Random Forest-Based Vegetation and Non-Vegetation Classification in Siak Regency Using Landsat 8 and Google Earth Engine

方法

Landsat 8地表反射率影像、NDVI/SAVI/EVI指数、随机森林、GE

发现

总体精度88.24%、Kappa 0.757，三指数互补提升分类效果。

机会点

样本量小且仅二分类，可扩展多类精细分类与更大样本验证以提升热带监测可靠性。

监测植被退化对于通过准确且连续的土地覆盖评估来支持可持续土地资源管理至关重要。本定量研究利用2024年Landsat 8地表反射率（Level-2）影像，在Google Earth Engine（GEE）环境中采用随机森林（RF）算法对廖内省西亚克县的植被进行分类。研究使用了50个经目的性选取的地面真值样本，分为植被和非植被两类。将光谱波段与三个植被指数（即NDVI、SAVI和EVI）相结合以提高分类性能。数据集被随机划分为70%的训练数据（33个样本）和30%的验证数据（17个样本），以保持可重复性。模型达到88.24%的总体精度和0.757的Kappa系数，表明预测类别与参考类别之间具有高度一致性。三个指数的整合提供了互补的光谱信息，增强了模型区分植被密度、大气影响和土壤背景敏感性的能力。然而，较小的验证数据集和二分类方案限制了结果的统计可靠性及其与多类研究的可比性。总体而言，研究结果表明，将随机森林与Google Earth Engine相结合为植被制图提供了一种高效且可扩展的方法。未来研究应采用更大的数据集、更稳健的验证策略和更精细的土地覆盖分类方案，以提高热带环境监测的可靠性。