Vergleichende Analyse von Machine-Learning-Algorithmen zur Kartierung von Landnutzung und Landbedeckung: Fallstudie der Region Berrechid-Settat, Marokko

Maschinelles Lernen verbessert die Landnutzungskartierung in Marokko

Eine aktuelle Studie konzentrierte sich auf die raum-zeitlichen Dynamiken der Landnutzung und des Landbedeckungs (LULC) in der Region Berrechid-Settat in Marokko, wobei Satellitenbilder von Landsat 7 und Landsat 8 verwendet wurden. Die Forscher verarbeiteten Daten über die Google Earth Engine (GEE) und erzielten bedeutende Fortschritte in der LULC-Analyse.

Die Studie bewertete die Effektivität von drei Modellen des maschinellen Lernens—Random Forest (RF), Entscheidungsbaum (DT) und Support Vector Machine (SVM)—um fünf Hauptkategorien der LULC zu klassifizieren: Gewässer, Wälder, städtische Gebiete, Vegetation und ungenutzte Flächen. Das Random Forest-Modell erwies sich als das effektivste und erreichte eine Gesamtgenauigkeit (OA) von 91,84 % sowie einen Kappa-Koeffizienten (KC) von 0,86 im Jahr 2023.

Vergleich der Modelle des maschinellen Lernens

Die Leistung der Modelle variierte erheblich über die verschiedenen Jahre. Das Entscheidungsbaum-Modell erzielte eine wettbewerbsfähige OA von 87,36 % im Jahr 2010, zeigte jedoch in den Folgejahren Instabilität. Das SVM-Modell glänzte bei der Klassifizierung städtischer Gebiete mit einer Genauigkeit von etwa 94 %, hatte jedoch Schwierigkeiten bei der Klassifizierung von Wäldern.

Die Ergebnisse deuten darauf hin, dass die Integration von Algorithmen des maschinellen Lernens in der Fernerkundung erhebliche Auswirkungen auf die regionale Planung und die Landnutzungspolitik in Marokko haben kann.