GEE随机森林分类代码（L5L8）

已于 2024-01-27 20:44:23 修改
阅读量1.1k 收藏 30
点赞数 12
文章标签： 随机森林 人工智能 java
于 2024-01-23 11:09:21 首次发布
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/weixin_64448046/article/details/135766550
版权

首先，显示图像来打点分类

Map.centerObject(geometry,10);
Map.addLayer(geometry);
var s2 = ee.ImageCollection('LANDSAT/LC08/C02/T1_L2')
                  .filterDate('2020-11-01', '2021-02-28')
                  .filterBounds(geometry)
                  .filter(ee.Filter.lte('CLOUD_COVER',5))//云量设置
                   .median();
var visualization = {
  min: 0.0,
  max: 60000,
  bands: ['SR_B5', 'SR_B4', 'SR_B3'],
};
var clip_L8 = s2.clip(geometry)
Map.addLayer(s2.clip(geometry), visualization, '假彩色');
// 导出裁剪后的影像到 Google Drive
Export.image.toDrive({
  image: clip_L8,
  description: 'clipped_image',
  folder: 'your_folder_name',  // 替换为你想保存影像的 Google Drive 文件夹
  scale: 30,  // 替换为你想要的分辨率
  region: geometry,
  maxPixels: 1e13,
  crs: 'EPSG:4326'  // 替换为你的投影系统
});

