本文档属于类型a，即报告了一项原创性研究的科学论文。以下是对该研究的详细学术报告：

1. 主要作者及研究机构

本研究的主要作者包括Murilo de Carvalho Marques、Abdoulaye Aboubacari Mohamed和Paulo Feitosa。他们分别来自巴西的圣保罗大学（University of São Paulo）和联邦维索萨大学（Universidade Federal de Viçosa）。该研究发表于《Cleaner Production Letters》期刊，并于2025年12月14日在线发布。

2. 学术背景

本研究的主要科学领域是环境监测与可持续发展目标（SDGs），特别是SDG 6（清洁饮水和卫生设施）。全球报告显示，到2030年实现水和卫生设施目标的进展存在显著不足，因此需要先进的生态系统监测方法。本研究旨在通过随机森林（Random Forest, RF）机器学习算法与免费卫星影像的结合，监测巴西联邦区的永久保护区（Permanent Protected Areas, PPAs），以支持SDG 6的实现。

3. 研究流程

研究流程包括以下几个步骤：

3.1 研究区域与数据收集

研究区域为巴西联邦区，重点关注其水文系统中的PPAs。研究使用了2015年的水文数据，并通过QGIS软件对PPAs进行了30米的缓冲区分析。卫星影像选择了Sentinel-2数据，因其高分辨率和较小的像素尺寸（10米），适合对PPAs内的土地利用变化进行详细分类。

3.2 随机森林分类模型

研究通过Google Earth Engine（GEE）平台使用随机森林算法对PPAs内的土地利用进行分类。模型训练和验证使用了60个标记点，分为四类：水体、城市区域、森林/原生植被和农业区域。模型的分类精度在83%到88%之间，Kappa系数在0.73到0.84之间，表明模型具有较高的分类准确性。

3.3 数据分析

研究分析了2015年至2022年间PPAs内的土地利用变化，特别是原生植被的增加情况。结果显示，PPAs内的原生植被面积增加了约6%，表明保护措施的有效性。

4. 主要结果

研究的主要结果包括： - 土地利用分类精度：随机森林算法在干季的分类精度达到86%至88%，Kappa系数为0.81至0.84；在雨季的分类精度为81%至84%，Kappa系数为0.73至0.79。 - 原生植被增加：2015年至2022年间，PPAs内的原生植被面积增加了约6%，表明保护措施的有效性。 - 数据处理的创新：通过GEE平台，研究简化了数据处理流程，减少了传统方法中的预处理步骤。

5. 结论

本研究通过随机森林算法和Sentinel-2卫星影像的结合，成功监测了巴西联邦区PPAs内的土地利用变化，特别是原生植被的增加。这一方法不仅提高了环境监测的精度和效率，还为全球实现SDG 6提供了可复制的模型。研究结果表明，机器学习技术在生态系统监测中具有巨大潜力，能够支持决策者制定更有效的保护政策。

6. 研究亮点

• 重要发现：PPAs内的原生植被面积显著增加，表明保护措施的有效性。
• 方法创新：通过GEE平台和随机森林算法，研究简化了数据处理流程，提高了分类精度。
• 研究对象的特殊性：研究聚焦于巴西联邦区的PPAs，特别是河岸带的植被变化，为全球类似生态系统的监测提供了参考。

7. 其他有价值的内容

研究还探讨了机器学习技术在其他可持续发展目标中的应用潜力，如贫困监测（SDG 1）和教育质量提升（SDG 4）。未来的研究可以进一步探索混合模型（如随机森林与聚类算法的结合）以提高分类精度，并扩展该方法在其他地理区域的应用。

本研究通过创新的机器学习方法，为全球实现SDG 6提供了重要的技术支持，展示了技术在环境监测和可持续发展中的广泛应用前景。