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。
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。