基于GEE平台1995—2022年云南省LULC变化及驱动因素分析

Analysis of LULC Changes and Driving Factors in Yunnan Province from 1995 to 2022 Based on GEE Platform

摘要

快速准确地获取土地利用信息，可为城市发展和生态环境保护提供参考依据。基于谷歌地球引擎（Google Earth Engine，GEE）平台的多时相Landsat图像密集时间叠加和随机森林算法对云南省的土地利用类型进行分类，分析云南省土地利用和土地覆盖（Land use and Land cover，LULC）时空变化趋势，并使用地理探测器定量评估关键的驱动因素。结果表明，1）LULC分类平均总体精度和Kappa系数分别为88.64%、86.01%，精度较高，满足数据使用要求。2）云南省土地类型以林地、耕地、草地及稀疏灌草混交地为主，占比97.91%~98.38%，土地利用转移以林地和耕地互相转换、草地及稀疏灌草混交地转为耕地为主。3）云南省滇中和滇东部的土地利用强度总体高于其他地区，滇西北和滇西南地区的土地利用强度较低。4）不同驱动因素对LULC影响程度存在显著差异，植被类型、年均气温和土壤类型对LULC变化的影响程度相对较小，高程、坡度、坡向、年均降水、人口密度、GDP和人口城镇化率等对LULC变化的影响程度普遍较高，其中GDP、人口密度和人口城镇化率对LULC变化程度影响较高。研究结果可为云南省后续生态环境保护政策制定和区域可持续发展提供数据基础与支撑。

Abstract

Quickly and accurately obtaining land use information can provide a reference for urban development and ecological environment protection. This study classifies land use types in Yunnan Province based on multi-temporal Landsat image dense time stacking and random forest algorithm on the Google Earth Engine （GEE） platform， analyzes the spatiotemporal change trends of LULC in Yunnan Province， and uses geodetectors to quantitatively evaluate key drivers factor. The results show that， 1） the average overall accuracy and Kappa coefficient of LULC classification in this study are 88.64% and 86.01%， respectively， which is highly accurate and meets the data usage requirements. 2） The land types in Yunnan Province are mainly forest land， cultivated land， grassland， and sparse shrub grass mixed land， accounting for 97.91%-98.38%. Land use transfer mainly involves the conversion of forest land and cultivated land， and the conversion of grassland and sparse shrub grass mixed land into cultivated land. 3） The land use intensity in central and eastern Yunnan in Yunnan Province is generally higher than that in other regions， while the land use intensity in northwest and southwestern Yunnan is lower. 4） There are significant differences in the influence of different driving factors on LULC. Vegetation type， average annual temperature and soil type have a relatively small impact on LULC changes. Elevation， slope， aspect， average annual precipitation， population density， GDP and population urbanization rate， etc.， generally have a high impact on LULC changes， Among them， GDP， population density， and population urbanization rate have a higher impact on LULC changes. The research results can provide data basis and support for subsequent ecological and environmental protection policy formulation and regional sustainable development in Yunnan Province.

Graphical abstract

关键词

云南省 / 土地利用/土地覆盖（LULC） / 遥感监测 / 谷歌地球引擎 / 地理探测器 / 驱动分析

Key words

Yunnan Province / land use/land cover （LULC） / remote sensing monitoring / Google Earth Engine / geodetector / driver analysis

0 引言

土地利用和土地覆盖（Land use and Land cover，LULC）变化是影响地球生态系统稳定性的主导因素之一，在全球和区域环境变化中发挥着关键作用。LULC变化描述了人类行为对地球表面的影响，包括城市扩张、农业发展和森林砍伐等。通过对LULC的遥感监测和分析，可以揭示人类活动对生态系统、气候变化和自然资源的影响，进而帮助政府制定可持续发展战略和环境管理政策。

由于数据来源、方法和分类体系的不同，目前全球现有LULC产品存在较大的不确定性和差异性。此外，以往的研究大多关注云南省的长期植被变化^［1-2］。LULC变化与人类建设活动密切相关，探究其演变规律对地区实现可持续发展具有重要的指导意义^［3-4］。LULC遥感监测使用高分辨率光学卫星图像受到高云量和数据空白的影响，仅靠单一场景图像来监测难以完成，因此通过稠密时间堆栈方法覆盖所有可用的图像，采用叠加另一幅图像的覆盖来替换被云覆盖的区域，生成清晰的图像^［5］，该方法被广泛应用于森林^［6］、土地利用^［7］和不透水地表变化监测^［8］，优势明显。

