基于GEE使用Landsat 8和Landsat 5影像进行分类_利用gee进行遥感影像分类-CSDN博客

本文链接：https://blog.csdn.net/zq2025/article/details/127520681

该博客介绍了如何使用Google Earth Engine（GEE）对2018年的Landsat 8和2000年的Landsat 5卫星影像进行分类。首先，通过筛选、云量过滤和按云量排序获取合适的数据集。然后，应用多种指数（如NDVI、NDBI等）和纹理特征（如GLCM）进行预处理。接着，使用随机森林分类器进行训练和测试，并探讨了不同决策树数量对分类准确性的影响。最后，展示了分类结果并计算了混淆矩阵、总体准确性和Kappa系数。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

2018年Landsat 8 影像分类

//数据集筛选
var dataset1 = ee.ImageCollection('LANDSAT/LC08/C02/T1_L2')
.filterDate('2018-x-x', '2018-x-x')
.filterBounds(roi)
.filter(ee.Filter.lte('CLOUD_COVER',5))//云量设置
.sort('CLOUD_COVER')//按云量排序
print(dataset1)
var mos=dataset1.mosaic()
var image1 = mos.clip(roi)
print(image1,'lan')
//显示shp边界
Map.addLayer(roi,{color:'yellow',fillColor: "00000000", width: 1},'Naiman Boundary');

//显示ROI影像并且以321合成，后面命名
Map.addLayer(image1, {min: 0.0, max: 0.2, bands: ['SR_B4', 'SR_B3', 'SR_B2'],}, 'image432');

//外部导入的水体数据，去除影像集的水体
var jrc = jrcwater.select('b1')
var image = image1.updateMask(jrc.eq(1))
Map.addLayer(image, {min: 0.0, max: 0.2, bands: ['SR_B4', 'SR_B3', 'SR_B2'],}, 'image');

//index calculate
//var mndwi = image.normalizedDifference(['SR_B3', 'SR_B6']).rename('MNDWI');//计算MNDWI
var ndbi = image.normalizedDifference(['SR_B6', 'SR_B5']).rename('NDBI');//计算NDBI
var ndvi = image.normalizedDifference(['SR_B5', 'SR_B4']).rename('NDVI');//计算NDVI
var ndwi = image.normalizedDifference(['SR_B3', 'SR_B5']).rename('NDWI');//计算NDWI
var lswi = image.normalizedDifference(['SR_B5','SR_B6']).rename('LSWI')//计算冠层植被光曾冠层植被水份
var nbr2 = image.normalizedDifference(["SR_B6", "SR_B7"]).rename("NBR2")
//var baem = image.expression(
//'NDBI-NDVI-MNDWI', {
//'NDBI': ndbi,
//'NDVI': ndvi,
//'MNDWI':mndwi
//}).rename('BAEM')

var evi = image.expression(
'2.5 * ((NIR - RED) / (NIR + 6 * RED - 7.5 * BLUE + 1))', {
'NIR': image.select('SR_B5'),
'RED': image.select('SR_B4'),
'BLUE': image.select('SR_B2')
}).rename('EVI')

var rri = image.expression(
'BLUE/NIR', {
'NIR': image.select('SR_B5'),
'BLUE': image.select('SR_B2')
}).rename('RRI')

var awei = image.expression(
'4*(green-SWIR1)-(0.25*NIR+2.75*SWIR2)',{
green:image.select('SR_B3'),
NIR:image.select('SR_B5'),
SWIR1:image.select('SR_B6'),
SWIR2:image.select('SR_B7'),
}).float().rename('AWEI')

var dem_roi = dem.select('elevation').clip(roi).rename('DEM');
var nightlight = ee.ImageCollection("NOAA/VIIRS/DNB/MONTHLY_V1/VCMSLCFG")
.filterDate('2018-06-01','2018-08-01');
print(nightlight)
var nightlights2018 = ee.Image(nightlight.mean()).select("avg_rad").clip(roi).rename('NIGHTLIGHT');

//NDVI glcm纹理特征
Map.addLayer(ndvi,{min:-1,max:1