Analisi Comparativa degli Algoritmi di Apprendimento Automatico per la Mappatura dell'Uso e della Copertura del Territorio: Studio di Caso della Regione Berrechid-Settat, Marocco

Gli Algoritmi di Apprendimento Automatico Migliorano la Mappatura dell'Uso del Suolo in Marocco

Uno studio recente si è concentrato sulle dinamiche spaziotemporali dell'Uso del Suolo e della Copertura del Suolo (LULC) nella regione di Berrechid-Settat in Marocco, utilizzando immagini satellitari di Landsat 7 e Landsat 8. I ricercatori hanno elaborato i dati attraverso il Google Earth Engine (GEE), ottenendo notevoli progressi nell'analisi del LULC.

Lo studio ha valutato l'efficacia di tre modelli di apprendimento automatico—Random Forest (RF), Decision Tree (DT) e Support Vector Machine (SVM)—per classificare cinque categorie primarie di LULC: corpi idrici, foreste, aree urbane, vegetazione e terreni incolti. Il modello Random Forest è emerso come il più efficace, raggiungendo un'Accuratezza Complessiva (OA) del 91,84% e un Coefficiente Kappa (KC) di 0,86 nel 2023.

Confronto tra Modelli di Apprendimento Automatico

Le prestazioni dei modelli sono variate significativamente nel corso degli anni. Il modello Decision Tree ha registrato un'OA competitiva dell'87,36% nel 2010, ma ha dimostrato instabilità negli anni successivi. Il modello SVM ha eccelso nella classificazione delle aree urbane con un'accuratezza di circa il 94%, mentre ha incontrato difficoltà nella classificazione delle foreste.

I risultati suggeriscono che l'integrazione di algoritmi di apprendimento automatico nel telerilevamento può avere un impatto significativo sulla pianificazione regionale e sulle politiche di gestione del territorio in Marocco.