然而，多源卫星数据的处理面临着计算能力的挑战。近年来，云计算在大规模土地覆盖测绘研究中展现出巨大优势^［9］。谷歌地球引擎（Google Earth Engine，GEE）作为一个支持空间信息处理的平台，在区域乃至全球范围内的遥感数据处理方面发挥着重要作用。目前，已经有许多大区域尺度土地覆盖研究^［10-11］和森林监测^［12］基于GEE平台展开。为了探究基于中分辨率遥感数据进行省级尺度遥感检测的技术方法，本研究利用GEE平台进行了云南省多时相LULC类型覆盖遥感监测试验。

驱动力分析是一种确定LULC变化过程并揭示区域生态环境变化机理的方法。LULC变化受到社会经济、自然环境等因素的影响^［13］，可以分为定性描述和定量分析^［14］。定性分析方法虽然能够描述LULC的发展趋势和各种驱动因素，但难以准确估计各个因素对LULC变化的影响程度。定量方法主要采用相关分析、多元回归和主成分分析等研究驱动力与LULC变化之间的关系^［15］。然而，这些方法往往忽略了驱动因素与LULC变化的空间关系，且容易受到主观因素的影响，难以准确揭示其内在变化机理。为了解决这些局限性，地理检测器作为一种新的方法被广泛应用于检测空间分异并揭示驱动因素^［16］，相较于传统的线性统计方法如相关分析和回归分析更具优势^［17］，在分析植被变化的驱动因素^［18］和生态系统健康^［19］方面得到广泛应用。

云南省位于中国西南边陲，被视为连接中国大陆与东南亚的关键门户，与缅甸、老挝等接壤，在水源涵养、维护生物多样性和气候调节方面发挥着重要作用。然而，不合理的土地利用和人口快速增长导致云南省城市化进程加快，生态平衡受到严重威胁。为了实现可持续发展，研究该地区土地利用变化，并探讨LULC驱动因素显得十分必要。本研究借助GEE平台，使用Landsat影像密集时间叠加方法监测云南省1995—2022年土地利用变化，并通过地理探测器分析人为因素和自然因素对LULC的影响，以提供理论支持，促进土地利用的合理调整和优化。

1 研究区概况

云南省地处中国西南边境的高原山区（21°8'~29°15' N，97°31'~106°11' E），海拔76.4~6 740 m，面积为39.41万km²。盆地和河谷约占总面积的6%，高原和丘陵约占10%，而山地面积约占84%^［20］，如图1所示。年均降水量在1 200~1 700 mm，年均气温在12~22 ℃。1995—2022年，云南省人口从3 989万人增长到4 693万人，GDP从0.12万亿元增长到2.9万亿元。由于其复杂的地形和气候条件，云南省拥有多样的生态系统类型，包括高山雪域、森林、草原和河流等，具体如图1所示。伴随着社会经济、人口的快速增长和城市化飞速发展，探究云南省的LULC变化有助于评估该地区土地资源的可持续利用、生态环境保护。

2 数据与方法

2.1 数据来源

本研究使用影像数据主要来源于美国地质调查局（USGS）的陆地卫星数据集，包括Landsat TM和OLI Surface Reflectance（SR）反射率产品^［21］，该数据可直接通过GEE平台进行下载处理（https：//earthengine.google.com/）。气候、土壤和植被类型数据来自中国科学院资源与环境科学数据中心（http：//www.resdc.cn）。人口密度、城镇化率和GDP等数据来源于《云南统计年鉴》（http：//stats.yn.gov.cn/）。同时，获取了全球地表覆盖遥感数据产品GlobeLand30（http：//www.globallandcover.com），用于本研究的分类结果比较^［22］。

