使用GEE进行DEM分析和分层重分类

最新推荐文章于 2025-10-18 07:00:00 发布
最新推荐文章于 2025-10-18 07:00:00 发布
阅读量412 收藏
点赞数 4
CC 4.0 BY-SA版权
文章标签： GEE
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.youkuaiyun.com/VwajAlgorithm/article/details/133256333
GEE 专栏收录该内容
82 篇文章 ¥59.90 ¥99.00
订阅专栏
本文介绍了如何利用Google Earth Engine (GEE)进行数字高程模型(DEM)的斜坡计算、坡向分析以及分层重分类。通过示例展示了从加载SRTM数据到地形分类的步骤，强调了GEE在地表分析和地理建模中的应用价值。读者可以依据实际需求调整参数并进行更深入的探索。

数字高程模型（Digital Elevation Model，DEM）是地理空间数据中常用的一种数据类型，它描述了地表的高程信息。在地表分析和地理建模中，对DEM进行分析和处理是非常重要的。本文将介绍如何使用Google Earth Engine（GEE）平台进行DEM分析和分层重分类。

首先，我们需要导入GEE库并连接到GEE平台：

// 导入GEE库
var ee = require('users/google/earthengine:ee');

// 连接到GEE平台
ee.initialize()
了解本专栏 订阅专栏 解锁全文
微软新型云计算——利用xarray-spatialDEM进行分类(重分类)
此星光明博客
08-28 642
您可以在上图中看到，大峡谷的不同海拔高度现在由有限数量的不同颜色标识。例如，深蓝色区域代表海拔700m左右的最低海拔，黄色区域代表海拔1700m左右的海拔，白色区域代表海拔2500m左右的最高海拔。此方法旨在根据在数据中形成“自然”组的集群将数据分配到类中。例如，分类用于将数据点分组到等值线图上不同颜色区域的类中。数据集，该数据集提供 1 角秒 (~30m) 水平分辨率的全球地形数据。参数允许您在计算分组时控制要采样的值的数量，并且对性能有很大影响。数据集的数据对大峡谷的地形海拔高度进行分类。
Python-GEE绘制DEM精美图片
所有专家都曾始于新手
03-18 2242
先连接上GEE的自己的项目。
基于ArcGIS的栅格数据重分类
hu397313168的博客
03-17 3万+
分开来指定单个值的列表。重分类（Reclassify）：将栅格图层的数值进行重新分类组织或者重新解释，关键是确定原数据到新数据之间的对应关系，只能从（详）细到粗（略），不能相反、可逆操作。重分类工具可通过多种方法将像元值重分类或更改为替代值。一次对一个值或成组的值进行重分类的方法包：使用替代字段；选项包括“手动”、“相等间隔”、“定义间隔”、“分位数”、“自然间断点分级法(Jenks)”、“几何间隔”和“标准差”。唯一- 将输入栅格重分类为唯一值（输入的最小像元值为1，次最小输入值为2，依此类推）。
GEE：快速下载数字高程DEM数据
养乐多的博客
04-28 1万+
DEM数据下载，使用SRTM Digital Elevation Data Version 4，一个2000年 的全球高程数据 。下载以后的DEM不用再做裁剪，可以直接使用。 源代码：https://code.earthengine.google.com/f8e39c6c96a935499b09595e2fd83b28?noload=true 效果如下图所示， 不光可以下载DEM数据，也可以下载坡向。 var roi = table var roi_geometry = roi.geometry()
GEE：获取研究区的DEM数据
国科大硕士在读，分享Python/GEE/Matlab/R专业代码实践，涵盖数据分析、算法开发与应用技巧等，以代码会友。
06-01 695
本文拆解了基于Google Earth Engine (GEE)获取SRTM DEM数据的优化代码，总结了3个值得学习的关键细节和2个常见问题。代码通过加载SRTM数据、裁剪研究区、可视化呈现和导出GeoTIFF格式DEM，展示了完整的处理流程。重点优化了文件格式设置和色带参数，使结果更专业。文章还提供了动态获取高程范围和添加元信息等实用技巧，并指出Shapefile完整性检查和导出参数调整的注意事项。该代码可直接用于科研工作，为后续地形分析奠定基础。
GEE案例：基于多源遥感（DEM、NDVI、温度）和GBDT梯度提升决策树降水的预测分析
