基于Google Earth Engine与机器学习的黄土梯田动态监测

李万源，田 佳，马 琴，金学娟，杨泽康，杨鹏辉

（宁夏大学 农学院，宁夏 银川 750021）

宁夏回族自治区固原市位于黄土高塬沟壑区[1]。长期的过度放牧、不合理耕作，导致该地区植被稀疏、水土流失加剧[2]，严重影响了当地社会经济发展和生态安全。梯田有效缓解了农业生产带来的水土流失问题[3]，从20世纪80年代开始，固原市实施了大面积的坡改梯工程[4]。加之2000年开始实施的国家退耕还林还草工程[5]，该地区的水土流失问题有所缓解，生态环境持续向好[6]。随着遥感技术的快速发展，如何从遥感影像中高效、准确、大尺度地获取梯田时空分布信息，对于指导农业生产、水土保持监测和防治水土流失具有重要的意义。传统的梯田遥感识别主要采用目视解译[7]，该方法精度较高，但存在耗时耗力、成本高、方法复用性差等问题，目前更多用来采集机器学习(machine learning)的样本[8]。近年来，大部分学者采用面向对象或基于像元的监督识别技术，利用决策树(CART)、随机森林(RF)、支持向量机(SVM)、深度学习(DL)等[9−11]机器学习算法，先学习采集的样本，然后利用学习好的模型识别新的样本。面向对象技术较基于像元识别技术，不仅依靠地物的光谱特征，还利用像元和像元之间的关系提高识别精度，识别过程更加复杂，影像分辨率要求更高[7]。但是，无论采用哪种方法进行梯田遥感识别，基本上都是基于单机处理，普遍存在遥感数据获取困难、预处理复杂、性能限制等问题[9]，难以开展大尺度的遥感识别研究。……