2.2 LULC分类系统及样本选择

根据全国《土地利用现状分类》（GB/T 2010—2017）并结合研究区域实际土地覆盖情况，本研究将LULC地类分为：耕地、草地及稀疏灌草混交地、林地、水域、雪地、建设用地和未利用地。在本研究中，分类训练和检验样本主要通过对Google Earth Pro影像进行目视判读来勾绘，总共获取1 475个训练样本图斑和443个检验样本图斑，涵盖7种LULC类型。每种LULC类型至少采集50个样本，随机抽取其中70%作为LULC分类的训练样本，30%用于验证分类结果作为验证样本^［23］。

2.3 人为和自然驱动因素

本研究在参照前人研究的基础上，结合云南省实际情况共选取10个驱动因素，见表1。包括3个人为因素，7个自然因素，探究其对云南省LULC变化的影响。在ArcGIS软件中，采用自然断点法对上述相关驱动因子进行聚类处理^［24］，这是因为自然断点法可以根据数据的内在属性来确定聚类，有助于减少组内方差，增加组间方差^［25］，该方法得到学术界广泛的应用。根据前人研究成果^［25］，本研究将人口密度、人口城镇化率、GDP、年均气温、年均降水和海拔分为6个等级，将坡向、坡度、植被类型分为9类，将土壤分为14种类型。

2.4 研究方法

为了探究LULC变化，本研究选择经过正射处理和大气处理的长时间序列Landsat SR数据产品。首先，对这些影像进行云量筛选，选取云量低于20%的遥感影像，按照云量从低到高排序，以确保数据质量；其次，在Google Earth Pro中收集了训练和验证样本数据集，并将其上传到GEE平台；然后，对Landsat图像进行了一系列预处理步骤，包括数据滤波、去除云状物、镶嵌和裁剪等操作，最终得到Landsat SR复合图像。此外，本研究还计算了一些特征参数，包括归一化差异植被指数（NDVI）、归一化差异建筑指数（NDBI）、归一化差异水体指数（NDWI）和地形辅助因子（数字高程模型（DEM）、坡度、坡向）等。在分类阶段中，采用了随机森林算法，利用训练样本对Landsat图像进行分类，并结合混淆矩阵对分类结果进行验证和评估。最后，运用土地利用转移矩阵分析LULC变化情况，并利用地理探测器分析云南省LULC变化的驱动机制。

2.4.1 随机森林算法

随机森林（Random Forest，RF）算法是在决策树基础上发展而来的一种分类算法^［26］，与其他分类算法相比，RF通常对数据噪声和过拟合有更好的处理能力^［27］。此外，RF可以处理大维度的复杂数据，通常可以提供比其他传统算法如最大似然和单决策树更高的精度。因其优良的分类结果，本研究设置决策树的数量为150，其他参数均选择默认值应用于本研究LULC分类中。

2.4.2 土地利用程度综合指数

土地利用强度是人类活动最直观的表征，可以直接反映土地利用和土地覆盖（LULC）的状态。土地利用程度综合指数（L_a）用于描述某一时期土地利用的程度和强度。L_a越高，意味着该地区土地利用的强度越大，社会经济活动也越复杂。本研究中， L_a的计算公式为

L_a=\mathrm{100}\times {\displaystyle \sum _{i=\mathrm{1}}^n}{A}_i\times C_i。（1）

式中：L_a代表土地利用程度指标值；A_i 表示土地利用程度i的层次指数；C_i 表示第i类土地利用程度的分级面积所占的百分比。根据Zhuang等^［28］和Liu等^［29］的前期研究，本研究将LULC类型划分为4个等级，并分别赋值不同的分级指标，见表2。

2.4.3 地理探测器

地理探测器模型是一种评估空间异质性的方法，常用于评估各种因素对某个因变量的影响力^［24］。该模型包括因子探测器、风险探测器、生态探测器和交互探测器。本研究选择使用因子探测器来分析LULC的驱动机制。因子探测器用于检测自变量X（所选取的驱动因素）是否对因变量Y（土地利用程度综合指数）产生影响，并在一定程度上解释因变量Y的空间分异机制。通过使用（q）量化影响强度，可以更好地理解各个因素对土地利用土地利用变化影响。其数学模型如下

q=\mathrm{1}-\frac{{\displaystyle \sum _{h=\mathrm{1}}^L}{N}_h{\sigma }_h^{\mathrm{2}}}{N{\sigma }^{\mathrm{2}}}=\mathrm{1}-\frac{S_{\mathrm{S}\mathrm{W}}}{S_{\mathrm{S}\mathrm{T}}}。（2）

