今日分享：
GEE利用已有土地利用数据选取样本点并进行分类
遥感影像分类精度在定量遥感研究中较为重要，不同地物由于各自特殊的理化性质，在光谱曲线上表现为：吸收谷、反射峰位置不同，由特定反射值形成的夹角、距离、投影不同，且不同地物后向散射系数等存在一定差异，为通过光学、微波传感器识别地类提供一定理论依据。
在进行土地利用分类时，需要目视解译选取训练样本点来进行分类，在面对研究范围较大的区域时，并且要做时序分类时，选取样本点是非常令人头疼的事！！
所以今天我们用已有的土地利用数据随机选取样本点，应用到随机森林分类中。
01
GEE部分实现代码
选择研究区和数据集
cs
function maskL8sr(image) { // Bit 0 - Fill // Bit 1 - Dilated Cloud // Bit 2 - Cirrus // Bit 3 - Cloud // Bit 4 - Cloud Shadow var qaMask = image.select('QA_PIXEL').bitwiseAnd(parseInt('11111', 2)).eq(0); var saturationMask = image.select('QA_RADSAT').eq(0);
// Apply the scaling factors to the appropriate bands. var opticalBands = image.select('SR_B.').multiply(0.0000275).add(-0.2); var thermalBands = image.select('ST_B.*').multiply(0.00341802).add(149.0);
// Replace the original bands with the scaled ones and apply the masks. return image.addBands(opticalBands, null, true) .addBands(thermalBands, null, true) .updateMask(qaMask) .updateMask(saturationMask);}Map.centerObject(roi,7)var styling = {color:"red",fillColor:"00000000"};Map.addLayer(roi.style(styling),{},"geometry")
var img = ee.ImageCollection("LANDSAT/LC08/C02/T1_L2") .filterDate("2024-5-01", "2024-10-30") .filterBounds(roi) // Pre-filter to get less cloudy granules. .filter(ee.Filter.lte('CLOUD_COVER',10))//云量设置 .map(maskL8sr) .mosaic() .clip(roi);print(img)var visualization = {
min: 0.0, max: 0.3, bands: ['SR_B4', 'SR_B3', 'SR_B2'],};Map.addLayer(img, visualization, 'RGB');利用GOOGLE/DYNAMICWORLD/V1土地覆盖数据集，用作分类器训练中的标签源。
php
var lcV1 = ee.ImageCollection('GOOGLE/DYNAMICWORLD/V1') .filterDate("2024-7-01", "2024-9-30") .filterBounds(roi).select('label').map(function(image){ return image.clip(roi) }) .mosaic() //.divide(255);print(lcV1)// 将土地覆盖类别值重新映射到基于 0 的序列.var classValues = [0, 1, 2, 3, 4, 5, 6, 7, 8];var remapValues = ee.List.sequence(0, 8);var label = 'lcV1';lcV1 = lcV1.remap(classValues, remapValues).rename(label).toByte();// 将土地覆盖添加为反射率图像的一个波段，并在感兴趣区域内的每个土地覆盖类别中以 10 米的尺度采样 200 个像素。var sample = img.addBands(lcV1).stratifiedSample({ numPoints: 100, classBand: label, region: roi, scale: 10, geometries: true}); print(sample)向样本添加一个随机值字段，并使用它将大约 80%// 的特征分成训练集，20% 分成验证集
php
// 向样本添加一个随机值字段，并使用它将大约 80%// 的特征分成训练集，20% 分成验证集。sample = sample.randomColumn();var trainingSample = sample.filter('random <= 0.8');var validationSample = sample.filter('random > 0.8');Map.addLayer(trainingSample,{color:'red'},'训练样本')Map.addLayer(validationSample ,{color:'blue'},'验证样本')var trainedClassifier = ee.Classifier.smileRandomForest(50) .train({ features: trainingSample, classProperty: label, inputProperties: img.bandNames() });print('分类结果', trainedClassifier.explain()); // 混淆矩阵var testAccuracy = trainedClassifier.confusionMatrix();// 总体分类精度var accuracy = testAccuracy.accuracy();// 用户分类精度var userAccuracy = testAccuracy.consumersAccuracy();// 生产者精度var producersAccuracy = testAccuracy.producersAccuracy();// Kappa系数var kappa = testAccuracy.kappa();print('混淆矩阵:', testAccuracy);//print('用户分类精度:', userAccuracy);//用户分类精度print('生产者精度:', producersAccuracy);//生产者精度print('总体分类精度', accuracy);//总体分类精度print('Kappa:', kappa);应用分类器并导出至云盘
php
var imgClassified = img.classify(trainedClassifier).clip(roi);// Add the layers to the map.var classVis = { min: 0, max: 8, palette: ['#419bdf' ,'#397d49', '#7a87c6', '#e49635', '#dfc35a', '#c4281b', '#a59b8f', '#b39fe1']};
Map.addLayer(lcV1, classVis, 'GOOGLE_V1');Map.addLayer(imgClassified, classVis, '分类结果');
//导出函数Export.image.toDrive({ image: imgClassified, description: 'RF2024a', crs: "EPSG:4326", scale: 30, region: roi, maxPixels: 1e13, folder: 'RF'});02
结果显示
随机筛选的样本点
分类精度
GOOGLE/DYNAMICWORLD/V1土地覆盖数据显示
用于训练的样本点显示
用于验证的样本点
分类结果显示
感谢关注，欢迎转发！
声明：仅供学习使用！
希望关注的朋友们转发， 如果对你有帮助的话记得给小编点个赞或者在看！****