(yōu)化土地利用信息提取效果，提高分類精度，本研究選取研究區(qū)域的3種特征變量：光譜特征、遙感指數(shù)和地形特征，見表1。

王李娟等[6]在基于特征優(yōu)選隨機(jī)森林算法的農(nóng)耕區(qū)土地利用分類研究中表明，添加NDVI、EVI等遙感指數(shù)對(duì)土地利用信息提取效果有所提高。此外，本研究為了進(jìn)一步優(yōu)化分類結(jié)果，分別針對(duì)水域、未利用地、建設(shè)用地，添加了NDWI、BSI、UBI等遙感指數(shù)。張來紅等[16]在基于GEE和多維特征集的錫林浩特露天礦區(qū)近30年土地利用分類中表明，添加地形特征對(duì)分類精度有2%左右的提高。因此，從NASADEM數(shù)據(jù)中提取Elevation波段來輔助分類。

通過median（ ）函數(shù)對(duì)三種特征變量進(jìn)行中值合成，生成一景內(nèi)含多維特征的2020年南寧市RGB影像。以此為基礎(chǔ)進(jìn)行土地利用分類，相較于傳統(tǒng)的根據(jù)單景多光譜影像進(jìn)行的分類，解決了可能存在的部分像元缺失問題，精度也有所提高。

1.3樣本點(diǎn)選取

根據(jù)《土地利用現(xiàn)狀分類》（GB/T 2010—2017），結(jié)合研究區(qū)RGB影像圖呈現(xiàn)光譜特征將土地利用類型劃分為耕地、林地、園地、建設(shè)用地、水域、未利用地6類。

分類結(jié)果在很大程度上會(huì)受到樣本點(diǎn)準(zhǔn)確性的影響。因此，為了保證樣本點(diǎn)的準(zhǔn)確，按照隨機(jī)且均勻的原則，以GEE平臺(tái)提供的0.5m分辨率衛(wèi)星底圖為基礎(chǔ)，結(jié)合2020年研究區(qū)RGB影像圖對(duì)樣本點(diǎn)進(jìn)行選取。選取結(jié)果（圖1）：耕地樣本點(diǎn)121個(gè)，林地樣本點(diǎn)121個(gè)，園地樣本點(diǎn)84個(gè)，建設(shè)用地樣本點(diǎn)126個(gè)，水體樣本點(diǎn)63個(gè)，未利用地樣本點(diǎn)47個(gè)。通過withRandom.filter函數(shù)對(duì)上述樣本點(diǎn)進(jìn)行隨機(jī)劃分，其中80%作為訓(xùn)練樣本，20%作為測(cè)試樣本。

1.4分類算法

1.4.1隨機(jī)森林算法

隨機(jī)森林（Random Forest，RF）算法是由Breiman提出的一種基于多棵決策樹進(jìn)行訓(xùn)練并進(jìn)行決策的集成分類算法。隨機(jī)森林分類模型的建立：（1）構(gòu)建訓(xùn)練子集，在樣本數(shù)據(jù)集中采取隨機(jī)有放回的抽樣方法，為每個(gè)決策樹生成訓(xùn)練子集；（2）訓(xùn)練數(shù)據(jù)子集構(gòu)建決策樹，每個(gè)決策樹輸出一個(gè)結(jié)果；（3）基于所有的決策結(jié)果，通過投票方式確定最終的分類結(jié)果。

與傳統(tǒng)的分類方法相比，RF算法具有多個(gè)學(xué)習(xí)器，有效地彌補(bǔ)了傳統(tǒng)分類方法中的單一分類器的缺陷。在RF分類中每一個(gè)決策樹作為一個(gè)獨(dú)立的學(xué)習(xí)器，對(duì)樣本預(yù)測(cè)進(jìn)行投票。這樣使得分類結(jié)果更加可靠。此外，RF算法通過對(duì)大量不同的訓(xùn)練樣本（數(shù)據(jù)集）進(jìn)行有放回的隨機(jī)抽樣，能夠有效地避免分類結(jié)果局部最優(yōu)的缺點(diǎn)[7]。

