GEE python——使用 Landsat 7、8 和 9 以及 Dynamic World Land Cover 数据集训练 随机森林（RF）土地分类模型

简介

使用 Landsat 7、8 和 9 以及 Dynamic World Land Cover 数据集训练 RF 模型，用于 LULC 分类。目前，我使用来自 Landsat 8 的 12 张图像，这些图像与一些 Dynamic World 场景相匹配（就获取日期而言），以将波段“标签”添加到我的 Landsat 8 图像中，以创建带注释的数据用于训练。然后，我对这些图像进行采样；

尝试了不同的方法使用我的所有图像进行训练：

- 对 12 张图像中的每一张进行随机采样，然后使用 .flatten() 方法将所有图像连接起来。

- 使用来自每幅图像的每个时间样本重新训练我的 RF 模型十二次。

相关问题

我的问题是，如果不超出用户内存限制或在 1 次训练后出现空模型，我就无法将样本数量增加到 200 以上（80％ 训练 - 20％ 验证）。

但是如果我只用一张图片进行训练，我可以轻松获得 5000 个样本，所以我真的不知道该怎么做，我是否可以使用另一种采样/训练方法，或者尝试使用 bf 导出它们，因为只有 2400*0.8 我的模型过度拟合（训练中的准确率为 0.99，验证中的准确率为 0.7）。我也尝试过在某些批次上使用循环进行训练，但问题相同。

在训练中添加 Landsa