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);
// 将缩放系数应用于适当的波段。
var opticalBands = image.select('SR_B.').multiply(0.0000275).add(-0.2);
var thermalBands = image.select('ST_B.*').multiply(0.00341802).add(149.0);
// 用缩放后的带子替换原来的带子,并应用蒙版。
return image.addBands(opticalBands, null, true)
.addBands(thermalBands, null, true)
.updateMask(qaMask)
.updateMask(saturationMask);
}
// 在一年的数据上映射函数。
var collection = ee.ImageCollection('
地球引擎保姆级教程——机器学习中Cart回归树/随机森林土地分类包含精度评定和结果验证(混淆矩阵)
本教程详细介绍了如何使用地球引擎进行机器学习,特别是Cart分类回归树和随机森林在土地分类中的应用。内容涵盖了从数据处理到模型训练,再到模型精度评估的全过程,特别强调了利用混淆矩阵进行结果验证和精度评定。
摘要由CSDN通过智能技术生成