Impervious Surface Classification Using Artificial Intelligence from Remote Sensing Imagery, Part I: Evaluation of Machine Learning Algorithms
Huy Gia Giang Nguyen · Nhat Thong Tran
用Landsat与Sentinel-2影像和三种机器学习算法自动分类胡志明市不透水面并监测15年变化
Landsat 5/8/9与Sentinel-2多时相影像，NDBI指数，RF/
随机森林精度最高（总体精度96.97%，Kappa 0.94），2009-2024年不透水面增加9.
可将该端到端Python流程迁移至农业区，结合多源时序影像监测耕地非农化与设施农业扩张。
方法新颖、数据扎实的遥感AI分类论文，但研究对象为越南城市不透水面，与国内三农信息化关联偏间接，可作技术参考而非重点精选。
快速城市化显著扩大了主要城市的不透水面，减少了自然下渗并增加了城市洪水风险。本研究开发了一套全自动Python工作流，集成地理信息系统（GIS）、遥感和机器学习，对胡志明市中心区域（约95,100公顷）的透水面与不透水面进行分类并监测城市化动态。研究构建了多时相数据集，来源于2009年、2017年和2024年的Landsat 5、Landsat 8和Landsat 9影像（30 m）以及Sentinel-2影像（10 m）。参考数据集包括1,125个调查点（549个不透水面点和582个透水面点）以及127个野外点用于独立验证。该工作流执行影像预处理、归一化建筑指数（NDBI）计算、70/30训练-测试集划分，并采用随机森林（RF）、支持向量机（SVM）和K近邻（KNN）进行监督分类。主要创新点在于：（i）一套端到端、可复现的Python流程，无需人工GIS后处理；（ii）联合使用Landsat和Sentinel-2数据，对一座快速城市化的东南亚城市开展15年监测；（iii）在相同输入条件下对三类算法进行受控基准测试。RF表现最佳（总体精度96.97%，Kappa系数0.94），SVM紧随其后（96.77%，0.94）；KNN表现较低（90.91%，0.82）。2009年、2017年和2024年的时间精度分别为92.39%、93.64%和93.98%。变化分析显示，2009年至2024年不透水面增加了9.15%，为城市规划、洪水风险管理和可持续发展提供了定量依据。所提出的工作流可应用于其他城市化地区，以支持基于证据的城市管理。