此星光明博客
09-19 512
这段代码是使用 Google Earth Engine (GEE) 进行地理空间分析的脚本，主要用于处理和分析降水、植被指数、温度等气象数据。创建一个多边形，定义研究区域的边界。这段代码主要实现了从多个数据集中获取气象和地理信息，进行处理和分析，最终生成降水量的预测模型，并将结果可视化和导出。
GEE 土地分类：基于多源遥感预测泉水概率分布监测分析
最新发布
此星光明博客
10-18 58
本文介绍利用Google Earth Engine平台和多源遥感数据预测泉水适宜性分布的方法。研究整合了地形（DEM、坡度）、植被指数（EVI）、土壤水分和降水等环境因子，采用最大熵模型、随机森林和CART三种机器学习算法建立预测模型。研究通过随机采样生成训练/测试集，实现了模型训练、结果可视化和精度评估，并提供了数据导出功能。该方法为水资源管理提供了科学的技术支持，可应用于类似地区的泉水分布预测研究。
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 6825
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土地分类：基于哨兵-2影像的面向对象（SNIC聚类）的土地覆盖分类
此星光明博客
07-03 141
本文介绍了基于Google Earth Engine (GEE)平台，利用哨兵-2影像进行土地覆盖分类的全流程方法。主要内容包括：1) 定义研究区域并加载哨兵-2影像；2) 通过云掩蔽和雨季影像筛选获取高质量数据；3) 使用SNIC算法进行图像分割；4) 结合SRTM数字高程模型提取坡度特征；5) 采用随机森林分类器进行训练，并评估分类精度（袋外误差0.15）。该方法实现了从数据预处理到分类建模的完整流程，为土地覆盖分类提供了可复用的技术方案。
ArcGIS中根据DEM和地形起伏度进行地貌分类划分
热门推荐
GIS蒲公英的博客
12-06 3万+
大家好我是GIS蒲公英，数字高程模型(digital elevation model, DEM)经常都被用到专题地图的底图中，下面来我们来交流一下仅选择海拔和地形起伏度两个指标，用DEM来进行地貌类型的自动判别划分
优雅地使用GEE绘制DEM
锐多宝的地理空间
02-20 4130
关于 昨天阅读了一篇质量很高的python绘制地形图博客。有感而发，我便想到了GEE（Google earth engine）数据源众多、计算速度快、计算算子多的特点，使用GEE应该不会逊色于python。 制作流程 使用GEE绘制DEM一共有3步，其中最重要的是调色板的使用。 （1）DEM数据源 GEE的DEM数据众多，读者可以根据自己的需要选择合适的数据源。研究区范围大，可以选择分辨率较低的数据，如果研究区域较小，则尽量使用高分辨率DEM。 在GEE中的每一种数据源，都有详细的介绍与代码引用示例，比
GEE平台获取指定区域DEM
pengbr的博客
11-11 1491
GEE平台获取指定区域DEM。QGIS对DEM进行坡度、坡向分析。地信遥感数据相关网站推荐。
毕业论文知识点记录（八）——环境数据下载之GEE下载全球DEM
m0_46650614的博客
03-16 2049
GEE里下载全球DEM数据
GEE-DEM的计算与使用
dontdoits的博客
04-18 237
主要用elevation，slope，aspect和roughness四个属性。2：对SRTM数据进行计算得到相应的属性，并把对应的属性提取出来并赋值。由于我目前只是初步使用，所以记录的代码可能有所不足，有待后续补充。3：也可以将所需要的属性赋值给同一个变量，便于后面直接导出和使用。本次使用的SRTM数据，clip里面是所选择的裁剪范围。4：导出，其他属性根据需要添加。1：加载要使用的高程数据。
QGIS 4.高程DEM因子的提取，重分类和栅格数量统计
kuangxinyaya的博客
06-01 2541
地质灾害因子分析。使用QGIS对DEM高程图进行高程因子的提取，其中涉及DEM高程图重分类，灾害点的连接和栅格的统计。
Google Earth Engine（GEE）——利用DEM数据划分100m等高线绘制青藏高原等高线
此星光明博客
12-01 4347