我的分类

Landsat5适用 
Map.centerObject(geometry,10);
Map.addLayer(geometry);
var s2 = ee.ImageCollection('LANDSAT/LT05/C02/T1_L2')
                  .filterDate('2010-11-18', '2010-11-20')
                  .filterBounds(geometry)
                  .filter(ee.Filter.lte('CLOUD_COVER',5))//云量设置
var rgbVis = {
  min: 0.0,
  max: 60000,
  bands: ['SR_B4', 'SR_B3', 'SR_B2'],
};
//Map.addLayer(s2.clip(geometry), rgbVis, '假彩色');
var add_RS_index = function(img){
  var ndvi = img.normalizedDifference(['SR_B4', 'SR_B3']).rename('NDVI').copyProperties(img,['system:time_start']);
  var ndwi = img.normalizedDifference(['SR_B2', 'SR_B4']).rename('NDWI').copyProperties(img,['system:time_start']);
  var ndmi = img.expression('(SWIR1 - GREEN) / (SWIR1 + GREEN)', 
  {
    'SWIR1': img.select('SR_B5'),
    'GREEN': img.select('SR_B2')
  }).rename('NDMI').copyProperties(img,['system:time_start']);
  // Remove BSI and EVI
  var ibi = img.expression('(2 * SWIR1 / (SWIR1 + NIR) - (NIR / (NIR + RED) + GREEN / (GREEN + SWIR1))) / (2 * SWIR1 / (SWIR1 + NIR) + (NIR / (NIR + RED) + GREEN / (GREEN + SWIR1)))', {
    'SWIR1': img.select('SR_B5'),
    'NIR': img.select('SR_B4'),
    'RED': img.select('SR_B3'),
    'GREEN': img.select('SR_B2')
  }).rename('IBI').copyProperties(img,['system:time_start']);
  // Add NDSSI and NDBI
  var ndssi = img.expression('(GREEN - SWIR1) / (GREEN + SWIR1)', 
  {
    'GREEN': img.select('SR_B2'),
    'SWIR1': img.select('SR_B5')
  }).rename('NDSSI').copyProperties(img,['system:time_start']);
  var ndbi = img.normalizedDifference(['SR_B4', 'SR_B7']).rename('NDBI').copyProperties(img,['system:time_start']);
  return img.addBands([ndvi, ndwi, ndmi, ibi, ndssi, ndbi]);
};
// Apply the function to the image collection
var s2_with_indices = s2.map(add_RS_index);
// 从图像集合中选择波段并计算中位数
var bands = ['SR_B2','SR_B3', 'SR_B4', 'SR_B5', 'SR_B7', 'NDVI', 'NDWI', 'NDSSI'];
var imgcol_median = s2_with_indices.select(bands).median();
// 处理 DEM 数据
var aoi_dem = dem.select('elevation').clip(geometry).rename('DEM');
var construct_img = imgcol_median.addBands(aoi_dem).clip(geometry);
var fc = vegetation.merge(water).merge(Tidalflat).merge(other).merge(spartina).merge(nomalforest).merge(plowland);
var train_data=construct_img.sampleRegions({
  collection:fc,
  properties: ['landcover'],
  scale: 10
});
print(fc);
var sampleData =train_data.randomColumn('random')
var sample_training = sampleData.filter(ee.Filter.lte("random", 0.8));
var sample_validate  =sampleData.filter(ee.Filter.gt("random", 0.8));
var rf = ee.Classifier.smileRandomForest({
  numberOfTrees: 20,
  bagFraction: 0.8
}).train({
  features: sample_training,
  classProperty: 'landcover',
  inputProperties: bands
});
var img_classfication = construct_img.classify(rf); 
//运用测试样本分类，确定要进行函数运算的数据集以及函数
var test =sample_validate.classify(rf);
//计算混淆矩阵
var confusionMatrix = test.errorMatrix('landcover', 'classification');
print('confusionMatrix',confusionMatrix);//面板上显示混淆矩阵
print('overall accuracy', confusionMatrix.accuracy());//面板上显示总体精度
print('kappa accuracy', confusionMatrix.kappa());//面板上显示kappa值
print('consumersAccuracy', confusionMatrix.consumersAccuracy());
print('producersAccuracy', confusionMatrix.producersAccuracy());
Map.centerObject(geometry)
Map.addLayer(geometry);
Map.addLayer(img_classfication.clip(geometry), {min: 1, max: 7, palette: ['blue', 'green', 'yellow', 'purple', 'orange', 'pink', 'brown',]});
var class1=img_classfication.clip(geometry)
//导出分类图
Export.image.toDrive({
       image: class1,
       description: 'rfclass',
       fileNamePrefix: 'rf',  //文件命名
       folder: "class",  //保存的文件夹
       scale: 10,  //分辨率
       region: geometry,  //研究区
       maxPixels: 1e13,  //最大像元素，默认就好
       crs: "EPSG:4326"  //设置投影
   });
