Google Earth Engine（GEE）——农田的快速分类

最新推荐文章于 2025-03-09 08:00:00 发布
最新推荐文章于 2025-03-09 08:00:00 发布
阅读量2.7k 收藏 13
点赞数 2
分类专栏： Google Earth Engine 文章标签： 分类 RF cart分类回归树 农田 GEE
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/qq_31988139/article/details/119911738
版权
本教程介绍了如何在Google Earth Engine (GEE)中利用Sentinel-2数据，通过CART和RF算法进行农田（玉米与非玉米）的二元分类。尽管受限于特定区域的地面实况数据，但该工作流程为研究人员提供了一个可快速实施的分类方法，以了解农作物覆盖情况。结果表明RF分类器在验证阶段的准确性优于CART。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

背景

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过渡的限制，特别是在小农耕作系统中。地球观测图像的可用性和可访问性的增加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。在撒哈拉以南非洲的农业系统中，通常无法获得急需的空间明确的地面实况数据，这限制了相关分析工具的开发，以监测农田动态或生成对农业系统的[近]实时洞察。本教程是为有兴趣使用地面实况数据和可用的 Sentinel-2 TOA 光谱带在 Google Earth Engine 环境中实施土地覆盖分类程序的用户提供的快速指南。目标是提供一个易于实施的工作流程，研究人员和分析师可以对其进行调整，以快速对农田进行分类。随着在国家和区域级别收集空间丰富的地理参考数据方面投入更多的精力，本教程可用于立即/及时地了解玉米和其他作物类型。