S_{\mathrm{S}\mathrm{W}}={\displaystyle \sum _{h=\mathrm{1}}^L}{N}_h{\sigma }_h^{\mathrm{2}},S_{\mathrm{S}\mathrm{T}}=N{\sigma }^{\mathrm{2}}。（3）

式中：L为因变量Y或自变量X的分层；N_h 及N为层h及全区单位数；σ²_h 及σ²分别为层h及全区Y的方差；S_SW及S_ST分别是层内方差之和及全区总方差。q的值域为［0，1］，q越大表明土地利用程度综合指数的空间分异性越显著；若分层是由自变量X生成的，则q越大说明此因子对因变量Y的解释力越强。

3 结果分析

3.1 LULC分类特征变量与准确性评估

本研究使用分类器上的解释方法来确定所选择特征参数在GEE平台上的重要性。特征变量的重要性得分越高，表明该变量对分类结果的影响和贡献越大。由图2可知，在1995—2022年6期特征均值分布中，坡度在所有特征变量中重要性得分最高，其次是NDVI、NDWI、NDBI、SR_B6和SR_B7。除坡向的得分较低外，其他特征变量对LULC分类的重要性得分保持稳定。

分类结果的准确性是分析LULC变化的重要前提，见表3和图3。1995—2022年的总体精度和Kappa系数均达到80%以上，达到可接受的阈值，因此该分类精度能够满足LULC分类的要求。通过对比用户精度和制图精度结果，本研究对林地、水域和雪地分类效果较好，但对耕地、草地及稀疏草灌混交地分类存在一些错误。此外，为了进一步评估本研究的分类结果，将其与全球土地覆盖产品GlobeLand30进行了比较。

3.2 LULC空间分布特征

1995—2022年云南省LULC情况见表4和图3，其中林地是最主要的土地利用类型，占比60%以上，主要分布在滇南、滇西南的德宏、临沧、西双版纳和红河等地；其次是耕地、草地及稀疏灌草混交地，分别占比20%和10%以上；耕地主要分布于昆明市、曲靖市、昭通市和红河州等地；草地及稀疏灌草混交地主要分布于昆明市东北部、文山州东部和昭通市西南部等地。

3.3 LULC时空变化特征

为了研究云南省LULC变化情况，本研究使用GIS空间分析方法构建了1995—2000年、2000—2005年、2005—2010年、2010—2016年和2016—2022年的土地利用转移概率矩阵，见表5。研究发现，林地分别有87.39%、87.13%、82.23%、88.34%和87.51%未发生改变，耕地有71.77%、76.36%、73.70%、76.95%和76.93%未发生改变，草地及稀疏灌草混交地有73.74%、78.33%、77.56%、71.11%、69.70%未发生改变。其中，林地的主要转移方向分别为耕地（8.52%、9.42%、8.00%、8.12%、10.50%），耕地的主要转移方向为林地（14.46%、19.13%、19.36%、16.89%、15.74%），稀疏灌草混交地的主要转移方向为耕地（11.78%、10.77%、14.76%、13.78%、12.13%）。由表4和图4可知，1995—2022年，云南省的建设用地呈逐渐扩张的趋势，而水域和雪地呈波浪式浮动，但总体呈下降的趋势。

3.4 土地利用变化程度

本研究结果显示，云南省的土地利用强度空间变化表现为多类型、多层次的变化。云南省滇中和滇东部的土地利用强度总体高于其他地区，如图5所示，其中滇西北和滇西南地区的土地利用较低。高土地利用强度主要集中在昆明市、曲靖市和昭通市等地区，主要受城市建设、农业和其他人类活动的影响。怒江傈僳族自治州、迪庆藏族自治州和丽江市的土地利用强度相对较低。此外，1995—2022年云南省土地利用强度呈现出“略有波动，总体上升”的趋势，但变化幅度不大。