1.4.2支持向量機(jī)算法

支持向量機(jī)（Support Vector Machines，SVM）算法是Vapnik基于統(tǒng)計(jì)學(xué)習(xí)理論提出的一種廣義機(jī)器學(xué)習(xí)方法，已廣泛應(yīng)用于影像分類。該算法的基本原理是：（1）選擇置信范圍最小的子集（支持向量）；（2）將分類數(shù)據(jù)投影到高維空間中；（3）構(gòu)建對(duì)訓(xùn)練樣本約束或噪聲影響容忍度最好的超平面，即最優(yōu)函數(shù)。在樣本信息有限的情況下，采用最優(yōu)函數(shù)對(duì)影像數(shù)據(jù)進(jìn)行分類，可以找到學(xué)習(xí)精度和學(xué)習(xí)效果的最佳平衡。SVM算法對(duì)未分類對(duì)象具有較強(qiáng)的泛化力[8]。

1.5分類精度評(píng)價(jià)

基于混淆矩陣，可以用一組評(píng)價(jià)指數(shù)來衡量分類結(jié)果的有效性。選取4個(gè)指標(biāo)對(duì)分類結(jié)果的精度進(jìn)行評(píng)估：

（1）總體分類精度（Overall Accuracy，OA）：指所有類別中被正確分類的像元數(shù)之和與參與驗(yàn)證的總像元數(shù)之比；

（2）用戶精度（User Accuracy，UA）：指正確分到某一類像元總數(shù)與該類真實(shí)參考像元總數(shù)的比；

（3）生產(chǎn)者精度（Producer Accuracy，PA）：指分類器將整個(gè)圖像的像元正確分為某一類像元數(shù)與該類真實(shí)參考像元總數(shù)的比；

（4）Kappa系數(shù)常用來評(píng)定兩幅圖的一致性或準(zhǔn)確性。為表示不同級(jí)別的匹配程度，可以將其劃分為5檔：0.00～0.20表示極低的一致性，0.21～0.40表示一般的一致性，0.41～0.60表示中等的一致性，0.61～0.80表示高度的一致性，0.81～1.00表示幾乎完全一致。

2結(jié)果與分析

2.1分類結(jié)果對(duì)比

以2020年南寧市RGB影像圖為基礎(chǔ)材料，通過兩種分類方法進(jìn)行土地利用分類，得到2020年南寧市土地利用空間分布如圖2所示。南寧市面積占比最大的土地利用類型為林地，耕地次之，第三為園地，其中林地主要分布在南寧市中部及邊界的山地，耕地與園地相間分布在南寧市大部分低海拔地區(qū)，建設(shè)用地主要集中分布在南寧市主城區(qū)范圍內(nèi)。

在ArcGIS10.8中對(duì)兩種土地利用分類結(jié)果進(jìn)行面積統(tǒng)計(jì)，統(tǒng)計(jì)結(jié)果見表2。RF分類結(jié)果表明2020年南寧市林地面積11551.31km2，占總面積的52.24%；耕地面積5163.15km2，占總面積的23.35%；園地面積2821.49km2占總面積的12.76%；建設(shè)用地面積1799.92km2，占總面積的8.14%；水域面積524.05km2，占總面積的2.37%；未利用地面積252.08km2，占總面積的1.14%。SVM分類結(jié)果表明2020年南寧市林地面積10193.63km2，占總面積的46.10%；耕地面積8714.34km2，占總面積的39.41%；園地面積1333.35km2，占總面積的6.03%；建設(shè)用地面積1200.68km2，占總面積的5.43%；水域面積462.14km2，占總面積的2.09%；未利用地面積207.85km2，占總面積的0.94%。

