基于机器学习模型的大比例尺土地自然类型分布预测

　　 摘要:

土地自然类型调查与制图是自然资源管理的基础,但当前仍较缺乏大比例尺制图和高精度自动分类方法,难以满足精细化管理需求。旨在融合野外调查与机器学习,建立高精度土地自然类型分类新方法,并在自然地理差异显著的新疆塔里木河下游和海南三亚两个典型案例区进行验证。研究依托野外观测站点,采用无人机航测、植被样方调查、土壤属性检测等方法,构建"植被-土壤-地貌"分类体系;并运用随机森林模型,基于多源环境变量实现土地自然类型的自动分类。结果表明:(1)新疆和海南研究区分别划分出55种和25种土地自然类型,随机森林模型分类准确率分别达到87.47%-89.48%和95.92%-97.83%。(2)土壤含水量和海拔是影响两地土地类型分异的主导环境因子。(3)在实测数据缺失区域,利用公开遥感产品数据进行替代,模型精度仅下降1.1%-5.3%。本研究构建了一套可推广的"野外调查+机器学习"大比例尺土地自然类型分类框架,具有较高的分类效率与精度,可为国土空间规划与生态保护提供精准高效的数据支持。