ABSTRACT Plant functional types (PFTs) have been widely used to represent the vegetation characteristics and their interlinkage with the surrounding environment in various earth system models. The present study aims to generate a PFT map for the Northwest Himalayan (NWH) foothills of India using seasonality parameters, topographic conditions, and climatic information from various satellite data and products using Random Forest (RF) algorithm in Google Earth Engine (GEE) platform. The seasonality information was extracted by carrying out a harmonic analysis of Normalized Difference Vegetation Index (NDVI) time-series (2008 to 2018) from Moderate Resolution Imaging Spectroradiometer (MODIS) Terra surface reflectance 8 day 500 m data (MOD09A1). For topographic information, Shuttle Radar Topography Mission (SRTM) digital elevation model (DEM) derived aspect and Multi-Scale Topographic Position Index (MTPI) were used, whereas, for climatic variables, WorldClim V2 Bioclimatic (Bioclim) variables were used. RF, a machine learning classifier, was used to generate a PFT map using these datasets. The overall accuracy of the resulting PFT map was found to be 83.33% with a Kappa coefficient of 0.71. The present study provides an effective approach for PFT classification using different well-established, freely available satellite data and products in the GEE platform. This approach can also be implemented in different ecological settings by using various meaningful variables at varying resolutions.

中文翻译：

---

使用 Google Earth Engine 中的随机森林算法绘制印度西北喜马拉雅山麓植物功能类型图

摘要 在各种地球系统模型中，植物功能类型（PFTs）已被广泛用于表示植被特征及其与周围环境的相互联系。本研究旨在使用季节性参数、地形条件和来自各种卫星数据和产品的气候信息，使用谷歌地球引擎 (GEE) 平台中的随机森林 (RF) 算法生成印度喜马拉雅西北部 (NWH) 山麓的 PFT 地图. 通过对中分辨率成像光谱仪 (MODIS) Terra 表面反射率 8 天 500 m 数据 (MOD09A1) 中的归一化差异植被指数 (NDVI) 时间序列（2008 年至 2018 年）进行调和分析，提取季节性信息。对于地形信息，使用航天飞机雷达地形任务 (SRTM) 数字高程模型 (DEM) 派生的方面和多尺度地形位置指数 (MTPI)，而对于气候变量，使用 WorldClim V2 生物气候 (Bioclim) 变量。RF 是一种机器学习分类器，用于使用这些数据集生成 PFT 地图。发现所得 PFT 图的整体精度为 83.33%，Kappa 系数为 0.71。本研究提供了一种使用 GEE 平台中不同的完善、免费可用的卫星数据和产品进行 PFT 分类的有效方法。通过在不同分辨率下使用各种有意义的变量，这种方法也可以在不同的生态环境中实施。使用 WorldClim V2 生物气候 (Bioclim) 变量。RF 是一种机器学习分类器，用于使用这些数据集生成 PFT 地图。发现所得 PFT 图的整体精度为 83.33%，Kappa 系数为 0.71。本研究提供了一种使用 GEE 平台中不同的完善、免费可用的卫星数据和产品进行 PFT 分类的有效方法。通过在不同分辨率下使用各种有意义的变量，这种方法也可以在不同的生态环境中实施。使用 WorldClim V2 生物气候 (Bioclim) 变量。RF 是一种机器学习分类器，用于使用这些数据集生成 PFT 地图。发现所得 PFT 图的整体精度为 83.33%，Kappa 系数为 0.71。本研究提供了一种使用 GEE 平台中不同的完善、免费可用的卫星数据和产品进行 PFT 分类的有效方法。通过在不同分辨率下使用各种有意义的变量，这种方法也可以在不同的生态环境中实施。本研究提供了一种使用 GEE 平台中不同的完善、免费可用的卫星数据和产品进行 PFT 分类的有效方法。通过在不同分辨率下使用各种有意义的变量，这种方法也可以在不同的生态环境中实施。本研究提供了一种使用 GEE 平台中不同的完善、免费可用的卫星数据和产品进行 PFT 分类的有效方法。通过在不同分辨率下使用各种有意义的变量，这种方法也可以在不同的生态环境中实施。