警告

了解本专栏 订阅专栏 解锁全文 超级会员免费看
Google Earth Engine（GEE）—— 快速进行农田作物土地分类和面积统计
此星光明博客
11-25 3094
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。
Google Earth Engine（GEE）——作物分类的影像合成案例分析（四川省为例）
此星光明博客
03-20 2820
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
Google Earth Engine（GEE）入门，快速上手且使用
qq_34815075的博客
02-18 1468
1、项目需求，没时间系统的学习，根据项目需求需要各种指数。总结快速入门，有助于新手快速上手，具体其他的单独部分不做介绍，都可以查阅到资料。【GEE】Google Earth Engine（GEE）注册详细教程&无需教育邮箱。注册问题不在阐述，网上都能查到相应的资料，需要科学上网。2、以获取某一区域（矢量数据）的土地覆盖为例展开。1、加载矢量数据并读取数据。一、需要有个谷歌邮箱。四、土地类型所有代码。
GEE：作物分类和面积统计
养乐多的博客
04-09 2366
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。
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 2345
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土地分类——基于遥感影像数据的不同作物的分类
此星光明博客
03-31 850
这里我们首先要更改原始代码的中的影像和研究区矢量的问题，这个为了防止我们计算的过程超限，建议先将我们的研究区影像和样本点先存在自己的assets中，然后导入到新的脚本中。然周本文就是对其进行影像进行归一化处理，然后进行样本点值提取至点，然后训练样本点，进行训练，然后对样本点随机化，然后计算相应的精度即可。
GEE土地分类——利用Google Earth Engine（GEE）分析黑山的ESA土地覆盖情况和饼图可视化分析
此星光明博客
03-09 88
接下来，我们可以加载国家、州或城市的边界数据。// 将国家边界添加到地图// 将地图中心设置为研究点通过上述步骤，我们成功地利用Google Earth Engine分析了特定区域的土地覆盖情况，并生成了饼图和图例。这种方法可以帮助我们更好地理解土地利用和覆盖的变化，为环境管理和规划提供重要的数据支持。希望这篇博客对您理解遥感数据分析有所帮助！
Google Earth Engine（GEE）——制作土地覆盖图并验证其结果
此星光明博客
08-24 183
作土地覆盖图并验证地图结果。 描述： 此脚本完成多项任务： 1. 设置研究区域 2. 加载 LC8 SR 图像以进行预测 3. 创建训练数据和验证数据的样本数据 4. 训练随机森林 (RF) 并将其分类为植被、水、雪、和其他 5. 进行准确性评估 代码： /*描述： 该脚本完成多项任务： 1) 设置研究区域 2) 加载 LC8 SR 图像以进行预测 3) 为训练数据和验证数据创建样本数据 4) 训练随机森林 (RF) 并将其分类为植被、水、雪、和其他 5) 进行准...
Google Earth Engine 教程——利用sentinel-2数据对农田进行逐月边缘监测分析
此星光明博客
11-10 1753
给定一个图像，包含一个带标记的片段和0个或更多的附加带，在每个片段的像素上运行一个还原器，每个片段产生一个特征。"多边形"（包围该段像素的多边形）、"bb"（限定像素的矩形）或 "中心点"（像素的中心点）中的一个。输出是一个图像，其波段与输入波段的名称相同，其中非零值表示边缘，值的大小是梯度的大小。如果没有指定，将使用图像的第一个波段的投影。如果多边形在给定的比例下包含太多的像素，计算并使用一个更大的比例，这样可以使操作成功。减速器的输入必须比图像的段数少一个，或者它必须有一个输入，并对每个段数进行重复。
Google Earth Engine（GEE）——作物分类中加入S1极化波段作为分类对象
此星光明博客
05-14 463
我想在作物类型分类中使用 Sentinel 1。我会应用伽马散斑过滤器，但我的研究领域涵盖更多 S1 场景。我的困境是如何将大致相同日期的场景组合起来以获得一张照片？也许有人有比合并成一幅图像更好的主意？使用较小的日期范围过滤您的collection，然后执行 mosaic() 以获取包含可用图像的图像。SNAP和sentinel工具箱的项目页面可以在http://step.esa.int。在那里，你会发现一个关于应用程序使用的教程，一个你可以提问的论坛和许多其他有趣的东西。Tags。
Google Earth Engine（GEE）——土地分类/覆盖案例分析含各类土地面积统计和精度评定（印度班加罗尔为例）
此星光明博客
03-07 2462
这里有一个函数需要重新回顾一下：这个函数只适用于TOA影像 ee.Algorithms.Landsat.simpleComposite(collection,percentile,cloudScoreRange,maxDepth,asFloat) 从陆地卫星原始场景的集合中计算出陆地卫星TOA合成。它应用标准的TOA校准，然后使用SimpleLandsatCloudScore算法给每个像素分配一个云分。它在每个点上选择可能的最低云分范围，然后从被接受的像素中计算出每个波段的百分位值。该算法还...
GEE|用随机森林进行农作物分类的一次尝试
个人学习笔记
05-10 6362
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： 18年玉米种植区分布： 19年玉米种植区分布： 取交集后： 呃呃。。。怎么重叠部分这么少呢~_~相信大家懂得都懂，这里就看破不说破…………………………………………………… 既然如此那好像前面都有些多余，那就单选一年的试一下吧。把2019年的
AmericaView - Google Earth Engine (GEE) 基础教程（全英文）
此星光明博客
10-01 1433
