GEE代码学习 day7

6.2 非监督分类

在 Earth Engine 中，非监督分类器是 ee.Clusterer 对象。它们是 “自学” 算法，不使用一组标记的训练数据（即，它们是 “无监督的”）。

分类流程如下：

1. 组装具有数值属性的特征，以在其中查找聚类 （训练数据）。

2. 选择并实例化一个集群程序。

3. 使用训练数据训练聚类器。

4. 将聚类器应用于场景 （分类）。

5. 标记集群。

为了生成训练数据，我们将使用 sample 方法，该方法从某个区域随机获取样本（与 sampleRegions 不同，后者从预定义位置获取样本）。我们将通过调用 geometry 方法使用图像的足迹作为区域。此外，我们将定义要采样的像素数 （numPixels）（在本例中为 1000 像素），并将 tileScale 定义为 8，以避免由于区域大小而导致的计算错误。

// 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');
 Unsupervised classification   
// Make the training dataset. 
var training = landsat.sample({  
                                region: landsat.geometry(), 
                                scale: 30, 
                                numPixels: 1000, 
                                tileScale: 8 });

使用 k-means 聚类算法，这是遥感中常用的方法。此算法使用迭代重新分组策略来识别光谱空间（图像 x 波段）中彼此靠近的像素组。

// Instantiate the clusterer and train it. 
var clusterer =  ee.Clusterer.wekaKMeans(4).train(training);

randomVisualizer:可视化分配颜色

// Cluster the input using the trained clusterer. 
var Kclassified = landsat.cluster(clusterer);  
// Display the clusters with random colors. 
Map.addLayer(Kclassified.randomVisualizer(), 
             {}, 
            'K-means classified - random colors');