GEE|用随机森林进行农作物分类的一次尝试

已于 2022-05-15 17:11:58 修改
阅读量5.7k 收藏 48
点赞数 3
分类专栏： GEE 文章标签： 分类 随机森林 机器学习
于 2022-05-10 21:44:36 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/jilli_jelly/article/details/124683058
版权
本文记录了使用Google Earth Engine（GEE）和随机森林算法进行农作物分类的尝试。作者首先进行了前期探索，提取了不同年份的玉米和大豆种植区，并通过取交集确定样本。接着，将分类结果上传至GEE，建立样本数据集并进行分类。在分类过程中，发现并修复了代码错误，最终得到满意的结果。
摘要由CSDN通过智能技术生成

参考：https://www.bilibili.com/video/BV1HL4y1M7ue?spm_id_from=333.337.search-card.all.click

一、前期探索

前言：用别人已经分类好的结果来分类，小编也不知道自己在干什么呢！~_~
前期准备：把2017-2019年的分类结果按掩膜提取到自己的研究区，并用重分类提取出玉米、大豆栅格。再取交集找到这三年都种玉米或都种大豆的地块。
先上一下这部分结果：
17年玉米种植区分布：
17年玉米种植区分布
18年玉米种植区分布：
18年玉米种植区分布
19年玉米种植区分布：
19年玉米种植区分布

