PCA 是一种非常有用的技术,可以改善您的监督分类结果。这是一种将数据从大量波段压缩到较少不相关波段的统计技术。您可以在图像上运行 PCA,并在对训练点进行采样之前将前几个(通常为 3 个)主成分带添加到原始合成中。在下面的示例中,您会注意到 13 波段原始图像的 97% 的方差是在 3 波段 PCA 图像中捕获的。这会向分类器发送更强的信号,并通过使其更好地区分不同类别来提高准确性。
var composite = ee.Image("users/ujavalgandhi/e2e/arkavathy_2019_composite");
var boundary = ee.FeatureCollection("users/ujavalgandhi/e2e/arkavathy_boundary")
Map.addLayer(composite, {bands: ['B4', 'B3', 'B2'], min: 0, max: 0.3, gamma: 1.2}, 'RGB');
//**************************************************************************
// 计算主成分的函数
// Code adapted from https://developers.google.com/earth-engine/guides/arrays_eigen_analysis
//**************************************************************************
function PCA(maskedImage){
var image = maskedImage.unmask()
var scale = 20;
var region = boundary;
var bandNames = image.ban