Probabilistic Multi-Temporal Land Use and Land Cover Change Analysis Using Random Forest and Sentinel-2 Data in Haridwar, India

方法

随机森林分类Sentinel-2多光谱与六种植被水体指数，生成概率图与变化检测图

发现

分类精度93.18%-96.25%，概率多时相分析能捕捉渐进式土地利用变化。

机会点

可将概率时序方法迁移至耕地撂荒与作物轮作监测，结合物候特征提升变化预警。

多时相卫星影像可用于分析土地利用与土地覆盖（LULC）。它获取时间序列影像，用于分析单日期观测难以探测的渐变过程。本研究聚焦于利用多时相方法探测2017年至2025年Sentinel-2影像中的LULC变化。该方法获得统计结果及多种图件，如硬分类LULC图、逐类概率图、持续性图、类间变化检测图。采用随机森林（RF）分类器对多光谱波段堆栈及多种指数（归一化差异水体指数（NDWI）、归一化差异植被指数（NDVI）、归一化差异建成区指数（NDBI）、改进归一化差异水体指数（MNDWI）、地表水指数（LSWI）、归一化差异红边指数（NDRE））进行分类。构建季节合成影像（1—4月）以评估物候规律性。年度分类精度较高，介于93.18%至96.25%之间，Kappa系数为0.92至0.96。利用大于等于六年的阈值进行时间持续性分析，以识别稳定类别。统计输出揭示了类别特定的时间变化，如植被物候、水文动态和土地管理措施。结果表明，概率性多时相分析在捕捉渐变LULC变化方面具有有效性。