Đánh giá độ chính xác kết quả phân loại sử dụng đất trên ảnh viễn thám Sentinel 2 bằng các thuật toán học máy

Tóm tắt

Nghiên cứu sử dụng 4  thuật toán phân loại học máy tiêu biểu như cây quyết định (CART), thuật toán rừng ngẫu nhiên (RF), Support Vector Machines (SVM), eXtreme Gradient Boosting (XGBoost) để phân loại sử dụng đất tỉnh Nam Định trên ảnh viễn thám quang học Sentinel 2. Bằng cách sử dụng cùng một bộ mẫu huấn luyện và tập dữ liệu đánh giá độ chính xác, nghiên cứu này đánh giá độ chính xác của các mô hình phân loại từ ảnh viễn thám quang học Sentinel 2 cho 7 loại sử dụng đất tỉnh Nam Định năm 2024. Kết quả đánh giá độ chính xác sau phân loại đã chỉ ra rằng với diện tích khoảng 1.700 km² trên quy mô cấp tỉnh thuật toán XGBoost cho độ chính xác cao nhất với hệ số Kappa là 0,7 và độ chính xác toàn cục đạt 78,8%, mô hình CART cho độ chính xác thấp nhất với Kappa là 0,58. Các đối tượng sử dụng đất có diện tích nhỏ như đất làm muối không nhận diện được bằng mô hình CART và SVM. Tuy nhiên, đối tượng mặt nước hai mô hình này cho độ chính xác cao hơn khi sử dụng thuật toán RF và XGBoost.