Google Earth Engine（GEE） ——多种机器学习方法（随机森林、cart、svm等）进行土地分类（安第斯高原为例）用光谱指数、植被、土壤、雪和烧毁区以及地形指数构建模型

安第斯高原生态系统在地形多样的地区维持着高水平的花卉和动物生物多样性，并提供各种生态系统服务，包括向城市和下游农业谷地供水。谷歌（™）已经开发了一个专门用于测绘的产品（地球引擎），它使用户能够近乎实时地利用基于云计算的解决方案的计算能力，进行土地覆盖变化的测绘和监测。我们探索了在地形复杂、植被类型高度混杂的地形（位于秘鲁安第斯山脉中部的Nor Yauyos Cochas景观保护区）中，利用分类机器学习（ML）算法结合不同的遥感数据，使用这一平台绘制土地覆盖类型的可行性。这些算法使用3601个采样像素进行训练，这些像素包括：（a）2018年期间Landsat 8 OLI传感器的可见光和近红外光谱之间的归一化光谱带；（b）植被、土壤、水、雪、烧毁区和裸地的光谱指数；（c）地形衍生指数（海拔、坡度和坡度）。测试了六种ML算法，包括CART、随机森林、梯度树提升、最小距离、天真贝叶斯和支持向量机。结果显示，当光谱带与地形指数结合使用时，ML算法产生了准确的分类，导致具有类似光谱特征的类别之间更好的区分，如pajonal（草丛为主的覆盖）和短草或岩石群，以及冰碛、农业和森林地区。使用随机森林算法，从光谱带和地形指数的组合中获得了具有最高解释力的模型（Kappa=0.81）。我们的研究提出了在地形复杂的科迪勒拉山脉地形中的第一种方法，我们表明，GEE在快速变化和转换的山区生态系统的大规模土地覆盖制图和监测中特别有用，并可复制和扩展到具有类似特征的其他地区。