Landsat8适用
Map.centerObject(geometry,10);
Map.addLayer(geometry);
var s2 = ee.ImageCollection('LANDSAT/LC08/C02/T1_L2')
                  .filterDate('2015-10-15', '2015-10-18')
                  .filterBounds(geometry)
                  .filter(ee.Filter.lte('CLOUD_COVER',6))//云量设置
var rgbVis = {
  min: 0.0,
  max: 60000,
  bands: ['SR_B5', 'SR_B4', 'SR_B3'],
};
//Map.addLayer(s2.clip(geometry), rgbVis, '假彩色');
var add_RS_index = function(img){
  var ndvi = img.normalizedDifference(['SR_B5', 'SR_B4']).rename('NDVI').copyProperties(img,['system:time_start']);
  var ndwi = img.normalizedDifference(['SR_B3', 'SR_B5']).rename('NDWI').copyProperties(img,['system:time_start']);
  var ndmi = img.expression('(SWIR1 - GREEN) / (SWIR1 + GREEN)', 
  {
    'SWIR1': img.select('SR_B6'),
    'GREEN': img.select('SR_B3')
  }).rename('NDMI').copyProperties(img,['system:time_start']);
  // Remove BSI and EVI
  var ibi = img.expression('(2 * SWIR1 / (SWIR1 + NIR) - (NIR / (NIR + RED) + GREEN / (GREEN + SWIR1))) / (2 * SWIR1 / (SWIR1 + NIR) + (NIR / (NIR + RED) + GREEN / (GREEN + SWIR1)))', {
    'SWIR1': img.select('SR_B6'),
    'NIR': img.select('SR_B5'),
    'RED': img.select('SR_B4'),
    'GREEN': img.select('SR_B3')
  }).rename('IBI').copyProperties(img,['system:time_start']);
  // Add NDSSI and NDBI
  var ndssi = img.expression('(GREEN - SWIR1) / (GREEN + SWIR1)', 
  {
    'GREEN': img.select('SR_B3'),
    'SWIR1': img.select('SR_B6')
  }).rename('NDSSI').copyProperties(img,['system:time_start']);
  var ndbi = img.normalizedDifference(['SR_B5', 'SR_B7']).rename('NDBI').copyProperties(img,['system:time_start']);
  return img.addBands([ndvi, ndwi, ndmi, ibi, ndssi, ndbi]);
};
// Apply the function to the image collection
var s2_with_indices = s2.map(add_RS_index);
// 从图像集合中选择波段并计算中位数
var bands = ['SR_B3', 'SR_B4', 'SR_B5', 'SR_B6', 'SR_B7', 'NDVI', 'NDWI', 'NDSSI'];
var imgcol_median = s2_with_indices.select(bands).median();
// 处理 DEM 数据
var aoi_dem = dem.select('elevation').clip(geometry).rename('DEM');
var construct_img = imgcol_median.addBands(aoi_dem).clip(geometry);
var fc = vegetation.merge(water).merge(Tidalflat).merge(other).merge(spartina).merge(nomalforest).merge(plowland);
var train_data=construct_img.sampleRegions({
  collection:fc,
  properties: ['landcover'],
  scale: 10
});
print(fc);
var sampleData =train_data.randomColumn('random')
var sample_training = sampleData.filter(ee.Filter.lte("random", 0.8));
var sample_validate  =sampleData.filter(ee.Filter.gt("random", 0.8));
var rf = ee.Classifier.smileRandomForest({
  numberOfTrees: 20,
  bagFraction: 0.8
}).train({
  features: sample_training,
  classProperty: 'landcover',
  inputProperties: bands
});
var img_classfication = construct_img.classify(rf); 
//运用测试样本分类，确定要进行函数运算的数据集以及函数
var test =sample_validate.classify(rf);
//计算混淆矩阵
var confusionMatrix = test.errorMatrix('landcover', 'classification');
print('confusionMatrix',confusionMatrix);//面板上显示混淆矩阵
print('overall accuracy', confusionMatrix.accuracy());//面板上显示总体精度
print('kappa accuracy', confusionMatrix.kappa());//面板上显示kappa值
print('consumersAccuracy', confusionMatrix.consumersAccuracy());
print('producersAccuracy', confusionMatrix.producersAccuracy());
Map.centerObject(geometry)
Map.addLayer(geometry);
Map.addLayer(img_classfication.clip(geometry), {min: 1, max: 7, palette: ['blue', 'green', 'yellow', 'purple', 'orange', 'pink', 'brown']});
var class1=img_classfication.clip(geometry)
//导出分类图
Export.image.toDrive({
       image: class1,
       description: 'rfclass',
       fileNamePrefix: 'rf',  //文件命名
       folder: "class",  //保存的文件夹
       scale: 10,  //分辨率
       region: geometry,  //研究区
       maxPixels: 1e13,  //最大像元素，默认就好
       crs: "EPSG:4326"  //设置投影
   });