3.5 LULC驱动因素分析

因子检测可以揭示各因子对土地利用强度的影响。本研究计算人为因素和自然因素的q，见表6。结果表明各因素对土地利用强度的影响存在显著差异。总体而言，高程、坡度、坡向、年均降水、人口密度、GDP和人口城镇化率等因子的q对土地利用强度的解释均大于0.50，其中GDP和高程在1995—2022年q均为最高。因此，GDP和高程是影响云南省LULC变化的主要人为因子和自然因子。GDP、人口密度和人口城镇化率的q均大于0.749，并呈上升趋势。2022年，这3个变量的q均高于0.877，尤其是GDP（0.919），说明GDP是驱动LULC变化的重要因素。植被类型、年均气温和土壤类型对LULC变化的影响相对较小，年均降水对LULC变化的q维持在0.526~0.823。除植被类型外，各驱动因子均进行了显著性检验（P<0.001）。

本研究将影响云南省LULC变化的驱动因素概括为：地理特征和气候条件、经济发展、人口城镇化、居民生活水平的提高及政策因素等方面。

1）地形特征和气候条件方面：这是因为云南省独特的自然条件和地形，低纬度和高海拔对降水、温度和植被类型的空间分布有显著影响，坡度对耕地、水域的空间分布具有重要意义。郭洪峰等^［30］研究同样发现地形影响土地利用类型及其变化方向，对土地利用空间格局的形成具有重要影响。云南省土地利用变化较为明显的地区主要集中于中低纬度地区，而高纬度地区如迪庆藏族自治州、怒江傈僳族和丽江市的土地利用强度较低，其LULC变化不明显。另外，云南省的雪地覆盖面积呈现减少的趋势，这一现象与全球气候变暖以及温室效应密切相关，云南省气温呈现出显著上升趋势^［31］。随着温度的升高，雪地覆盖在该地区的覆盖面积逐渐减少。冰川融化速度加快，季节性的积雪覆盖期缩短，以及降雨形式的改变，都是导致云南省的雪地覆盖面积减少的主要因素。

2）城镇化速度方面：1995—2022年云南省常住总人口数由3 989万人增至4 693万人，常住城镇人口由1 821万人增加至2 427万人，常住人口城镇化率由45.65%增长至51.72%。而乡村常住人口由54.35%下降至48.28%。乡村人口占比的减少加快了城镇化建设的速度，而城镇化扩张不仅需要占用大量耕地，还会使一部分绿地也转化为建设用地，导致云南省LULC发生变化，从而使得耕地、草地及稀疏灌混交地的减少，人地矛盾加深。

3）居民生活水平方面：云南省1995—2022年国内生产总值由0.12万亿元增长至2.9万亿元，其经济的快速发展使得居民生活水平得到了较大改善，消费能力也进一步提升。农村常住居民人均生活消费支出从1995年的981.10元上升到2022年的15 147元，常住城镇居民人均生活消费从1995年的3 448.27元上升到2022年的42 168元。随着生活水平的改善，人们在居住、交通和公共设施等方面的用地需求不断增加，从而导致建设用地增加。

4）政策因素方面：自从1998年洪灾后，国务院相继出台了多项退耕还林指导意见，并于2002年发布了《退耕还林条例》，旨在通过减少耕地面积、增加林地面积来改善生态环境和防止自然灾害。这一政策使得林地面积快速扩张，其中主要贡献来自耕地的转换。2015—2020年，中国坚持走绿色发展之路，相继完善生态和土地开发利用政策与法规。云南省积极响应国家政策号召，落实了永久基本农田划定工作，并推行了耕地占补平衡新政策，严格遵守资源生态红线，限制非农业建设用地的扩张。这些措施明显减缓了建设用地增加和耕地减少的趋势。此外，转移的耕地主要用于恢复和保护林地、草地和水域，使得土地利用与环境保护取得了显著成效。

