BỘ KHOA HỌC VÀ CÔNG NGHỆ
HỆ THỐNG THÔNG TIN KHOA HỌC VÀ CÔNG NGHỆ

Lọc theo danh mục
  • Năm xuất bản
    Xem thêm
  • Lĩnh vực
liên kết website
Lượt truy cập
 Lượt truy cập :  19,972,886
  • Công bố khoa học và công nghệ Việt Nam

87

Kỹ thuật môi trường và địa chất, địa kỹ thuật

BB

Nguyễn Thị Phương Hoa(1), Nguyễn Thị Thanh Bình, Lê Thành An, Nguyễn Duy Phương

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

Evaluation the accuracy results of land use classification based on machine learning algorithms and remote sensing data

Khí tượng Thủy văn

2025

771

90-102

2525-2208

Độ chính xác, Kết quả phân loại, Sử dụng đất, Ảnh viễn thám Sentinel 2, Thuật toán học máy

Nam Dinh, Sentinel 2, Classification And Regression Tree (CART), Random Forest (RF), Support Vector Machines (SVM), Extreme Gradient (XCBoost).

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.

This research used four machine learning algorithms such as decision trees (CART), random forest algorithms (RF), Support Vector Machines (SVM), eXtreme Gradient Boosting (XGBoost)  for land use classification of Sentinel 2 into land use categories in Nam Dinh province. By using the same training set and accuracy evaluation dataset, this study will evaluate the accuracy of classification models from Sentinel 2 optical satellite images for 7 types of land use in Nam Dinh province in 2024. The results of the accuracy evaluation after classification showed that with an area of about 1,700 km2 on a provincial scale, the XGBoost algorithm gave the highest accuracy with a Kappa coefficient of 0.7 and a global accuracy of 78.8%, the CART model gave the lowest accuracy with a Kappa of 0.58. Small land use objects such as salt land were not recognized by the CART and SVM models. However, the water surface objectwas more accurate when using the RF and XGBoost algorithms.
 

TTKHCNQG, CVt 39

Xem toàn văn