GEE土地分类——如何利用多年的ESRI_Global-LULC_10m将研究区的指定区域重分类分为两类数据（将多类土地分类转化为草地和非草地区域）

于 2024-02-13 17:00:00 发布
阅读量727 收藏 2
点赞数
分类专栏： gee土地分类专栏 文章标签： 人工智能 javascript gee 土地分类 lulc 分类 重分类
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/136094771
版权

简介

本教程主要的目的是利用自己上传的多年土地分类应先过来实现指定区域的土地分类，而且只提取

ESRI_Global-LULC_10m

ESRI_Global-LULC_10m数据集是由ESRI（环境系统研究研究所）开发的一个全球级别的土地利用/土地覆盖数据集。该数据集使用10米的空间分辨率，并提供了详细的土地利用/土地覆盖分类信息。

该数据集基于多源的遥感影像数据，包括卫星图像和高分辨率航拍图像。这些数据通过遥感图像解译和机器学习算法进行处理，从而得到了覆盖全球的土地利用/土地覆盖分类结果。

ESRI_Global-LULC_10m数据集的分类体系包括多个不同的土地利用/土地覆盖类别，如农田、林地、草地、城市等。每个像元都根据其在分类体系中的特征被赋予一个特定的类别标签。

这个数据集的具体介绍包括以下几个方面：

1. 数据集名称：ESRI_Global-LULC_10m
2. 数据集提供方：ESRI（环境系统研究研究所）
3. 数据源：多源遥感影像数据，包括卫星图像和高分辨率航拍图像
4. 空间分辨率：10米
5. 土地利用/土地覆盖分类体系：包括多个不同的类别，如农田、林地、草地、城市等
6. 数据集覆盖范围：全球级别
7. 数据集用途：可用于土地利用规划、环境评估、生态研究等领域

