Google Earth Engine（监督分类）

GIS与遥感开发平台

发布于 2022-04-29 08:44:17

9200

发布于 2022-04-29 08:44:17

文章被收录于专栏：GIS与遥感开发平台

本次我们讲一下如何利用GEE做监督分类。训练器我们选择随机森林，数据选择Landsat-8，我们只使用其中的2-7波段。

训练样本我们使用的是GEE提供的一种，它把地表分为三类：水体、植被还有城市用地。

我们就以这个为例子，简要的说明一下如何进行对遥感影像的监督分类。

下期，我们会讲解如何用Tensorflow自己训练一个模型对GEE上面的遥感影像进行分类！

选择训练样本

首先我们要选择训练样本，我们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。

我们还要对影像做预处理，包括去云及合成。

//选择的训练样本
var LABEL_DATA = ee.FeatureCollection('projects/google/demo_landcover_labels')
print(LABEL_DATA);

function maskL8sr(image) {
  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('2017-01-01', '2017-12-31')
    .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
});

要素集：

对影像进行分类

训练样本已经挑选完毕，我们要选取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。

// 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)

最后输出影像及混淆矩阵

在对影像分类以后，我们利用测试数据来制作混淆矩阵，并且最后把影像分类影像输出。

// 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.addLayer(class_img, {min: 0, max: 2, palette: ['red', 'green', 'blue']});

结果：