Google Earth Engine（GEE）随机森林分类

生态遥感监测笔记

已于 2022-09-02 10:54:19 修改

阅读量1.3w

点赞数 36

分类专栏： GEE 文章标签：机器学习 js 土地利用分类随机森林分类 GEE

于 2022-09-01 16:16:06 首次发布

本文链接：https://blog.csdn.net/guaicaicexu/article/details/126654218

版权

GEE 专栏收录该内容

22 篇文章

订阅专栏

本文介绍了如何使用Google Earth Engine（GEE）进行随机森林分类，以进行土地利用分类。通过选取研究区域和 Landsat 8 数据集，建立样本点并进行训练与验证。最终通过混淆矩阵计算分类精度和Kappa系数，评估模型性能。虽然Kappa系数未达到80%，但展示了GEE在遥感图像分类中的应用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

今日分享：

Google Earth Engine（GEE）随机森林分类

九月第一天，来简单分享下如何在GEE中进行随机森林分类。之做土地利用分类，一直再用ENVI去做，发现做分类时，用ENVI的插件时间太长了，所以就试试用GEE去做一下监督分类。

主要参考Google Earth Engine（GEE）的官方文档

—

GEE部分实现代码

选择研究区和数据集

var roi = ee.Geometry.Polygon(
        [[[105.76168216373424, 38.90136066495491],
          [105.76168216373424, 37.81375799864711],
          [106.89327396060924, 37.81375799864711],
          [106.89327396060924, 38.90136066495491]]], null, false);
Map.centerObject(roi,10)


var landsat8col = ee.ImageCollection('LANDSAT/LC08/C02/T1_L2')
                  .filterDate('2021-07-01', '2021-09-30')
                  .filterBounds(roi)
                  .filter(ee.Filter.lte('CLOUD_COVER',5))//云量设置
                  .median();
//显示
var visualization = {
  min: 0.0,
  max: 60000,
  bands: ['SR_B5', 'SR_B4', 'SR_B3'],
};


var clip_L8_ = landsat8col.clip(roi)
Map.addLayer(landsat8col.clip(roi), visualization, '假彩色');

建立并选择样本点，我大致分了常见的六个地类，分别是耕地，草地，林地，居民点及工矿用地，水域，未利用地，设置了用于训练的样本和验证的样本

var training = Crop.merge(grassland).merge(Forest).merge(Urban).merge(Water).merge(Bareland);
print(training);
var trainingData = training.randomColumn('random')
//其实就是80%的样本用于分类
//其余20%的样本用于验证
var sample_training = trainingData.filter(ee.Filter.lte("random", 0.8));
var sample_validate  = trainingData.filter(ee.Filter.gt("random", 0.8));

然后就可以调用模型进行随机森林分类了（ps:样本点还是要自己选的）

var classifier = ee.Classifier.smileRandomForest(50)
    .train({
      features: training, 
      classProperty: 'class', 
      inputProperties: clip_L8_.bandNames()
    });
var Classified_RF = clip_L8_ .classify(classifier).byte();
var dict = classifier.explain();
var variable_importance = ee.Feature(null, ee.Dictionary(dict).get('importance'));
Map.addLayer(Classified_RF.clip(roi),{min: 0, max: 5, 
palette: ['c0c220','26ff4a','7eff8d','ff4e28','319599',"989990"]},  'Classified_RF');

然后就可以用混淆矩阵法去计算分类精度和kappa系数

// 总体分类精度
var accuracy = testAccuracy.accuracy();
// Kappa系数
var kappa = testAccuracy.kappa();

最后就是的导出分类后的结果了

Export.image.toDrive({
  image: Classified_RF,
  description: 'RF2021a',
  crs: "EPSG:32649",
  scale: 30,
  region: roi,
  maxPixels: 1e13,
  folder: 'RF'
});

—

结果显示