2.2分類精度對(duì)比

2.2.1精度指標(biāo)評(píng)價(jià)對(duì)比

兩種分類方法的各項(xiàng)精度指標(biāo)見表3。從精度評(píng)價(jià)指標(biāo)來看，RF分類算法的總體精度和Kappa系數(shù)明顯高于SVM分類算法，6種地類的生產(chǎn)者精度和用戶精度也優(yōu)于SVM分類算法，表現(xiàn)出較好的分類效果。通過對(duì)比兩種分類算法對(duì)各地類的PA與UA，分類精度最高的地類是水域，林地與建設(shè)用地次之，耕地與園地的分類精度最低。

2.2.2外符合精度評(píng)價(jià)

查閱文獻(xiàn)發(fā)現(xiàn)，在大部分基于GEE平臺(tái)進(jìn)行的土地利用分類研究中，作者根據(jù)總體精度、用戶精度、生產(chǎn)者精度和Kappa系數(shù)等精度評(píng)價(jià)指標(biāo)來判斷分類結(jié)果的優(yōu)劣[9-11]。為進(jìn)一步證明分類結(jié)果的可靠性，本研究將分類結(jié)果與南寧市第三次國(guó)土調(diào)查主要數(shù)據(jù)公報(bào)（以下簡(jiǎn)稱“三調(diào)”公報(bào)）中的統(tǒng)計(jì)數(shù)據(jù)進(jìn)行對(duì)比。

“三調(diào)”公報(bào)顯示，截至2019年12月31日，南寧市有耕地4800km2，園地1491km2，林地12415km2，草地171km2，濕地3km2，城鎮(zhèn)村及工礦用地1375km2，交通運(yùn)輸用地469 km2，水域及水利設(shè)施建設(shè)用地1098km2[12]。將上述統(tǒng)計(jì)數(shù)據(jù)進(jìn)行分類合并，將園地與草地統(tǒng)歸為園地，城鎮(zhèn)村及工礦用地及交通運(yùn)輸用地統(tǒng)歸為建設(shè)用地，濕地與水域及水利設(shè)施建設(shè)用地統(tǒng)歸為水域，與實(shí)驗(yàn)分類結(jié)果進(jìn)行比對(duì)，結(jié)果見表4。相比之下RF分類結(jié)果更加貼近2020年南寧市實(shí)際的土地利用狀況。

2.3南寧市土地利用的區(qū)域差異分析

從精度評(píng)價(jià)指標(biāo)和外符合精度兩方面對(duì)兩種分類算法進(jìn)行比較，RF分類結(jié)果精度更高且與統(tǒng)計(jì)數(shù)據(jù)更加貼近。因此，根據(jù)RF分類結(jié)果對(duì)南寧市各區(qū)縣土地利用狀況進(jìn)行計(jì)算統(tǒng)計(jì)，計(jì)算不同區(qū)縣各土地利用類型占南寧市總面積的百分比，結(jié)果見表5。

從表5可知，耕地面積占比排名前五的分別為橫州市、武鳴區(qū)、賓陽縣、上林縣、馬山縣，占南寧市總面積分別為3.99%、3.77%、2.69%、2.03%、2.01%；林地面積占比排名前五的分別為武鳴區(qū)、橫州市、馬山縣、隆安縣、賓陽縣，占南寧市總面積分別為8.11%、7.82%、6.74%、6.44%、4.91%；園地面積占比排名前五的分別為武鳴區(qū)、橫州市、賓陽縣、馬山縣、隆安縣，占南寧市總面積分別為1.94%、1.89%、1.33%、1.31%、1.17%；建設(shè)用地面積占比排名前五的分別為賓陽縣、武鳴區(qū)、橫州市、西鄉(xiāng)塘區(qū)、江南區(qū)，占南寧市總面積分別為1.23%、1.12%、1.00%、0.90%、0.88%；水域面積占比排名前五的分別為橫州市、良慶區(qū)、武鳴區(qū)、西鄉(xiāng)塘區(qū)、江南區(qū)，占南寧市總面積分別為0.72%、0.22%、0.21%、0.20%、0.17%；未利用地面積占比排名前五的分別為武鳴區(qū)、橫州市、西鄉(xiāng)塘區(qū)、江南區(qū)、隆安縣，占南寧市總面積分別為0.19%、0.14%、0.13%、0.12%、0.08%。