这个数据集的详细介绍提供了用户所需的基本信息，使得用户可以了解其数据来源、分类方式以及适用范围，从而更好地利用这个数据集进行相关的研究工作。

数据属性

了解本专栏 订阅专栏 解锁全文 超级会员免费看
此星光明
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
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
02-08 616
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。
GEE：基于支持向量机（SVM）进行土地利用分类
weixin_51775350的博客
12-22 2330
利用GEE平台实现SVM的土地利用分类，精度为30m
基于GEE平台土地类型分类
puzige的博客
06-08 4703
GEE可以进行大尺度的地物类型分类，主要原理就是根据不同地物类型的光谱反射率的不同，目前地物分类的算法有很多种，比如随机森林算法等等，本文章主要基于随机森林算法进行大尺度地物分类，代码如下所示： var samples=ee.FeatureCollection(table); function maskL8sr(image) { var timeStart = image.get('system:time_start'); var srImageList = ee.ImageCollection('
Google Earth Engine（GEE）-机器学习分类后进行accuracy精度评定以及RMSE和R2的计算.pdf
08-14
Google Earth Engine（GEE）——机器学习分类后进行accuracy精度评定以及RMSE和R2的计算 本教程主要的目的就是利用随机森林分类和其它分类进行分析，这里主要的目的就是我们分析除了常规的土地分类，利用errorMatrix(actual, predicted, order)等函数进行分析，但是RMSE 和R2需要自己进行写代码分析，这里面还包含了协方差的计算。主要是复杂的土地分类的调用和运算，也就是影像间的分析，相较于本地的不同，基于影像的还有差异。 内涵详细的代码，大家可以通过自己将代码加载到GEE中，继续逐行的查看和修改。另外，大家需要具体系统的进行GEE的一些基本学习的话，可以前往查看我的主页，具体的专栏大家可以前去我的博客主页学习：涵盖了GEE基础、高阶和应用程序开发以及JavaScript和python两种语言的专栏，同时还建立有GEE图表和应用，外接高阶程序应用等，与此同时，还有微软行星云计算、PIE、AI EARTH等遥感云平台专栏类容可供大家参考。主页链接：https://blog.csdn.net/qq_31988139?type=blog
GEE机器学习-利用最短距离方法进行土地分类和精度评定（代码和介绍）.pdf
最新发布
03-10
本教程使用MD算法在GEE平台实现了土地分类 最短距离方法（Minimum Distance）是一种常用的模式识别算法，用于计算样本之间的相似度或距离。该方法通过计算样本之间的欧氏距离或其他距离度量，来确定样本之间的相似程度或差异程度。 最短距离方法的具体步骤如下： 1. 数据准备：收集并准备用于训练的数据集，确保数据集包含标记好的样本点。 2. 特征选择：根据问题的特点选择合适的特征，并对特征进行预处理（如归一化、标准化等）。 3. 计算距离：使用合适的距离度量方法（如欧氏距离、曼哈顿距离等），计算待分类样本与训练集中每个样本之间的距离。 4. 分类决策：根据最小距离原则，将待分类样本分配给与其距离最近的训练集样本所属的类别。 5. 模型评估：使用测试数据集评估模型的性能，通常使用准确率、精确率、召回率等指标进行评估。 最短距离方法的优点是简单直观，易于理解和实现。然而，它也存在一些缺点： - 对于高维数据或特征空间中的非线性关系，最短距离方法可能表现不佳。 - 在处理不平衡数据集时，最短距离方法可能偏向于多数类别。 因此，在实际应用中，需要根据具体问题和数据特点选择合适的分类算法。
GEE-土地利用分类种两个矢量集合中不同列进行相减的方式（利用join进行连接处理）.pdf
01-08
拟解决的问题： 我有两个具有相同 ID 的特征集，我想从第二个特征集中减去第一个特征集的表格单元格。 我使用了这个函数，但它计算的是表 1 中第一个元素与表 2 中其他元素的减法。 我想逐个单元格计算减法。第一个表格中 id 为 1 的单元格减去第二个表格中 id 为 1 的单元格，2x2、3x3...有人能帮我完成这项任务吗？ join连接是一个功能，用于将两个数据表或图层基于共享字段值进行连接。连接操作可以将两个表或图层中的记录合并到一个新的表或图层中。连接操作可以在地理数据库中的表或图层之间进行，也可以在文件数据库中的表或图层之间进行。 连接操作基于一个或多个共享字段，该字段在两个表或图层中具有相同的值。连接操作将共享字段的值相等的记录进行匹配，并将它们合并到一个新的表或图层中。连接操作可以是一对一的，一对多的，多对一的或多对多的。 在连接操作中，一个表或图层被称为目标表或图层，另一个表或图层被称为加入表或图层。通过连接操作，目标表或图层的字段将与加入表或图层的字段进行匹配，并将加入表或图层的字段值添加到目标表或图层中。 连接操作可以有多个连接类型，包括：内连接、左连接等
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】利用GEE进行Landsat 8 SR数据土地利用分类
weixin_42347880的博客
01-24 1万+
最近用学习到的知识进行了利用GEE和Landsat 8 SR数据进行土地利用分类的小实验，在这里进行一些学习记录。 一、数据导入 首先在GEE中上传要进行土地利用分类的行政区域边界，这里是以雄安新区为例。 二、遥感数据筛选 使用的数据是Landsat 8 OLI/TIRS传感器的SR数据集，SR数据利用QA波段进行影像去云处理，这里构造了去云函数便于后续调用； 筛选想要进行土地利用分类的时间，并用clip函数将研究区裁剪出来。 // Applies scaling factors. funct
Google Earth Engine（GEE）简单介绍及注册
guaicaicexu的博客
07-10 1万+
