Rừng ở Đắk Lắk rất đa dạng và phong phú, nhưng đã bị suy giảm nghiêm trọng do sự mở rộng phát triển kinh tế - xã hội, dẫn đến thay đổi thảm phủ sử dụng đất. Nhằm quản lý hiệu quả sự thay đổi này, nghiên cứu sử dụng dữ liệu ảnh vệ tinh Landsat 5 và các thuật toán học máy để phân loại bốn loại thảm phủ chính, gồm: Mặt nước, Dân cư, Nông nghiệp và Rừng. Ba thuật toán được áp dụng gồm Phân loại cây hồi quy (CART), Rừng ngẫu nhiên (RF), và Máy véc-tơ hỗ trợ (SVM), với quá trình phân loại thực hiện trên nền tảng Google Earth Engine (GEE). Tổng cộng 701 điểm mẫu được thu thập để huấn luyện, kiểm tra độc lập và đánh giá độ tin cậy phân loại hiện trạng. Kết quả cho thấy, thuật toán RF đạt độ chính xác tổng thể cao nhất (92,75%) và hệ số Kappa 0,90, vượt trội so với CART (90%, Kappa 0,86) và SVM (80,7%, Kappa 0,72). RF thể hiện ưu thế trong việc phân biệt các loại thảm phủ, đặc biệt giảm nhầm lẫn giữa nông nghiệp và rừng thưa. Trong khi đó, SVM gặp khó khăn với các lớp tín hiệu quang phổ chồng chéo như nông nghiệp và dân cư. CART đạt hiệu suất gần tương đương RF, là lựa chọn đáng tin cậy. Nghiên cứu khẳng định RF là phương pháp tối ưu trong phân loại thảm phủ sử dụng đất tại Đắk Lắk, cung cấp cơ sở khoa học quan trọng cho quản lý tài nguyên rừng và phát triển bền vững.

The forests in Dak Lak are highly diverse and abundant but have been significantly degraded due to the expansion of socio-economic development, leading to changes in land use and land cover. The study utilized Landsat 5 satellite imagery and machine learning algorithms to classify four main land cover types: Water, Urban Areas, Agriculture, and Forests to effectively manage these changes. Three algorithms were applied, including Classification and Regression Tree (CART), Random Forest (RF), and Support Vector Machine (SVM), with the classification process conducted on the Google Earth Engine (GEE) platform. A total of 701 sample points were collected for training, independent testing and validation of land cover classification. The results showed that the RF algorithm achieved the highest overall accuracy (92.75%) and a Kappa coefficient of 0.90, outperforming CART (90%, Kappa = 0.86) and SVM (80.7%, Kappa = 0.72). RF demonstrated superior capability in distinguishing land cover types, particularly in reducing confusion between agriculture and sparse forests. In contrast, SVM faced difficulties with overlapping spectral signals, such as those of agriculture and urban areas. CART, with performance close to RF, proved to be a reliable al-ternative. The study confirmed RF as the optimal method for land cover classification in Dak Lak, providing crucial scientific evidence for sustainable forest resource management and development planning.