Сравнительный анализ алгоритмов машинного обучения для картирования землепользования и земного покрова: Кейс Берашид-Сеттат, Марокко

Алгоритмы машинного обучения улучшают картографирование использования земли в Марокко

Недавнее исследование, сосредоточенное на пространственно-временной динамике использования и покрытия земли (LULC) в регионе Беррешид-Сеттат в Марокко, использовало спутниковые изображения с Landsat 7 и Landsat 8. Исследователи обработали данные с помощью Google Earth Engine (GEE), достигнув значительных успехов в анализе LULC.

В исследовании была оценена эффективность трех моделей машинного обучения — Случайный лес (RF), Дерево решений (DT) и Метод опорных векторов (SVM) — для классификации пяти основных категорий LULC: водоемы, леса, городские районы, растительность и бесплодные земли. Модель Случайного леса оказалась наиболее эффективной, достигнув общей точности (OA) 91.84% и коэффициента Каппы (KC) 0.86 в 2023 году.

Сравнение моделей машинного обучения

Производительность моделей значительно варьировалась в разные годы. Модель Дерева решений показала конкурентоспособную общую точность (OA) 87.36% в 2010 году, но продемонстрировала нестабильность в последующие годы. Модель SVM отлично справилась с классификацией городских территорий, достигнув точности около 94%, но испытывала трудности с классификацией лесов.

Полученные результаты свидетельствуют о том, что интеграция алгоритмов машинного обучения в дистанционное зондирование может существенно повлиять на региональное планирование и политику управления землей в Марокко.