4 讨论与结论

4.1 讨论

Landsat系列影像具有易获取、覆盖广等优势，使其在大尺度和长时间序列研究中非常便捷。但是，Landsat影像也存在一定的局限性。相比其他高分辨率遥感数据，Landsat影像的空间分辨率相对较低，这会导致了同物异谱和同谱异物的问题，引起分类错误或混淆不同的地物类型。本研究的总体精度和Kappa系数分别为85.05%~92.08%、80.33%~91.00%，根据USGS调查，建议最佳阈值为85%，Gashaw等^［32］建议最佳阈值为80%，表明本研究结果是合理可靠的。从LULC分类结果的用户精度和制图精度来看，水域和林地的分类准确度最高，这可能与研究区水域和林地相对集中有关。部分耕地、草地及稀疏草灌混交区域分类错误，这可能是草地及稀疏草灌混交区域退化造成的，导致耕地和草地及稀疏草灌混交区域的光谱特征相似，从而产生“胡椒盐”效应。为了进一步验证，本研究选择了分辨率同为30 m的全球地表遥感覆盖产品—GlobeLand30进行对比，其所选地物类型其变化规律基本一致，但与陈军等^［22］研究结论有一定的误差。这主要是由于遥感数据来源、土地利用和覆盖分类类别及方法、时间跨度、研究模型，以及所采用的分类后处理方法的不同，研究数据与结论也存在一定的差异。

在驱动因素分析研究中，政策因素对于LULC变化具有重要影响，当前政策对LULC变化影响研究是难点。关于如何建立简单、快捷高效的研究模型去量化政策因素对LULC变化的影响是需要进一步研究。此外，各因子对LULC变化的影响并非完全独立，而是会产生一定的交互作用，并且交互作用起到了决定性的作用。未来在对影响因子进行解析时应更加关注因子间交互作用对LULC变化的影响，并尽可能地将因子影响落实于空间，以更好地服务土地利用综合管理。

4.2 结论

本研究基于GEE平台构建多种特征变量，并利用随机森林算法（RF）对云南省的LULC进行分类，结合土地转移概率矩阵、土地利用程度综合指数与地理探测器等方法，探究了1995—2022年云南省土地利用变化的时空变化特征及其驱动因素，主要研究结论如下。

1）云南省LULC制图的总体精度和Kappa系数分别为85.05%~92.08%、80.33%~91.00%，均达到80%以上，精度能够满足LULC分类要求。

2）1995—2022年，云南省土地类型以林地、耕地、草地及稀疏灌草混交地为主，其余为建设用地、水域、雪地和未利用地。从土地利用转移情况来看，云南省以林地和耕地互相转换、草地及稀疏灌草混交地转为耕地为主。云南省建设用地面积呈逐渐扩张趋势，水域和雪地的面积呈波浪式浮动，但总体呈下降趋势。

3）云南省滇中和滇东部的土地利用强度总体高于其他地区，其中滇西北和滇西南地区的土地利用较低。高土地利用强度主要集中在昆明市、曲靖市和昭通市等地区。怒江傈僳族自治州、迪庆藏族自治州和丽江市的土地利用强度相对较低。研究时段内云南省土地利用强度呈现“略有波动，总体上升”的趋势。

4）不同驱动因素对LULC影响程度存在显著差异，植被类型、年均气温和土壤类型对LULC变化的影响程度相对较小，高程、坡度、坡向、年均降水、人口密度、GDP和人口城镇化率等对LULC变化的影响程度普遍较高，其中GDP、人口密度和人口城镇化率对LULC变化程度影响较高。

参考文献

[1] 谷雷，岳彩荣，赵勋，基于Google Earth Engine的云南省1999—2018年植被覆盖度变化分析［J］.西部林业科学，2020，49（5）：74-80.

[2] GU L， YUE C R， ZHAO X，et al.Analysis of changes in vegetation cover in Yunnan Province from 1999 to 2018 based on Google Earth Engine［J］.Journal of West China Forestry Science，2020，49（5）：74-80.

[3] 刘珊珊，王建雄，牛超杰，基于NDVI的云南省植被覆被变化趋势分析［J］.湖北农业科学，2017，56（11）：2037-2040.

[4] LIU S S， WANG J S， NIU C J，et al.Trend analysis of vegetation cover change in Yunnan Province based on NDVI［J］.Hubei Agricultural Sciences，2017，56（11）：2037-2040.

[5] 张佰发，苗长虹.黄河流域土地利用时空格局演变及驱动力［J］.资源科学，2020，42（3）：460-473.

[6] ZHANG B F， MIAO C H.Evolution of spatial and temporal land use patterns and driving forces in the Yellow River Basin［J］.Resources Science，2020，42（3）：460-473.