了解本专栏 订阅专栏 解锁全文 超级会员免费看
difizuhvovs
关注
  • 3
    点赞
  • 踩
  • 48
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 3
    评论
专栏目录
订阅专栏
Google Earth Engine（GEE）——机器学习（监督分类1）样本数据为点要素
qq_31988139的博客
08-19 2275
监督分类 该Classifier包通过在 Earth Engine 中运行的传统 ML 算法处理监督分类。这些分类器包括 CART、RandomForest、NaiveBayes 和 SVM。分类的一般工作流程是： 收集训练数据。组合具有存储已知类标签的属性和存储预测变量数值的属性的特征。 实例化一个分类器。如有必要，设置其参数。 使用训练数据训练分类器。 对图像或特征集合进行分类。 使用独立的验证数据估计分类错误。 训练数据FeatureCollection具有存储类标签的属性和存储预测
Google Earth Engine（GEE）——使用随机森林方法进行土地分类（农作物）
qq_31988139的博客
04-30 2267
在我们进行样本点分类首先就是选择样本点，和影像，然后进行随机样本点分类，这里除了随机样本点分类之外，其技术难点就是如何对原有样本点的添加以及一些分类参数的设定。这里我们首先建立一个影像，然后分别给与影像赋予不同值，最终返回就是一个单波段影像，但是这个分类影像中就包含了很多影像原始值信息，而随后利用直接样本点获取，就可以根据class分类的影像进行分层设定样本点，很是方便。先看以下函数。这里最主要的就是选取研究区的随机样本点，这里可以设定样本点数量，参与分类的样本点波段，分类属性值和分类点等等。
GEE：随机森林分类教程（样本制作、特征添加、训练、精度、参数优化、贡献度、统计面积）
养乐多的博客
04-04 1万+
本文将介绍在Google Earth Engine （GEE）平台上进行随机森林分类的方法和代码，其中包括制作样本点教程（本地、在线和本地在线混合制作样本点，合并样本点等），加入特征变量，运行随机森林分类器教程，计算随机森林分类结果的精度，优化随机森林分类算法的参数，打印各个变量特征的贡献度等步骤的方法和代码。本教程可以应用于多种分类场景，包括土地利用分类、种植区提取（大蒜、小麦、玉米等）、局部气候区分类、植被分类等多种场景。
GEE：作物分类和面积统计
养乐多的博客
04-09 1756
在这篇博客中，我们将介绍如何使用Google Earth Engine进行作物分类和面积估计。我们将以玉米为例进行讲解。
Google Earth Engine（GEE）随机森林分类
guaicaicexu的博客
09-01 1万+
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01—GEE部分实现代码选择研究区和数据集var roi = ee.Geometry.Po...
Google Earth Engine（GEE） ——在谷歌地球引擎中使用随机森林分类进行生境适宜性建模（加入气温和其它波段分类）
qq_31988139的博客
02-04 1320
近几十年来，机器学习模型已经成为GIS界的一种普遍的归纳建模模式。通过栖息地生物多样性建模（HBM），经验性的物种目击与生物气候数据相结合，推断出一个物种的潜在栖息地，并产生潜在的范围图。本教程将使用的技术是一种被称为随机森林的监督分类形式，该模型通过物种观察进行训练，以生成潜在物种存在的输出地图。随机决策森林是分类树分析（CTA）的延伸，它最常被应用于遥感数据，对土地覆盖进行分类。在一个单一的分类树中，输入数据（像素）根据其与一组预测变量（光谱带）的关系被划分为越来越同质的组（类）。
GEE随机森林分类代码（L5L8）
weixin_64448046的博客
01-23 1246
【google earth engine 随机森林分类详细流程】 https://www.bilibili.com/video/BV18v411a78D/?当时前一部分就是按照b站这个老哥来做的，后面他没录上，参考了第二个姐的代码。首先，显示图像来打点分类。Landsat5适用。Landsat8适用。
GEE22：基于目视解译的土地利用分类（随机森林监督分类）
amyniez的博客，欢迎交流讨论
03-29 847
进行土地利用分类首先需要获取高分辨率的卫星或航空影像数据，这些影像可以来自于多种数据源，对影像进行预处理。 使用GEE的绘图工具，在图像上绘制不同的土地利用类别，例如农田、森林、城市等构建样本集合。为每个绘制的类别定义属性分配相应的土地利用类别标签。 使用选择的分类算法对训练数据进行模型训。常见的分类算法包括决策树、随机森林、支持向量机（SVM）、深度学习等。每种算法都有其优点和限制，可以根据任务的复杂性和数据特性来选择算法。
Google Earth Engine（GEE）—— 快速进行农田作物土地分类和面积统计
qq_31988139的博客
11-25 2615
复杂景观中的土地覆盖分类受到作物/植被类型固有的短距离转变的限制，尤其是在小农耕作系统中。地球观测图像的可用性和可访问性不断提高，为评估状态和监测土地覆盖变化提供了重要机会，但解锁这种能力取决于相关地面实况数据的可用性，以校准和验证分类算法。撒哈拉以南非洲农业系统通常无法获得急需的空间显式地面实况数据，这限制了相关分析工具的开发，以监测农田动态或对农业系统产生 [近] 实时洞察。
GEE：面对对象（斑块/超像素）尺度的随机森林回归教程
养乐多的博客
01-21 570
CSDN@_养乐多_本文将介绍面对对象（斑块/超像素）尺度的随机森林回归的方法和代码。
GEE东拼西凑之随机森林分类
qq_50291870的博客
03-07 5291
GEE进行landsat5随机森林地物分类的代码集锦
GEE系列：第7单元 利用GEE进行遥感影像分类【随机森林分类】
热门推荐
GEE水生态空间
02-15 1万+
监督和非监督图像分类之间的区别。 Google Earth Engine 提供的各种分类算法的定义和应用。 如何使用 randomForest 设置和运行分类，以 aspen 存在和不存在作为示例数据集。
GEE机器学习——利用随机森林RF方法进行土地分类和精度评定
qq_31988139的博客
12-19 1269
随机森林（Random Forest，RF）是一种集成学习方法，用于解决分类和回归问题。它由多个决策树组成，每个决策树都是一个独立的分类器。通过对每个决策树的预测结果进行集成，随机森林能够提供更准确和稳定的预测。随机森林的主要特点包括：1. 随机特征选择：在构建每个决策树时，随机森林只考虑一部分特征进行划分，这样可以减少特征之间的相关性，并增加每个决策树的多样性。
GEE 土地分类——如何利用随机森林方法进行土地分类
qq_31988139的博客
02-08 970
土地分类是指根据土地的不同用途和功能特点对土地进行划分和分类的过程。根据不同的目的和需要，土地可以根据其用途、地理位置、资源等特点进行分类。相较于以往的土地分类不同，我们可以将我们的训练好的模型存储到assets中，然后直接调用其分类训练好的分类器。这里用到的数据是利用MODIS进行提取并且进行分类。常见的土地分类包括：1. 农用地：用于农业生产的土地，包括耕地、园地、林地、牧草地等。2. 建设用地：用于城市建设和工业用地的土地，包括居住用地、商业用地、工业用地、公共设施用地等。
Google Earth Engine（GEE）——作物分类的影像合成案例分析（四川省为例）
qq_31988139的博客
03-20 2580
作物分类是一个困难的问题。有助于明确区分作物的一个有用技术是考虑作物物候学。这种技术可用于检测特定类型的作物或将作物与其他形式的植被区分开来。可以为作物周期的不同时期创建合成图像，并创建一个合成的影像，用于分类。这使得分类器可以学习时间模式，并检测出表现出类似模式的像素。本文以list作为划分月份，来确定不同季节的影像，以此来查看不同时间点作物的区别： 代码: var s2 = ee.ImageCollection("COPERNICUS/S2_SR") var table = ee.FeatureC
GEE必须会教程—随机森林分类及精度评估
最新发布
Promising_GEO的博客
05-10 2030
一文教会你如何在GEE中实现随机森林分类
GEE23：基于植被物候实现农作物分类
amyniez的博客，欢迎交流讨论
03-30 1221
今天分享一个有意思的文章，用于进行农作物分类。文章提出了一个**灵活的物候辅助监督水稻(PSPR)制图框架**。主要是通过提取植被物候，并自动对物候数据进行采样，获得足够多的样本点，再使用随机森林等机器学习方法进行分类。这种方法有效解决了样本量不足或者样本位置不够精确的问题，并且分类结构相较于之前的方法更高。我认为这是一种比较有意思的文章，当然这种方法还可以用到其他植被类型分类中。
GEE：面对对象（斑块/超像素）尺度的随机森林分类教程
养乐多的博客
06-19 4816
本文将介绍在Google Earth Engine（GEE）平台上进行面向对象随机森林分类的方法和代码。面向对象随机森林分类是一种强大的分类方法，通过将遥感影像数据聚合成具有语义的对象，结合随机森林算法进行分类，可以得到准确且可解释的土地利用/覆盖分类结果。
GEE随机森林分类代码
03-29
以下是使用GEE进行随机森林分类的简单示例代码： // 载入图像 var landsat = ee.ImageCollection("LANDSAT/LC08/C01/T1_TOA") .filterDate('2018-01-01', '2018-12-31') .filterBounds(geometry); // 定义分类的特征 var bands = ['B2', 'B3', 'B4', 'B5', 'B6', 'B7']; // 转换为特征集 var training = landsat.select(bands).sample({ region: geometry, scale: 30, numPixels: 5000 }); // 定义分类器 var classifier = ee.Classifier.randomForest(10); // 训练分类器 var trained = classifier.train({ features: training, classProperty: 'landcover', inputProperties: bands }); // 进行分类 var classified = landsat.select(bands).classify(trained); // 可视化分类结果 Map.addLayer(classified, {min: 0, max: 4, palette: ['red', 'green', 'blue', 'yellow', 'gray']}, 'Classification');
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

difizuhvovs

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值