全球气候变化和极端天气的影响日益加剧，导致全球范围内的洪水风险显著提升，其中包括传统上被认为低风险的干早和半于早地区。本研究通过整合感与机器学习技术，分析了2000年至2024年间哈萨克斯坦境内洪水事件的时空动态。通过GEE，我们利用STARFM时空融合、降噪、平滑及样本转移技术解决数据缺失和云层干扰问题。将Landsat和MODIS影像结合生成高分辨率洪水分布图，同时利用光谱相似性指标从全球洪水数据库中转移样本。提取了包括光谱、纹理等多种指标，采用随机森林进行洪水分类。结果显示，哈萨克斯坦北部、西南部和西部地区洪水风险较高，最常发生在春季，尤其是3月和4月。机器学习模型实现了超过80%的分类准确率，证明了其可靠性。这项工作提升了洪水监测能力，并为哈萨克斯坦的气候适应和针对性洪水风险管理提供了关键洞察。

洪水,时空变化,机器学习,哈萨克斯坦