可能报错及解决：

运行后显示Property 'B2' of feature '1_1_1_1_1_1_1_1_0' is missing 

云量限制过大，放宽条件

 参考波段

 

 参考：

当时前一部分就是按照b站这个老哥来做的，后面他没录上，参考了第二个姐的代码

【google earth engine 随机森林分类详细流程】 https://www.bilibili.com/video/BV18v411a78D/?share_source=copy_web&vd_source=cf8beea9c5503f5fd4699cbf701fc2cf

GEE实现图像随机森林分类 - 简书 (jianshu.com)

【No.9 【Google Earth Engine】GEE 基于landsat8 监督分类土地利用并下载】 https://www.bilibili.com/video/BV1YY411s7tS/?share_source=copy_web&vd_source=cf8beea9c5503f5fd4699cbf701fc2cf

十月小mumu
关注
  • 12
    点赞
  • 踩
  • 30
    收藏
    觉得还不错? 一键收藏
  • 8
    评论
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土地分类-计算遥感变量特征的重要性（使用随机森林方法）.pdf
10-02
计算特征重要性 GEE 中的许多分类器都有一个用于计算特征重要性的 explain() 方法。分类器会根据每个输入变量在预测正确值时的有用程度给它们打分。下面的脚本展示了如何提取特征重要性并创建图表将其可视化。 遥感变量特征的重要性可以从多个角度进行分析，以下是一些重要的方面： 1. 空间信息的提供：遥感变量可以提供高精度的地表空间信息，包括植被、土地利用、土地覆盖、地表温度等。这些信息可以为资源管理、环境保护、城市规划等领域提供参考依据。 2. 特征提取的作用：遥感变量可以用于提取地表的纹理、形状、边缘等特征信息，这些特征可以用于分类、目标识别、变化检测等应用中。例如，在城市化研究中，可以通过提取建筑物、道路、水体等特征信息，进行城市化程度的评估。 3. 建立地理信息模型：遥感变量可以用于建立地理信息模型，例如类别模型、时空模型等。这些模型可以预测地表的特征和变化，为自然资源管理和生态环境保护提供决策支持。 4. 在应急响应中的应用：遥感变量可以用于监测自然灾害和环境污染等事件，提供实时的监测和预警。例如，在地震发生后，可以利用遥感技术进行受灾地区的变化检测和影像分析
GEE必须会教程—随机森林分类及精度评估
最新发布
Promising_GEO的博客
05-10 1512
一文教会你如何在GEE中实现随机森林分类
Google Earth Engine（GEE）——ESRI 2020年来自哨兵2号的全球土地利用和土地覆盖图
qq_31988139的博客
03-08 1567
草地 被均匀的草覆盖的开放区域，几乎没有高大的植被；树木 任何明显的高大（约15米或更高）的密集植被集群，通常有一个封闭的或密集的树冠；例子：树林植被，稀树草原内密集的高大植被集群，种植园，沼泽或红树林（密集/高大的植被，有短暂的水或树冠太厚，无法发现下面的水）。例子：中等到稀疏的灌木丛、灌木和草丛的覆盖，有非常稀疏的草、树木或其他植物的草原。被淹没的植被 任何类型的植被在一年中的大部分时间里都有明显的混水现象的区域；例如：裸露的岩石或土壤、沙漠和沙丘、干燥的盐碱地/盘、干涸的湖床、矿场。
监督分类：用随机森林做遥感影像像素级分类（更新：多分类实现）
qq_20373723的博客
05-01 8896
前面已经发了一个版本了，但是那个看着是二分类，估计很多人也不太好下手改，因为有人问，我就好事做到底吧，来一个多分类吧，大家还可以参考上一篇SVM的更新自己实现一下大影像的分类，我这就不搞重复的了，先上结果。 注：1.可不要看结果不好就不看了喔，这个结果是我随便选的点分的，毕竟做实验，不想浪费太多时间。 2.除了随机森林还有别的也在前面import 的时候导入了，你们也可以试下别的呢。 3.如果有用...
Google Earth Engine（GEE）随机森林分类
guaicaicexu的博客
09-01 1万+
今日分享：Google Earth Engine（GEE）随机森林分类九月第一天，来简单分享下如何在GEE中进行随机森林分类。之做土地利用分类，一直再用ENVI去做，发现做分类时，用ENVI的插件时间太长了，所以就试试用GEE去做一下监督分类。主要参考Google Earth Engine（GEE）的官方文档01—GEE部分实现代码选择研究区和数据集var roi = ee.Geometry.Po...
GEE代码笔记（精简版）
