GEE：主成分分析（Principal components analysis，PCA）

_养乐多_

已于 2023-12-23 12:00:15 修改

阅读量1.7k

点赞数

分类专栏： GEE机器学习专栏 GEE入门到高阶应用文章标签：经验分享云计算 arcgis

于 2023-04-04 22:44:16 首次发布

本文链接：https://blog.csdn.net/qq_35591253/article/details/129846507

版权

GEE入门到高阶应用同时被 2 个专栏收录

103 篇文章 321 订阅 ¥79.90 ¥99.00

订阅专栏

GEE机器学习专栏

58 篇文章 315 订阅 ¥99.90 ¥299.90

订阅专栏

本文详细介绍了主成分分析（PCA）的原理，并展示了如何在Google Earth Engine（GEE）平台上进行PCA分析，包括对单个影像和影像集合的操作。文中提供了具体的代码示例，以及在Landsat可见光波段和生态遥感指数RSEI中的应用案例。通过调用imagePCA函数，可以方便地获取影像的主要成分分量和特征值。

摘要由CSDN通过智能技术生成

本文将介绍主成分分析（Principal components analysis，PCA）原理和在Google Earth Engine（GEE）平台上应用 PCA 算法的代码和案例。并应用于 Landsat 数据可见光波段和生态遥感指数（RSEI）案例中。并介绍如何针对一副影像、一个影像集合进行 PCA 分析，文中对 PCA 的计算过程进行了封装，只需要调用 imagePCA(imageCollection, imageBands) 函数，即可得到影像的主要成分分量，并输出特征值和特征向量。可以输出多个分量，也可以只输出前三个或者第一个PC。

在这里插入图片描述

文章目录

一、主成分分析介绍

主成分 (PC) 变换（也称为 Karhunen-Loeve 变换）是一种光谱旋转，它采用光谱相关的图像数据并输出不相关的数据。PC 变换通过本征分析对输入频带相关矩阵进行对角化来实现这一点。要在 Google Earth Engine 中执行此操作，请在数组图像上使用协方差缩减器，并eigen()在生成的协方差数组上使用命令。