题名
基于机器学习的年度内土地覆盖分类
DOI
10.12721/ccn.2023.157039
作者
魏薇
作者单位
长江大学地球科学学院，湖北武汉，430100
摘要
本文利用scikit-learn的随机森林分类器对土地覆盖类型进行了分类，探讨了机器学习在分类问题上的应用效果。本文采用了多源遥感数据作为特征输入，对八种土地覆盖类型进行了识别和比较。结果表明，随机森林分类器在土地覆盖分类上表现较好，整体的准确性达到了93.5%，kappa值为0.92，说明该分类器能够有效地区分不同的土地类型。各类别的producers准确率和consumers准确率也较高，除了水体和人工林两个类别较低外，其他类别都在90%以上。本文认为，增加这两个类别的样本数量或者选择更有区分力的特征可能会提高它们的准确率。本文为机器学习在土地覆盖分类上的应用提供了一种有效的方法和参考。
关键词
随机森林；LULC；GEE
刊名
中国土壤
ISSN
3079-1502
年、卷(期)
20238
所属期刊栏目
地球与环境
打印
