摩洛哥贝雷希德-塞塔特地区土地利用和土地覆盖制图的机器学习算法比较分析

机器学习算法提升摩洛哥土地利用制图

一项近期研究专注于摩洛哥贝雷希德-塞塔地区土地利用与土地覆盖（LULC）的时空动态，利用了来自Landsat 7和Landsat 8的卫星图像。研究人员通过谷歌地球引擎（GEE）处理数据，在LULC分析方面取得了显著进展。

该研究评估了三种机器学习模型的有效性——随机森林（RF）、决策树（DT）和支持向量机（SVM）——以对五个主要的LULC类别进行分类：水体、森林、城镇区域、植被和荒地。随机森林模型表现最为出色，2023年实现了91.84%的总体准确率（OA）和0.86的卡帕系数（KC）。

机器学习模型比较

模型的表现因年份而异。决策树模型在2010年记录了87.36%的竞争性总体准确率，但在随后的年份中表现不稳定。支持向量机模型在城市区域的分类上表现优异，准确率约为94%，但在森林分类方面却面临挑战。

研究结果表明，机器学习算法在遥感中的应用可以对摩洛哥的区域规划和土地管理政策产生显著影响。