Analysis of Land Cover Change Using Support Vector Machine Algorithm on Satellite Imagery (Case Study: Mining Area of IWIP).
Efraim Julian Soma · Winsy Christo Deilan Weki · Rillya Arundaa 等 4 人
用SVM分类多时相卫星影像，分析印尼IWIP矿区2010-2025年土地覆盖变化。
Landsat-7/8与Sentinel-2影像，NDVI/NDBI/BSI指数
植被从91.2%降至84.3%，裸地升至11.4%，SVM精度89.5%-97.5%，Kappa 0
可将SVM与深度学习结合，提升多云热带矿区影像分类鲁棒性并做变化驱动力归因。
以SVM结合多时相卫星影像量化IWIP镍矿区2010—2025年植被与裸地变化，方法可靠、数据扎实，对矿区生态遥感监测有参考价值，但属区域案例研究，公共影响有限。
无监督的采矿活动和缺乏适当的环境管理可能带来非常严重的生态影响。其中最严重的影响之一是大规模的土地覆盖变化。本文研究了PT Indonesia Weda Bay Industrial Park（IWIP）矿区、Weda Bay Nickel（WBN）地区的土地覆盖变化，并评估了利用卫星影像进行土地覆盖分类的支持向量机（Support Vector Machine）技术的性能。本研究是一项基于遥感技术和GIS环境下空间分析的定量研究。多时相卫星影像Landsat-7（2010年）、Landsat-8（2014年）和Sentinel-2（2019年和2025年）基于光谱指数NDVI、NDBI和BSI被处理为土地覆盖类别（植被、裸地、云）。通过分类后比较法，检测了土地覆盖变化。2010年至2025年的总体变化相当显著。植被覆盖从91.2%下降至84.3%，而裸地从不足1%增加至11.4%。最大的变化出现在2019年和2025年，表明采矿活动及相关产业发展已大幅加速。支持向量机算法在不同时期均达到了优异的分类精度（2010年、2014年、2019年和2025年分别为97.47%、96.67%、89.52%、95.12%），且结果得到了高Kappa一致性系数的支持（范围为0.84至0.96）。训练精度与测试精度之间的低差异表明模型具有较强的泛化能力，没有出现过拟合训练数据的迹象。该研究强调，支持向量机算法是一种非常好且可靠的方法，可用于检测采矿区域的土地覆盖变化，因为这些区域的模式既复杂又动态。