Google Earth Engine-Based Random Forest Classification of Land Use/Land Cover Change in Mojolaban, Sukoharjo
Bagaskara Fajareto Kusuma Wardana · Rita Noviani · Pipit Wijayanti 等 4 人
利用GEE和随机森林分类，监测2004-2024年城乡过渡区土地利用变化，精度高。
GEE平台，Landsat和Sentinel-2影像，随机森林分类，后分类变化检
建设用地持续增加，农地破碎化，分类精度86-90%，方法可靠。
可延伸至农业用地流失预警与城市扩张对农地影响的精细评估，结合高分辨率影像和时序分析。
研究利用GEE和随机森林算法监测城乡结合部土地利用变化，精度高，方法可靠，对农业信息化有参考价值。
背景：Mojolaban街道是苏拉卡尔塔市郊的一个城乡过渡区，由于居住区扩张和非农业活动的增长，该地区持续面临土地转换的压力。传统的土地利用监测耗时且成本高昂，因此有必要通过基于云计算的遥感技术寻求更高效的方法。目的：本研究旨在（1）利用谷歌地球引擎（GEE）识别Mojolaban街道2004年、2014年和2024年的土地利用/土地覆盖（LULC）变化；（2）评估分类结果的准确性，以此作为评价该方法在支持区域发展分析中可行性的基础。方法：采用定量空间方法，结合描述性定量遥感手段。分别使用Landsat 7增强型专题制图仪增强型（ETM+）影像（2004年）、Landsat 8陆地成像仪/热红外传感器（OLI/TIRS）影像（2014年）和Sentinel-2影像（2024年），在谷歌地球引擎（GEE）平台上采用随机森林算法进行分类，随后进行分类后变化检测。结果：结果显示，2004年总体精度为88.30%（κ=0.850），2014年为90.22%（κ=0.864），2024年为86.18%（κ=0.818），均属于几乎完全一致等级。分类结果揭示，从2004年到2024年，建设用地持续增加，尤其在街道中部和西部地区，同时伴随着开放土地的减少以及东部和南部农业用地日益碎片化。结论：本研究证明了谷歌地球引擎和随机森林分类算法在城乡过渡区多时相土地利用/土地覆盖（LULC）监测中的稳健性和可靠性，三个观测年份均获得了一致的高分类精度（86.18%–90.22%；κ=0.818–0.864）作为有力证据。