[7] 邓钰.基于MODIS数据的云南省土地覆盖分类研究［D］.昆明：云南师范大学，2016.

[8] DENG Y.Research on land cover classification of Yunnan Province based on MODIS data［D］.Kunming：Yunnan Normal University，2016.

[9] PIAO S， CUI M， CHEN A，et al.Altitude and temperature dependence of change in the spring vegetation green-up date from 1982 to 2006 in the Qinghai-Xizang Plateau［J］.Agricultural and Forest Meteorology，2011，151（12）：1599-1608.

[10] 李若楠，欧光龙，代沁伶，基于GEE和Landsat时间序列数据的香格里拉森林类型分类研究［J］.西南林业大学学报（自然科学），2020，40（5）：115-125.

[11] LI R N， OU G L， DAI Q L，et al.A study on forest type classification in Shangri-La based on GEE and Landsat time series data［J］.Journal of Southwest Forestry University（Natural Sciences），2020，40（5）：115-125.

[12] 梁锦涛，陈超，孙伟伟，长时序Landsat和GEE云平台的杭州湾土地利用/覆被变化时空格局演变［J］.遥感学报，2023，27（6）：1480-1495.

[13] LIANG J T， CHENG C， SUN W W，et al.Evolution of spatial and temporal patterns of land use/cover change in Hangzhou Bay with long time series Landsat and GEE cloud platforms［J］.National Remote Sensing Bulletin，2023，27（6）：1480-1495.

[14] 谭春阳，匡文慧，徐天蜀，近20年上海市不透水地表时空格局分析［J］.测绘地理信息，2014，39（3）：71-74.

[15] TAN C Y， KUANG W H， XU T S，et al.Analyzing spatio-temporal pattern of impervious surface for recent two decades in Shanghai［J］.Journal of Geomatics，2014，39（3）：71-74.

[16] WANG X， XIAO X， ZOU Z，et al.Tracking annual changes of coastal tidal flats in China during 1986-2016 through analyses of Landsat images with Google Earth Engine［J］.Remote Sensing of Environment，2020，238：110987.

[17] 叶敏婷，王仰麟，彭建，基于SOFM网络的云南省土地利用程度类型划分研究［J］.地理科学进展，2007（2）：97-105.

[18] YE M T， WANG Y L， PENG J，et al.A study on the classification of land use degree types in Yunnan Province based on SOFM network［J］.Progress in Geography，2007（2）：97-105.

[19] 申振宇.基于GEE的Landsat影像长时间序列数据的湟水流域土地利用/土地覆被分类及精度评估［D］.西宁：青海师范大学，2020.

[20] SHEN Z Y.Huangshui basin land use/land cover classification and accuracy assessment based on GEE′s Landsat imagery long time series data［D］.Xining：Qinghai Normal University，2020.

[21] 李微，岳彩荣.基于GEE云平台的2005-2017年云南省森林覆盖变化监测［J］.西北林学院学报，2022，37（5）：182-187.

[22] LI W， YUE C R.Monitoring of forest cover changes in Yunnan Province from 2005 to 2017 based on the GEE cloud platform［J］.Journal of Northwest Forestry University，2022，37（5）：182-187.

[23] HU Y， HU Y.Land cover changes and their driving mechanisms in Central Asia from 2001 to 2017 supported by Google Earth Engine［J］.Remote Sensing，2019，11（5）：554.

[24] BELAY T， MENGISTU D A.Land use and land cover dynamics and drivers in the Muga watershed，Upper Blue Nile basin，Ethiopia［J］.Remote Sensing Applications： Society and Environment，2019，15：100249.

[25] BERIHUN M L， TSUNEKAWA A， HAREGEWEYN N，et al.Exploring land use/land cover changes，drivers and their implications in contrasting agro-ecological environments of Ethiopia［J］.Land Use Policy，2019，87：104052.

[26] WANG J F， LI X H， CHRISTAKOS G，et al.Geographical detectors‐based health risk assessment and its application in the neural tube defects study of the Heshun Region，China［J］.International Journal of Geographical Information Science，2010，24（1）：107-127.

