利用GEE做监督分类,以武汉市为例。
训练器我们选择随机森林;数据选择Landsat-8;训练样本使用的是GEE提供的一种,它把地表分为三类:水体、植被和城市用地。
- 选择训练样本
用要素集来标记训练样本。每个要素都有一个landcover 的属性,0表示城市用地,1表示植被,2表示水体。
- 对影像进行分类
其中一部分进行分类器的训练,还有一部分留下来做精度验证。
- 输出影像及混淆矩阵
print(LABEL_DATA);
var wuhan = ee.FeatureCollection('users/goodmalest/wuhan')
//选择的训练样本
function maskL8sr(image) {//去云
var cloudShadowBitMask = (1 << 3);
var cloudsBitMask = (1 << 5);
var qa = image.select('pixel_qa');
var mask = qa.bitwiseAnd(cloudShadowBitMask).eq(0)
.and(qa.bitwiseAnd(cloudsBitMask).eq(0));
return image.updateMask(mask);
}
var landsatImage = ee.ImageCollection("LANDSAT/LC08/C01/T1_SR")
.filterDate('2019-01-01', '2019-12-31')
.map(maskL8sr)
.mean();
// 使用下列波段作为特征
var bands = ['B2', 'B3', 'B4', 'B5', 'B6', 'B7'];
// 通过要素集在Landsat-8中选取样本,把landcover属性赋予样本
var training = landsatImage.select(bands).sampleRegions({
collection: LABEL_DATA,
properties: ['landcover'],
scale: 30
});
// 做精度评价
// 在training要素集中增加一个random属性,值为0到1的随机数
var withRandom = training.randomColumn('random');
//把生成随机数大于0.7的分成测试数据,否则为训练数据。这样可以把数据分成两份
var split = 0.7;
var trainingPartition = withRandom.filter(ee.Filter.lt('random', split));
var testingPartition = withRandom.filter(ee.Filter.gte('random', split));
// 利用70%数据随机森林进行训练
var trainedClassifier = ee.Classifier.randomForest(5).train({
features: trainingPartition,
classProperty: 'landcover',
inputProperties: bands
});
//对Landsat-8进行分类
var class_img=landsatImage.select(bands).classify(trainedClassifier);
// 对测试数据进行预测
var test = testingPartition.classify(trainedClassifier);
// 制作混淆矩阵,并打印出来
var confusionMatrix = test.errorMatrix('landcover', 'classification');
print('Confusion Matrix', confusionMatrix);
Map.centerObject(LABEL_DATA);
Map.centerObject(wuhan, 8);
Map.addLayer(wuhan);
Map.addLayer(class_img.clip(wuhan), {min: 0, max: 2, palette: ['red', 'green', 'blue']});
//划分为城市(红色)、水体(蓝色)、植被(绿色)
分类结果:
混淆矩阵: