我院高小红教授团队提出的流域尺度土地利用/土地覆被子区域集成学习分类框架，实现了LULC的精细分类，为流域尺度的LULC制图技术提供了一种新的思路。

近期地理科学学院/青海省自然地理与环境过程重点实验室高小红教授团队提出的流域尺度土地利用/土地覆被（LULC）子区域集成学习分类框架，即“A Framework for Subregion Ensemble Learning Mapping of Land Use/Land Cover at the Watershed Scale”在《Remote Sensing》国际期刊发表。

土地利用/土地覆盖（LULC）数据对于地球科学研究至关重要。目前基于机器学习的LULC分类研究通常强调分类的准确性、效率和变量重要性分析，但往往忽视了中间分类过程，且仅依赖单一分类器的LULC制图通常无法产生令人满意的结果，特别是对于具有高度破碎化和异质性大的地理景观，分类通常趋向于获得均一的精度结果，却掩盖了景观异质性差异的影响。

针对上述，本研究提出了一种子区域集成学习分类框架，旨在获取流域尺度的精细LULC分类产品，提高流域尺度制图的准确性和分类效率。该研究以青海湟水流域为研究区，选择Sentinel-2A/B多时相数据进行集成学习分类。根据所提出的方法，对比分析了RF、Improved LightGBM、Stacking三种集成学习方法。所提出的流域尺度集成学习框架在LULC制图方面具有更好的准确性和分类效率，并且相较于其他方法具有一定优势。本研究中提出的方法为流域尺度的LULC制图技术提供了一种新的思路。

该研究成果“A Framework for Subregion Ensemble Learning Mapping of Land Use/Land Cover at the Watershed Scale”在线发表于遥感领域期刊《Remote Sensing》（中文名：遥感；JCR 1区，中科院二区，IF影响因子4.4），其第一者作者为我校2019级硕士研究生李润祥同学（已毕业），高小红教授为通讯作者，2020级博士研究生史飞飞同学（已毕业）为合作者。该研究得到青海省科技厅自然科学基金项目(2021-ZJ-913)的资助。