INTRO TO THE GOOGLE EARTH ENGINE QUANTIFYING FOREST COVER CHANGE & HARNESSING THE POWER OF THE EARTH ENGINE TO ANSWER RESEARCH QUESTIONS Created by Gergana and Isla Tutorial Aims: Learn what the Google Earth Engine is Find out what types of analys
作物种类和面积统计使用Google Earth Engine（GEE）
IxtProgramming的博客
09-24 576
本文介绍了如何使用Google Earth Engine（GEE）进行作物分类和面积统计。首先，我们获取了适用于作物分类的遥感影像数据。然后，我们使用监督分类算法（如随机森林）对影像数据进行作物分类。最后，我们利用GEE的空间分析功能对各个作物类别的像素进行面积统计。通过使用GEE的强大功能，农民、政府和研究人员可以更好地了解农作物的分布情况和种植面积，从而为农业生产和决策提供有价值的信息。注意：以上代码仅为示例，实际应用中可能需要根据具体情况进行修改和调整。
GEE机器学习——利用贝叶斯分类器方法进行土地分类和精度评定
此星光明博客
01-11 1359
贝叶斯分类器是一种基于贝叶斯定理的统计分类方法。它假设特征之间是相互独立的，并根据已知的特征和类别之间的关系，计算出在给定特征条件下每个类别的后验概率，然后选择具有最高后验概率的类别作为预测结果。具体而言，贝叶斯分类器通过以下步骤进行分类：1. 学习阶段：使用已知的特征和对应的类别标签来训练分类器，计算每个类别的先验概率和每个特征在不同类别下的条件概率。2. 预测阶段：对于一个新的样本，根据其特征值计算出在每个类别下的后验概率，然后选择具有最高后验概率的类别作为预测结果。
GEE（CCDC-2）——根据以获取的研究区CCDC系数进行土地覆被分类分析
此星光明博客
12-20 1112
根据研究区CCDC的土地分类影像和已选择的训练样本点，然后进行CCDC分割影像的获取和加载，这里相当于是进行CCDC的第二个部分，第一部分是获取长时序的多波段遥感应先给，第二部分是根据自己i的研究区和训练样本点获取指定区域的分类结果，本教程详细解释了第二部分应该注意的事项和如何添加自己的训练样本点，以及CCDCapp的详细教程。
Google Earth Engine（GEE）——土地覆盖分类的方法环境遥感之图像分类（1）
此星光明博客
11-11 1818
本实验室的目标是了解影像分类过程，并探索将遥感影像转化为土地覆盖图的方法。 加载图像 第一步是获得一个可以使用的无云图像。通过导入 USGS Landsat 8 Surface Reflectance Tier 1 图像、空间过滤到感兴趣区域 (filterBounds)、时间过滤到您所需的日期范围 (filterDate)，最后按云量排序 ('CLOUD_COVER') 并提取最少的多云场景（第一）。 在上周的基础上，我们可以使用几何工具中的点绘制工具（泪滴图标）并在感兴趣的区域中绘制一个点 - 让
GEE实战 | 各种指数分析(植被、水体、建筑)
热门推荐
小鱼干的博客
03-07 1万+
GEE实战 | 各种水体指数分析NDWI VS MNDWI NDWI MNDWI
Google Earth Engine(GEE)实例代码学习六——土地利用分类（Landcover Cleanup）
little00bee的博客
04-18 1万+
标题 利用MODSI全球土地覆盖产品显示土地利用分类 首先大致介绍一下MODIS土地覆盖产品MCD12Q1 MCD12Q1 V6产品按六种不同的分类方案按年间隔（2001-2016年）提供全球土地覆盖类型。 它是使用MODIS Terra和Aqua反射数据的监督分类得出的。 然后，对监督分类结果进行额外的后处理，这些后处理结合了先验知识和辅助信息以进一步完善分类。 分为1-17表示不同的类别 LC...
Google Earth Engine 提取作物分布
最新发布
03-12
### 使用 Google Earth Engine 获取和处理作物分布数据 为了有效地获取并处理作物分布数据，在 Google Earth Engine (GEE) 中可以采用多种方法和技术来实现这一目标。具体来说： #### 数据源的选择 对于作物分布的研究，可以选择 Sentinel 卫星系列作为主要的数据来源之一[^1]。这类卫星提供了高频率的时间序列观测能力以及较高的空间分辨率，非常适合用于监测地面覆盖变化。 #### 预处理阶段 在正式开始分析之前，通常需要对原始影像执行一系列预处理操作以提高后续分类精度。这包括但不限于大气校正、云层检测与去除等措施。例如，可以通过 GEE 自带的功能或者调用外部 API 来完成这些任务。 #### 图像分类技术的应用 一旦完成了必要的预处理工作，则可以根据研究需求选用合适的图像分类算法来进行最终的目标识别。常见的做法是从训练样本集中学习特征模式，并将其应用于整个区域内的未知像素上。支持向量机(SVM)，随机森林(Random Forests),决策树(Decision Trees)都是常用的机器学习模型选项；另外还有深度卷积神经网络(CNN)这样的高级工具可供尝试。 #### 利用现有数据集辅助建模 除了直接依赖于光学遥感影像外，还可以考虑引入其他类型的补充资料帮助构建更精确的地图。比如提到的由 NASA 支持开发的 GFSAD 全球农田范围分布数据库就非常适合作为此类项目的参考资料[^2]。该集合不仅涵盖了广泛的地理范围而且具备良好的时间连续性，能够显著增强结果的有效性和可靠性。 ```javascript // JavaScript Code Example for loading and visualizing crop distribution data using GEE. var dataset = ee.ImageCollection('COPERNICUS/S2') .filterDate('2023-01-01', '2023-12-31'); print(dataset); Map.addLayer(dataset, {bands: ['B4', 'B3', 'B2'], max: 0.3}, 'True Color Image'); ```
评论
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

此星光明

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