遥感与机器学习用于埃塞俄比亚的多十年地表水监测

科学领域:

• 环境科学 环境科学
• 遥感 遥感 遥感 遥感
• 地理空间分析的研究.

背景情况:

• 地表水的监测对于水资源管理和实现可持续发展目标6至关重要.
• 埃塞俄比亚缺乏评估地表水面积和年间变化的操作方法.

研究的目的:

• 评估梯度树增强,支持矢量机器和随机森林,用于埃塞俄比亚的地表水监测.
• 分析地表水面积,年间变化以及1986年至2023年的趋势.

主要方法:

• 利用谷歌地球引擎上的Landsat卫星数据进行地表水位绘制.
• 应用渐变树增强,支持向量机器和随机森林机器学习算法.
• 与联合研究中心 (JRC) 的基准数据集对比验证的结果.

主要成果:

• 机器学习模型实现了很好的分类准确度 (>90%).
• 渐变树增强略高于支持矢量机器和随机森林.
• 估计的水覆盖率与基准数据高度一致 (R2 > 0.9,RMSPE < 1%).
• 地表水表现出长期上升趋势,具有显著的年际变化.
• 84-94%的水体是永久性的,其余的水体显示时间变化.
• 曼 - 肯达尔趋势分析没有揭示出一个一般的模式,表明了局部影响.

结论:

• 该研究为埃塞俄比亚提供了可靠的时空空间地表水信息.
• 谷歌地球引擎上的机器学习对于操作地表水的监测是有效的.
• 调查结果支持水资源管理,政策制定和实现可持续发展目标6.