3討論

3.1GEE云平臺(tái)的優(yōu)勢(shì)

谷歌地球引擎（Google Earth Engine，GEE）遙感大數(shù)據(jù)處理與分析云平臺(tái)的出現(xiàn)，有效解決了當(dāng)前面臨的海量數(shù)據(jù)存儲(chǔ)需求空間大、數(shù)據(jù)處理與分析對(duì)性能要求高等問題。在土地利用分類研究中，影像調(diào)用、數(shù)據(jù)預(yù)處理、樣本點(diǎn)選取、選擇分類器進(jìn)行分類、精度評(píng)價(jià)、數(shù)據(jù)導(dǎo)出等一系列操作全部可以在GEE平臺(tái)實(shí)現(xiàn)[13，14]。

本研究基于GEE云平臺(tái)和Sentinel-2時(shí)序影像，通過平臺(tái)提供的JavaScript API對(duì)這些影像數(shù)據(jù)進(jìn)行了快速的調(diào)用與處理，縮短了工作周期，提高了工作效率。與基于傳統(tǒng)的桌面端遙感處理平臺(tái)進(jìn)行的分類研究相比，具有以下優(yōu)勢(shì)：

（1）在分類的基礎(chǔ)材料上，本研究調(diào)用了GEE平臺(tái)提供的65景影像，解決了單景影像質(zhì)量難以滿足土地利用分類需求的問題；添加了裸土指數(shù)、城市建筑指數(shù)等遙感指數(shù)和DEM數(shù)據(jù)以提高對(duì)應(yīng)地類的分類精度；通過中值合成的方法對(duì)65景影像進(jìn)行合成，將云和陰影的影響降到了最低，彌補(bǔ)了部分像元的缺失，提高了遙感數(shù)據(jù)的利用率。

（2）在樣本點(diǎn)的選取上，本研究以GEE平臺(tái)提供的0.5 m分辨率的衛(wèi)星地圖為基礎(chǔ)進(jìn)行選取，再對(duì)照生成的RGB影像圖進(jìn)行目視判別，相比于直接在常規(guī)的直接在10 m或30 m分辨率的影響上選取樣本點(diǎn)可以最大程度上確保樣本點(diǎn)的準(zhǔn)確率，降低樣本點(diǎn)對(duì)分類結(jié)果的影響。

（3）本研究過程采用了云端與本地相結(jié)合的方式，在云端進(jìn)行遙感數(shù)據(jù)的調(diào)用、影像去云處理、遙感指數(shù)計(jì)算和特征集構(gòu)建以及選擇分類算法進(jìn)行分類等對(duì)計(jì)算機(jī)算力要求較高的步驟；在本地進(jìn)行樣本點(diǎn)的選取、樣本點(diǎn)準(zhǔn)確性決策判讀、分類結(jié)果精度驗(yàn)證和面積統(tǒng)計(jì)與計(jì)算等步驟，充分利用了云端的計(jì)算資源，為大尺度范圍的研究提供了保障。

