← 論文一覧に戻る

土地利用・土地被覆マッピングのための機械学習アルゴリズムの比較分析：モロッコのBerrechid-Settat地域を事例として

Comparative Analysis Of Machine Learning Algorithms For Land Use And Land Cover Mapping: Case Study Of Berrechid-Settat Region, Morocco (原題)

Youssef Laalaoui, Naïma El Assaoui, Oumaima Ouahine

GEOGRAPHY, ENVIRONMENT, SUSTAINABILITY📚 査読済 / ジャーナル2026-10-24#その他
DOI: 10.24057/2071-9388-2025-3980
原典: https://doi.org/10.24057/2071-9388-2025-3980
📄 PDF

🤖 gxceed AI 要約

日本語

モロッコのBerrechid-Settat地域における土地利用・土地被覆（LULC）の時空間動態を、2010年、2015年、2023年の衛星画像を用いて分析。Google Earth Engineでデータ処理し、ランダムフォレスト（RF）、決定木（DT）、サポートベクターマシン（SVM）の分類精度を比較した。RFが最も高い精度（OA 91.84%、Kappa 0.86）を示し、多時期のLULCマッピングに有効であることを確認。地域計画や持続可能な開発に示唆を与える。

English

This study analyzes LULC dynamics in Morocco's Berrechid-Settat region using Landsat imagery from 2010, 2015, and 2023. Comparing RF, DT, and SVM classifiers, Random Forest achieved the highest accuracy (OA 91.84%, Kappa 0.86), demonstrating its effectiveness for multi-temporal land use mapping. Results can inform regional planning and sustainable development policies.

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

📝 gxceed 編集解説 — Why this matters

日本のGX文脈において

日本のGX文脈では直接的な関連は限定的だが、土地利用変化のモニタリング手法は、カーボン吸収源の評価や生物多様性の保全計画に応用可能。日本の自治体や企業が衛星データを活用した環境モニタリングを検討する際の参考になる。

In the global GX context

While not directly tied to climate disclosure, this study demonstrates scalable ML methods for land use monitoring, which can support nature-related disclosures (TNFD) and carbon stock assessments. The use of open satellite data and cloud computing offers a cost-effective approach for global land monitoring.

👥 読者別の含意

🔬研究者:ML手法の比較とLULC分類におけるRFの優位性を示す実証的知見。

🏢実務担当者:衛星データとMLを活用した環境モニタリングの実装例として参考になる。

🏛政策担当者:土地利用計画や持続可能な開発政策のためのデータ駆動型アプローチの事例。

📄 Abstract（原文）

This study analyses the spatiotemporal dynamics of Land Use and Land Cover (LULC) in the Berrechid-Settat area of Morocco throughout three reference years: 2010, 2015, and 2023. Satellite images from Landsat 7 (ETM+) and Landsat 8 OLI were processed using the Google Earth Engine (GEE) platform to facilitate quick access, preprocessing, and analysis of extensive datasets. To classify LULC changes and assess the efficacy of machine learning models, Random Forest (RF), Decision Tree (DT), and Support Vector Machine (SVM) were examined. These models were used to categorise five principal LULC classes: water bodies, forests, urban regions, vegetation, and barren lands. Our findings indicated that Random Forest consistently yielded the highest classification accuracy, achieving an Overall Accuracy (OA) of 91.84% and a Kappa Coefficient (KC) of 0.86 in 2023, thereby affirming its efficacy for multi-temporal land use and land cover mapping. The Decision Tree exhibited competitive performance in 2010 (87.36% OA, a KC of 0.79) but showed diminished stability in later years. The SVM displayed middling performance, particularly excelling in the classification of urban areas (about 94%) but exhibiting reduced accuracy for forest regions. This analysis emphasises the efficacy of GEE and Python libraries in analysing large satellite imagery and the proficiency of DT and RF models in land use and land cover classification. The results can guide regional planning and land management policies, fostering sustainable development.

🔗 Provenance — このレコードを発見したソース

🔔 こうした論文の新着を逃したくない方は キーワードアラート に登録（無料・3キーワードまで）。

gxceed は公開メタデータに基づく研究支援データセットです。要約・翻訳・解説は AI 支援で生成されています。 最終的な解釈・検証は利用者が原典資料に基づいて行うことを前提とします。