土地类型是人类活动和自然环境长期相互作用的结果， 是下垫面地表最直接的反映，不同的土地类型具有不同的生物物理及生物化学特性，影响着陆地生态环境的稳定及陆气的交互作用，是生态系统服务及气候变化研究的基础数据。干旱区下垫面土地类型划分与制图，是理解地表过程与气候反馈机制的重要基础，对干旱区生态安全与水热平衡研究具有关键意义。当前，干旱区下垫面分类仍存在类型界定模糊、多源数据协同不足以及分类精度有限等问题。本研究以干旱区新疆为研究区，针对不同土地类型在新疆地区分类不一致，分类精度低等问题，研究通过分析不同土地产品在新疆地区的差异性，提出了基于空间网格数据一致性的数据挖掘的方法，在此基础上，根据新疆不同的气候和地形特征构建了基于不同地理分区的差异化土地类型集成学习分类方法。研究结果表明，与单分类器机器学习相比，集成学习土地类型分类的精度至少提高了6.85%。 针对不同的分区， 集成学习对北疆、天山和南疆土地类型分类准确率至少分别提高了 6.70%、 5.87%和 6.86%。 此外，研究发现针对地形气候条件不同的地理分区，在兼顾土地类型分类效率与精度的情况下，北疆和南疆适宜采用SVM-RF-ANN 结合的集成策略，而全疆和天山适宜采用 SVM-RF-ANN-C4.5 结合的集成策略。研究生成的土地类型图将为干旱区的下垫面与气候效应研究提供理论框架和方法体系， 为构建适应气候变化的区域格局提供决策依据。


 

集成学习,干旱区,多源遥感数据,网格空间一致性