GEE代码学习 day6

6、Classification

6.1 监督分类

分类步骤：1. Get a scene.

                  2. Collect training data.

                 3. Select and train a classifier using the training data.

                 4. Classify the image using the selected classifie（分类器）.

.filterBounds() 是 Earth Engine 中用于过滤图像或特征集合的方法之一。它允许你根据空间范围来筛选数据，保留落在指定区域内的图像或特征。

// Create an Earth Engine Point object over Milan. 
var pt = ee.Geometry.Point([9.453, 45.424]);  
// Filter the Landsat 8 collection and select the least cloudy image. 
var landsat = ee.ImageCollection('LANDSAT/LC08/C02/T1_L2')  
                .filterBounds(pt) 
                .filterDate('2019-01-01', '2020-01-01') 
                .sort('CLOUD_COVER') 
                .first();  
// Center the map on that image. 
Map.centerObject(landsat, 8);  
// Add Landsat image to the map. 
var visParams = {  
                   bands: ['SR_B4', 'SR_B3', 'SR_B2'], 
                   min: 7000, 
                   max: 12000 }; 
Map.addLayer(landsat, visParams, 'Landsat 8 image');

在整个数字世界中，使用十六进制值来表示计算机和操作系统中的特定颜色。它们由六个值指定，这些值排列成三对，每对值分别用于红色、绿色和蓝色亮度值。如果您不熟悉十六进制值，请想象一下颜色是以 10 为基数对而不是以 16 为基数对指定的。在这种情况下，亮红色的纯红色值将为 “990000”;亮绿色值为 “009900”;亮蓝色值为 “000099”。像 “501263” 这样的值是三种颜色的混合，不是特别亮，蓝色和红色的数量大致相等，绿色的数量要少得多

下一步是将所有训练特征集合合并为一个。复制并粘贴下面的代码，将它们合并到一个名为 trainingFeatures 的 FeatureCollection 中。在这里，我们使用 flatten 方法来避免拥有特征集合 - 我们希望在 FeatureCollection 中拥有单个特征。

// Combine training feature collections. 
var trainingFeatures = ee.FeatureCollection([  
                      forest, developed, water, herbaceous ]).flatten();

下面的代码以提取每个点位置每个类的波段信息。首先，我们定义预测波段，以从每个类别的不同波段中提取不同的光谱和热信息。然后，我们使用 sampleRegions 方法从每个点位置的 Landsat 图像中采样信息。此方法需要有关 FeatureCollection （我们的参考点）、要提取的属性 （“class”） 和像素比例 （以米为单位） 的信息。

// Define prediction bands. 
var predictionBands = [  'SR_B1', 'SR_B2', 'SR_B3', 'SR_B4', 'SR_B5', 'SR_B6', 'SR_B7','ST_B10'  ];  
// Sample training points. 
var classifierTraining = landsat.select(predictionBands)  
                                .sampleRegions({ collection: trainingFeatures,
                                                 properties: ['class'], 
                                                 scale: 30 });

现在我们可以选择一个分类器。分类器的选择并不总是显而易见的，并且有许多选项可供选择 - 您可以快速扩展 ee.Classifier 对象来了解我们有多少个图像分类选项。因此，我们将测试不同的分类器并比较它们的结果。我们将从分类与回归树 （CART） 分类器开始，这是一种已经存在了几十年的著名分类算法 。

 CART Classifier ///  
// Train a CART Classifier. 
var classifier = ee.Classifier.smileCart().train({  features: classifierTraining, classProperty: 'class', inputProperties: predictionBands });

对 Landsat 图像进行分类并将其添加到 Map。

// Classify the Landsat image. 
var classified =  landsat.select(predictionBands).classify(classifier);  
// Define classification image visualization parameters. 
var classificationVis = {  
                         min: 0, 
                         max: 3, 
                         palette: ['589400', 'ff0000', '1a11ff', 'd0741e'] };  
// Add the classified image to the map. 
Map.addLayer(classified, classificationVis, 'CART classified');

最后图并不理想，可以从一下进行改进：

• Collect more training data

• Tune the mode

• Expand the collection location

• Add more predictors: We can try adding spectral indices to the input variables; this way, we are feeding the classifier new, unique information about each class. For example, there is a good chance that a vegetation index specialized for detecting vegetation health (e.g., NDVI) would improve the developed versus herbaceous classification.

现在，我们将尝试另一个广泛使用的监督学习分类器：随机森林 （RF）。

请注意，在 ee.Classifier.smileRandomForest 文档（文档选项卡）中，有一个种子（随机数）参数。设置种子允许您在每次运行模型时精确复制模型。任何数字都可以作为种子。

/// Random Forest Classifier /  
// Train RF classifier. 
var RFclassifier =  ee.Classifier.smileRandomForest(50).train({ features: classifierTraining, classProperty: 'class', inputProperties: predictionBands });  
// Classify Landsat image. 
var RFclassified =  landsat.select(predictionBands).classify( RFclassifier);  
// Add classified image to the map. 
Map.addLayer(RFclassified, classificationVis, 'RF classified');