[27] PHIRI D， MORGENROTH J， XU C.Long-term land cover change in Zambia： An assessment of driving factors［J］.Science of the Total Environment，2019，697：134206.

[28] 王永红，鲁恒.2001—2018年云南省植被变化及驱动力［J］.山地学报，2022，40（4）：531-541.

[29] WANG Y H， LU H.Vegetation changes and drivers in Yunnan Province，2001-2018［J］.Mountain Research，2022，40（4）： 531-541.

[30] 李灏欣，万华伟，孙林，新疆生态系统健康遥感评估及关键驱动因子研究［J］.干旱区地理，2021，44（2）：460-470.

[31] LI H X， WAN H W， SUN L，et al.Remote sensing assessment of ecosystem health and key drivers in Xinjiang［J］.Arid Land Geography，2021，44（2）：460-470.

[32] 罗礼溥，郭宪国，钱体军，云南省医学革螨区系分布研究［J］.地方病通报，2007，12（1）：5-12.

[33] LUO L P， GUO X G， QIAN T J，et al.A study on the regional distribution of medical leatherback mites in Yunnan Province［J］.Endemic Disease Bulletin，2007，12（1）：5-12.

[34] GORELICK N， HANCHER M， DIXON M，et al.Google Earth Engine： Planetary-scale geospatial analysis for everyone［J］.Remote Sensing of Environment，2017，202：18-27.

[35] 陈军，廖安平，陈晋，全球30m地表覆盖遥感数据产品-Globe Land30［J］.地理信息世界，2017，24（1）： 1-8.

[36] CHEN J， LIAO A P， CHEN J，et al.30-meter global land cover data product-Globe Land30［J］.Geomatics World，2017，24（1）：1-8.

[37] ZHANG D D， ZHANG L.Land cover change in the central region of the lower Yangtze River based on Landsat imagery and the Google Earth Engine：A case study in Nanjing，China［J］.Sensors，2020，20（7）：2091.

[38] PENG W， KUANG T， TAO S.Quantifying influences of natural factors on vegetation NDVI changes based on geographical detector in Sichuan，western China［J］.Journal of Cleaner Production，2019，233：353-367.

[39] ZHU L， MENG J， ZHU L.Applying Geodetector to disentangle the contributions of natural and anthropogenic factors to NDVI variations in the middle reaches of the Heihe River Basin［J］.Ecological Indicators，2020，117：106545.

[40] 怀听听.随机森林分类算法的改进及其应用研究［D］.杭州：中国计量大学，2016.

[41] HUAI T T.Improvement of random forest classification algorithm and its application research［D］.Hangzhou：China Jiliang University，2016.

[42] BREIMAN L.Random forests［J］.Machine Learning，2001，45：5-32.

[43] ZHUANG D， LIU J.Modeling of regional differentiation of land-use degree in China［J］.Chinese Geographical Science，1997，7：302-309.

[44] LIU H， ZHENG M， LIU J，et al.Sustainable land use in the trans-provincial marginal areas in China［J］.Resources，Conservation and Recycling，2020，157：104783.

[45] 郭洪峰，许月卿，吴艳芳.基于地形梯度的土地利用格局与时空变化分析——以北京市平谷区为例［J］.经济地理，2013，3（1）：160-166，186.

[46] GUO H F， XU Y Q， WU Y F.Analysis of the land use spatial pattern and spatio-temporal changes based on Terrain gradient：a case study of pinggu district in beijing［J］.Economic Geography，2013，33（1）：160-166，186.

[47] 李涛辉，张文翔，吕爱锋，1978—2019年云南省气候生产潜力的时空演变及粮食产量响应［J］.中国农学通报，2023，39（17）：55-63.

[48] LI T H， ZHANG W X， YÜ A F，et al.Temporal and spatial evolution of climatic potential productivity and response characteristics of grain yield in yunnan province from 1978 to 2019［J］.Chinese Agricultural Science Bulletin，2023，39（17）：55-63.

[49] GASHAW T， TULU T， ARGAW M，et al.Estimating the impacts of land use/land cover changes on Ecosystem Service Values：The case of the Andassa watershed in the Upper Blue Nile basin of Ethiopia［J］.Ecosystem Services，2018，31：219-228.

基金资助

国家自然科学基金项目(42061072)