Google Earth Engine（GEE）是由谷歌、卡内基梅隆大学、美国地质调查局(USGS)共同开发的用以处理卫星遥感影像数据和其他地球观测数据的云端运算平台。GEE平台融合了谷歌服务器提供的强大计算能力或者以及大范围的云计算资源，平台数据集提供了对地观测卫星大量完整的影像数据如Sentinel， MODIS，Landsat等，也提供了植被、地表温度和社会经济等数...
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
12-19 947
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。
1985-2020年全国30m分辨率土地利用数据集
06-28
本数据集数据源为武汉大学生产的CLCD数据，生产的数据格式为栅格（TIF格式）.CSDN网站资源为txt文件，内含数据详细参数介绍、分省批量裁剪方法和百度网盘下载地址。
GEE平台LULC分类_landsat8__LULC_gee_GEE平台_gee分类
09-11
基于Landsat8卫星影像数据，在GEE平台中的监督分类
随机森林代码.rar_GEE分类代码_GEE耕地扩张_gee landsat_随机森林_随机森林代码
07-15
基于GEE平台，landsat影像的随机森立法土地覆盖分类
GEE平台LULC分类_landsat8__LULC_gee_GEE平台_gee分类_源码.zip
09-30
GEE平台LULC分类_landsat8__LULC_gee_GEE平台_gee分类_源码.zip
GEE平台LULC分类_landsat8__LULC_gee_GEE平台_gee分类.zip
10-11
GEE平台LULC分类_landsat8__LULC_gee_GEE平台_gee分类.zip
GEE入门学习，遥感云大数据分析、管理与可视化以及在林业应用丨灾害、水体与湿地领域应用丨GPT模型应用
WangYan2022的博客
07-12 3364
近年来遥感技术得到了突飞猛进的发展，航天、航空、临近空间等多遥感平台不断增加，数据的空间、时间、光谱分辨率不断提高，数据量猛增，遥感数据已经越来越具有大数据特征。遥感大数据的出现为相关研究提供了前所未有的机遇，同时如何处理好这些数据也提出了巨大的挑战。传统的工作站和服务器已经无法胜任大区域、多尺度海量遥感数据处理的需要。
土地利用分类详细教程——以高分一号影像为例（上）
热门推荐
流浪若相惜的专栏
05-04 5万+
1 前言相信跟我一样刚刚接触遥感的计算机人士来讲，突然转行开始弄遥感，刚开始肯定会一头雾水。更别说什么土地利用分类的制作了。在这里，我将会用最为直接的图形流程操作来给像我一样初识遥感的童鞋们讲解一下制作土地利用的整个过程。 首先，我先用一幅流程图来概括一下制作土地利用的整个过程。如下图1所示： 图1土地利用分类流程图 这个流程操作适用于一般影像制作土地利用过程。然
GEE好文推荐——利用样本点迁移方法快速实现全球范围内1984年至今基于Landsat影像的土地分类
qq_31988139的博客
12-13 1403
长时间系列土地覆盖分类信息是对城市扩张、植被变化和碳循环等方面的科学研究的基础。云计算平台的快速发展，如谷歌地球引擎（GEE），以及从陆地卫星和哨兵-2中对多源卫星图像的访问，使机器学习算法在图像分类中的应用成为可能。在此，我们使用随机森林算法，基于从2022年获得的图像中选择固定的土地分类样本点，以及样本点的年光谱差异，快速实现不同尺度的时间序列土地覆盖分类。利用合成孔径雷达（SAR）和数字高程模型（DEM）等多源遥感数据，提高了分类精度。
GEE机器学习——利用最短距离方法进行土地分类和精度评定
qq_31988139的博客
01-14 1087
最短距离方法（Minimum Distance）是一种常用的模式识别算法，用于计算样本之间的相似度或距离。该方法通过计算样本之间的欧氏距离或其他距离度量，来确定样本之间的相似程度或差异程度。最短距离方法的具体步骤如下：1. 数据准备：收集并准备用于训练的数据集，确保数据集包含标记好的样本点。2. 特征选择：根据问题的特点选择合适的特征，并对特征进行预处理（如归一化、标准化等）。3. 计算距离：使用合适的距离度量方法（如欧氏距离、曼哈顿距离等），计算待分类样本与训练集中每个样本之间的距离。
GEE 用土地利用栅格对于研究区域从新进行随机森林监督分类。的代码
05-27
以下是使用Google Earth Engine对研究区域进行随机森林监督分类的代码，其中使用了土地利用栅格： ```javascript //加载研究区域的地形数据 var elevation = ee.Image('USGS/SRTMGL1_003'); //加载研究区域的土地利用栅格数据 var landCover = ee.Image('USGS/NLCD/NLCD2016').select('landcover'); //合并数据集 var image = elevation.addBands(landCover); //设置分类的属性 var classProperty = 'landcover'; //设置分类的样本数量 var sampleSize = 1000; //设置分类器 var classifier = ee.Classifier.randomForest(10); //设置训练样本 var training = image.sample({ region: geometry, scale: 30, numPixels: sampleSize }); //训练分类器 var trainedClassifier = classifier.train(training, classProperty); //使用分类器对图像进行分类 var classified = image.classify(trainedClassifier); //显示分类结果 Map.addLayer(classified, {min: 0, max: 95, palette: ['red', 'green', 'blue']}, 'Land Cover Classification'); ``` 其中，`USGS/SRTMGL1_003`和`USGS/NLCD/NLCD2016`是Earth Engine中的数据集，可以根据研究区域的不同进行调整。`geometry`是研究区域的几何信息，也需要根据实际情况进行调整。最终，分类结果将显示在Map中。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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