Google Earth Engine（GEE） ——多源遥感影像（S1/S2和地形数据）监督和非监督分类（以随机森林和Kmeans聚类）案例

此星光明

已于 2024-04-24 10:43:22 修改

阅读量1.2k

点赞数

分类专栏： GEE案例分析文章标签：算法 gee 监督非监督土地分类

于 2023-07-17 21:06:27 首次发布

本文链接：https://blog.csdn.net/qq_31988139/article/details/128763100

版权

GEE案例分析专栏收录该内容

334 篇文章 ¥199.90 ¥299.90

订阅专栏

超级会员免费看

本文介绍如何使用Google Earth Engine（GEE）进行多源遥感影像（如S1/S2和地形数据）的监督和非监督分类。通过随机森林和K-means聚类方法，分析像素以进行土地覆盖分类。内容涵盖图像采样、训练数据处理、模型构建和应用，涉及的主要函数包括sample、train、sampleRegions和ee.Classifier.smileRandomForest等。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

本文主要是利用准备好的影像和一景准备好的样本点来进行分析，在以下脚本中，我们将探索将像素分类为专题类的技术。我们将使用只有五个类别（城市、农业、水、沙和湿地）的简化图例。图像分类的两种主要技术是无监督分类和监督分类。在第一种情况下，图像的像素根据它们的光谱相似性被分为许多类（数量类最初可能不对应于土地覆盖类）。相似的像素属于同一类，尽管没有主题信息（即提供土地覆盖类的名称）。该技术不需要使用训练数据来构建分类模型。是在后处理步骤中使用，为每个组定义主题类。关于有限兴趣区域的示例逐渐使用了越来越多的时间序列数据集：仅 S2和 S1，然后是 S1、S2 和地形（高程和坡度）的组合图像。