3.2不同分類算法比較

在對(duì)南寧市土地利用進(jìn)行分類研究中，隨機(jī)森林（RF）和支持向量機(jī)（SVM）這兩種方法的分類精度表現(xiàn)出了一定的差異性。RF分類算法在精度評(píng)價(jià)指標(biāo)和外符合精度檢驗(yàn)兩方面都比SVM分類算法更準(zhǔn)確，由此可知RF分類算法更適用于南寧市土地利用分類研究。另外，對(duì)比各種地物的分類精度可以看出，林地、水域和建設(shè)用地的分類精度較高且分類結(jié)果較穩(wěn)定，而耕地和園地的分類精度相對(duì)偏低。主要是因?yàn)楸O(jiān)督分類的分類依據(jù)是影像像元的特征差異，耕地與園地的光譜特征比較接近，使得在分類中發(fā)生了混淆，影響了最終分類結(jié)果。

4結(jié)論

本研究基于GEE云平臺(tái)，以南寧市為研究區(qū)域，調(diào)用65景Sentinel-2 MSI時(shí)序數(shù)據(jù)，分別采用隨機(jī)森林（Random Forest，RF）和支持向量機(jī)（Support Vector Machine，SVM）分類算法進(jìn)行土地利用分類研究。得出結(jié)論如下：

從分類結(jié)果來看，兩種算法均表現(xiàn)出對(duì)水域、林地和建設(shè)用地的分類精度較高，而對(duì)耕地和園地的分類精度較低。RF分類的總體精度和Kappa系數(shù)分別為85.59%和0.82，SVM分類的總體精度和Kappa系數(shù)分別為72.57%和0.66，且相比之下RF分類結(jié)果更加接近南寧市第三次國(guó)土調(diào)查中實(shí)際用地狀況，因此RF分類算法相較于SVM分類算法更適用于南寧市土地利用分類研究。

RF分類結(jié)果表明，南寧市林地面積占比最大，占南寧市總面積的52.24%，主要分布在中部和東西部的高海拔地區(qū)。其次為耕地和園地，分別占南寧市總面積的23.35%和12.76%，相間分布與南寧市大部分海拔偏低的區(qū)域。建設(shè)用地面積占8.14%，主要集中分布于南寧市主城區(qū)。水域面積占2.09%，主要為南部的邕江和大王灘水庫等。未利用地占南寧市總面積的1.14%，零散分布在武鳴區(qū)、橫州市、西鄉(xiāng)塘區(qū)等地。主要原因是存在一些批而未用、批而未建的土地，今后可以按照“在保護(hù)中開發(fā)，在開發(fā)中保護(hù)”的原則，對(duì)這些土地進(jìn)行合理有效的開發(fā)利用。

GEE平臺(tái)可以方便快捷地獲取各種研究所需的不同遙感影像數(shù)據(jù)，選擇適宜的分類方法快速準(zhǔn)確地對(duì)圖像進(jìn)行分類。有效解決海量遙感圖像數(shù)據(jù)處理過程瑣碎、計(jì)算機(jī)算力要求高等問題，顯著縮短實(shí)驗(yàn)時(shí)長(zhǎng)，大大提高工作效率，對(duì)于開展大尺度長(zhǎng)時(shí)間序列的土地利用分類研究與遙感動(dòng)態(tài)監(jiān)測(cè)具有重要意義。

參考文獻(xiàn)：

[1]"方夢(mèng)陽，劉曉煌，孔凡全，等.一種基于GEE平臺(tái)制作逐年土地覆蓋數(shù)據(jù)的方法：以黃河流域?yàn)槔齕J].自然資源遙感，2022，34（1）：135-141.

[2]"戴聲佩，易小平，羅紅霞，等.基于GEE和Landsat時(shí)間序列數(shù)據(jù)的海南島土地利用分類研究[J].熱帶作物學(xué)報(bào)，2021，42（11）：3351-3357.

[3]"許冬凡，張加龍，鮑瑞，等.基于GEE的滇池流域土地覆蓋變化及建設(shè)用地?cái)U(kuò)張驅(qū)動(dòng)力分析[J].西南林業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)），2022，42（1）：142-150.

[4]"戴曉琴，沈瑞淇，王俊，等.GEE遙感云平臺(tái)支撐下的河南省土地利用變化檢測(cè)[J].測(cè)繪科學(xué)技術(shù)學(xué)報(bào)，2021，38（3）：287-294.

