首先导入预处理好的数据，对数据每个类别进行标签，包括红树林、滩涂、建筑用地、水体和其他植被，加上其他植被是为了将红树林与其他植被进行区分。将影像波段调成5、4、3波段假彩色，以便进行对地物地目视标签。从图像中提取出对应光谱特征的像元，目视手动提取训练样本。将选取的五个类别的样本，进行分类后构建模型，分类后的影像与原影像进行对比，对样本数量和特征加以调整。训练样本如 图3(a) 所示。

将五种不同的训练样本导入裁剪后的图像中，进行模型训练，可以得到研究区域的分类结果。为了使得分类得到的结果得以更为广泛的应用，往往还需要对其加以进一步处理，即分类后处理。分类后由于处在误差，图中存在大大小小的散落像元点，需要对图像进行小斑块处理，处理后图中散落的像元点就使得分类后图像变得平滑，如下 图3(b) 所示。图中红色代表红树林，黄色代表滩涂，绿色代表其他植被，蓝色代表水体，棕色代表建筑用地。

将手动绘制的、作为精度评定依据的ROI文件导入ENVI中，得到分类的总体精度与Kappa系数，并且将数据导出处理后生成所需的表格。

Kappa系数是一种利用多元统计技术的评估方法，它全面考虑了误差矩阵中的各项要素，旨在准确量化两幅图之间的一致性或精确匹配程度。具体来说，Kappa系数的计算公式能够为我们提供一个量化指标，帮助我们了解两幅图在多大程度上是吻合的。其公式为：

$K_h{}_{at}=P{\displaystyle {\sum }_{i=1}^n{P}_{i}i}-{\displaystyle {\sum }_{i=1}^n\left(P_{i+}{P}_{+i}\right)}/P^2-{\displaystyle {\sum }_{i=1}^n\left(P_{i+}{P}_{+i}\right)}$(1)

在进行图像分类后的精度验证时，采用混淆矩阵对分类结果的准确性进行评估。对总体精度，Kappa系数，用户精度等，进行了解和总结。针对2021年随机森林算法处理后的数据，进行混淆矩阵作来进行主要的精度评价，可得2021年的总体精度是99.47%，Kappa系数是0.99，再对混淆矩阵进行计算，得到所需的分类精度。如 表1 分类精度汇总所示。

通过像元计算面积可得2023年红树林的面积为845.37 ha，2021年红树林的面积810.27 ha，2019年红树林的面积为781.56 ha。由 图4 可以看出英罗湾红树林主要集中在高桥红树林保护区和山口红树林保护区，呈较大连片分布以及英罗湾沿岸呈散星分布的点状红树林。

通过对比2019、2021、2023年这3年间处理后的遥感影像进行计算和分析得到2019年到2023年英罗湾红树林面积的分布变化。英罗湾红树林2019年的面积为781.56 ha，2021年的面积为810.27 ha，在这两年间，英罗湾红树林呈增长变化趋势，总共增长了28.71 ha，增长率为3.67%，每年增长率为1.82%。2021年的面积为810.27 ha，2023年英罗湾的面积为845.37 ha，在此两年间，英罗湾红树林也呈增长变化趋势，总共增长了35.1 ha，增长率为4.33%，每年增长率为2.14%。总而言之，自2019年至2023年英罗湾红树林呈增长变化趋势，4年间英罗湾的红树林共增长了63.81 ha，增长率为8.16%，年增长率为1.98%。