m0_46423096的博客
02-27 713
GEE代码
GEE（Google Earth Engine） 代码学习笔记一 快速入门
热门推荐
塞翁失马的博客
04-08 1万+
GEE 学习记录一 （GEE 基于JavaScript语言和python语言，我记录的是JavaScript语言） 1.GEE 快速入门 overview. 2.基本语句 - 简单输出 print('Hello world!'); - 输出影像的元数据 print(ee.Image('LANDSAT/LC08/C01/T1/LC08_044034_20140318')); - 加载影像到地图上（将影像加载到地图上，便可可视化地理数据） 用Map.addLayer() 方法实现。 // Load an
GEE代码笔记（详细版）
m0_46423096的博客
03-26 795
（4）Objects。
GEE东拼西凑之随机森林分类
qq_50291870的博客
03-07 4966
GEE进行landsat5随机森林地物分类的代码集锦
GEE_代码
02-12
GEE_代码 Flor Sangermano的示例脚本的前四行在GEE中通过导入重新创建
gee-Landsat影像 随机森林分类代码
10-15
gee-Landsat影像 随机森林分类代码
GEE代码-基于两期sentinel2遥感影像使用随机森林方法进行土地分类中各地类面积的统计结果分析.pdf
08-03
此代码仅限于我专栏的一个案例，如果你想学习更多的GEE知识，请进入主页选择，我将不定期更新更多的GEE和其它平台的相关云计算内容，同时也欢迎大家由问题私信，我可以承接相应的代码调试，GEE资源下载等相关服务。...
基于GEE云平台sentinel-2影像的土地分类代码.js
04-01
使用采样的样本点训练分类器模型，例如支持向量机 (Support Vector Machine, SVM)、随机森林 (Random Forest) 等。 分类影像。对整个影像进行分类，使用训练好的分类器模型。 结果验证。对分类结果进行验证和评估，...
GEE：面对对象（斑块/超像素）尺度的随机森林分类教程
养乐多的博客
06-19 4472
本文将介绍在Google Earth Engine（GEE）平台上进行面向对象随机森林分类的方法和代码。面向对象随机森林分类是一种强大的分类方法，通过将遥感影像数据聚合成具有语义的对象，结合随机森林算法进行分类，可以得到准确且可解释的土地利用/覆盖分类结果。
GEE-基础代码整合（自用）
weixin_44744153的博客
03-05 908
GEE-基础代码整合 官方文档片段整理（自用） // Instantiate an image with the Image constructor. var image = ee.Image('CGIAR/SRTM90_V4'); // Zoom to a location. Map.setCenter(-112.8598, 36.2841, 9); // Center on the Grand Canyon. // Display the image on the map. Map.addLayer
Google Earth Engine(GEE)批量下载代码（以MODIS NDVI数据为例）
weixin_44557372的博客
04-10 5575
Google Earth Engine(GEE)批量下载NDVI代码
gee进行随机森林分类
05-09
GEE是谷歌地球引擎平台，它具有很强的可视化和地图制图功能。而随机森林是一种机器学习算法，它可以用来进行分类和回归分析。 在GEE平台上使用随机森林进行分类，首先需要准备一些数据，例如卫星影像、地形数据、气象数据等。然后，我们可以利用GEE提供的数据处理和分析工具，将这些数据整合在一起，并进行特征提取、参数优化等处理。 接着，需要定义随机森林的模型参数，例如树的数量、每棵树的最大深度、特征选择方法等。这些参数的选取会影响到模型的准确度和鲁棒性。 在完成模型训练后，可以利用GEE的可视化工具，将分类结果可视化在地图上。同时，GEE还提供了一些分析工具，比如误差矩阵、分类精度等指标，可以用来评估模型的准确度。 总的来说，利用GEE进行随机森林分类是一种高效、可视化的方法，适用于很多地理信息分析的场景。当然，它也有一些限制和挑战，例如数据质量的要求、模型调参等问题。因此，在进行分析前，需要对数据和算法有一定的理解和熟练度。

“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 8
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
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