[5]"付甜夢(mèng)，張麗，陳博偉，等.基于GEE平臺(tái)的海島地表覆蓋提取及變化監(jiān)測(cè)：以蘇拉威西島為例[J].遙感技術(shù)與應(yīng)用，2021，36（1）：55-64.

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

[7]"李恒凱，王利娟，肖松松.基于多源數(shù)據(jù)的南方丘陵山地土地利用隨機(jī)森林分類[J].農(nóng)業(yè)工程學(xué)報(bào)，2021，37（7）：244-251.

[8]"李平，吳曼喬，曾聯(lián)明.支持向量機(jī)技術(shù)在土地利用監(jiān)測(cè)的應(yīng)用研究[J].測(cè)繪通報(bào)，2010（8）：28-30，67.

[9]"寧曉剛，常文濤，王浩，等.聯(lián)合GEE與多源遙感數(shù)據(jù)的黑龍江流域沼澤濕地信息提取[J].遙感學(xué)報(bào)，2022，26（2）：386-396.

[10]譚深，吳炳方，張?chǎng)?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(xué)學(xué)報(bào)，2019，21（6）：937-947.

[11]鄒亞東，何亮，張曉萍，等.基于GEE數(shù)據(jù)平臺(tái)的北洛河流域1970—2019年土地利用結(jié)構(gòu)變化特征[J].水土保持通報(bào)，2021，41（6）：209-219.

[12]藍(lán)夢(mèng).南寧市第三次國(guó)土調(diào)查主要數(shù)據(jù)公報(bào)[DB/OL].（2021-10-29）[2021-11-02].http：//nnwb.nnnews.net/baobao/p/57889.html.

[13]王小娜，田金炎，李小娟，等.Google Earth Engine云平臺(tái)對(duì)遙感發(fā)展的改變[J].遙感學(xué)報(bào)，2022，26（2）：299-309.

[14]牟曉莉，李賀，黃翀，等.Google Earth Engine在土地覆被遙感信息提取中的研究進(jìn)展[J].國(guó)土資源遙感，2021，33（2）：1-10.

[15]賈坤，姚云軍，魏香琴，等.植被覆蓋度遙感估算研究進(jìn)展[J].地球科學(xué)進(jìn)展，2013，28（7）：774-782.

[16]張來紅，秦婷婷，澤仁卓格，等.基于GEE和多維特征集的錫林浩特露天礦區(qū)近30 a土地利用分類[J/OL].金屬礦山：1-12[2022-10-31].

[17]劉杰，劉吉?jiǎng)P，安晶晶，等.基于時(shí)序Landsat 8 OLI多特征與隨機(jī)森林算法的作物精細(xì)分類研究[J].干旱地區(qū)農(nóng)業(yè)研究，2020，38（3）：281-288，298.

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

[19]陳偉，劉湘媛，曾圣，等.基于GEE的地表覆蓋與氣候狀態(tài)關(guān)聯(lián)研究[J].測(cè)繪通報(bào)，2021（12）：99-104.

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

[責(zé)任編輯：黃天放]

收稿日期：2023-07-05

*基金項(xiàng)目："國(guó)家自然科學(xué)基金項(xiàng)目（42164001）；2022年本科教育教學(xué)重點(diǎn)項(xiàng)目建設(shè)經(jīng)費(fèi)（602030389173301）

第一作者簡(jiǎn)介：廖超明（1975—），廣西平南人，博士，教授，研究方向：GNSS精密數(shù)據(jù)處理、3S技術(shù)在土地資源管理中的應(yīng)用研究（liaochaoming@nnnu.edu.cn）。

通信作者簡(jiǎn)介：盛凱，男，廣西恭城人，碩士，高級(jí)工程師，研究方向：土地利用與規(guī)劃研究（58941865@qq.com）。