基于机器学习方法的乌梁素海水生植物遥感分类OA

水生植物在维持湖泊生态系统稳定与水质净化中发挥着关键作用,因此,准确识别其类型对湖泊生态监测与管理至关重要。基于Sentinel-2 MSI影像及实测样点数据,对比评估了极限梯度提升(XGBoost)、随机森林(RF)和支持向量机(SVM)3种机器学习方法在乌梁素海水生植物分类中的性能。结果表明:XGBoost模型表现最优,平均总体精度(OA)、Kappa系数和F1分数分别达到94.06%、0.88和0.92,兼具高准确性与稳定性,显著优于其他两种模型;基于最优模型的分析显示,2015—2024年间,乌梁素海沉水植物面积显著增加(k>0、P<0.05),而挺水植物面积显著减少(k<0、P<0.05)。XGBoost模型能够实现乌梁素海水生植物的高精度识别,有效揭示其时空动态变化,可为湖泊生态系统监测、管理及湿地保护提供科学依据。