我们利用NASA的DEM数据绘制等高线在GEE中MAP上进行展示： 1.加载DEM影像 2.添加一个点作为展示影像的中心点 3.建立一个时间序列作为DEM的高度，和设置切片（这个就相当于切片DEM，每100米展示一层等高线） 4.通过遍历实现一圈圈等高线的函数 5.最后将影像镶嵌在一起即可 此次需要用到的函数： ee.Kernel.gaussian(radius,sigma,units,normalize,magnitude) Generates a Gaussian kernel ...
GEE学习笔记 五十四：QGIS展示3D的高程数据
无形的风专栏
02-23 1万+
写了一个多月的GEE中文教程文档，想到GEE头就疼，今天就写一篇不是GEE的文章。QGIS作为一个开源的非常好用的本地GIS工具，这里不在赘述，这里说它的一个比较有意思的内容。通过DEM数据展示3D地形。   下载DEM（高程数据） 比如从官网下载，或者从别的地方获取，这里就不在赘述。我这里下载使用的是一景：N26E101.hgt。 在QGIS中查看：   数据格式转...
GEE学习笔记 五十三：GEE导出的影像波段名称哪去了？
无形的风专栏
01-20 4192
在GEE中我们习惯了使用不同名称命名波段，而导出数据却没有了相关波段的名称。这是为什么呢？那些名字是否是真的消失了呢？其实不然，我们重新命名的名字依然存在在TIFF的属性文件中，只是通常的软件读不出来而已。 我这里使用的了GDAL，关于GDAL介绍和安装可以参考我之前的文章。使用GDAL中的gdalInfo命令可以查询栅格数据的相关信息。 我从GEE导出的数据如下，在GEE中名称是：remap...
GEE学习笔记 八十：批量下载影像（影像集合）
无形的风专栏
08-29 1万+
GEE导出这个我之前写过相关内容，下面链接是之前写的内容。 https://zhuanlan.zhihu.com/p/37631518 https://zhuanlan.zhihu.com/p/37685115 最近问如何批量导出集合的小伙伴非常多，一个一个回复太麻烦，我这里直接给一段例子代码吧： var l8 = ee.ImageCollection("LANDSAT/L...
随机森林进行土地利用分类的流程详解，gee平台
09-29
<think>我们根据提供的引用内容，整理在Google Earth Engine（GEE）平台上使用随机森林算法进行土地利用分类的详细流程。 注意：引用内容中给出了一些关键步骤和函数，我们将以此为基础构建流程。 详细流程如下： 1. **加载土地分类数据集（影像数据）**： 首先，我们需要加载包含多波段遥感影像的数据集（如Landsat、Sentinel等），这些影像将用于提取特征。 2. **定义研究区域**： 使用几何工具（点、线、面）定义研究区域（Region of Interest, ROI），通常是一个几何多边形。 3. **提取随机样本点**： 为了训练和验证分类器，我们需要已知类别的样本点。这些样本点可以来自已有的土地分类数据集（如已有的土地覆盖产品）或通过目视解译获取。 在GEE中，可以使用`stratifiedSample`方法来分层随机采样，确保每个类别都有足够的样本点。 例如：`var samplePoints = image.stratifiedSample({numPoints: 100, classBand: 'landcover', region: roi, scale: 30, seed: 0, geometries: true});` 其中，`numPoints`是每个类别的样本点数（或总点数，取决于参数设置），`classBand`是包含类别的波段名，`roi`是研究区域，`scale`是分辨率，`seed`用于重现性。 4. **划分训练集和验证集**： 将采集的样本点分为训练集和验证集。通常可以按一定比例（如80%训练，20%验证）随机划分。 5. **选择分类特征**： 确定用于分类的特征（波段），例如多光谱影像的各个波段，还可以包括衍生特征（如植被指数、纹理特征等）。 6. **训练随机森林分类器**： 使用GEE的`ee.Classifier.randomForest`方法来创建随机森林分类器，并设置参数（如树的数量、每棵树的特征子集大小等）。 然后，使用训练集样本和选定的特征训练分类器。 示例代码： ```javascript // 定义分类器参数 var classifierParams = { numTrees: 100, // 树的数量 bagFraction: 0.8, // 每棵树使用的训练样本的比例 seed: 0, // 随机种子 outOfBagMode: true // 是否计算袋外误差 }; // 训练分类器 var classifier = ee.Classifier.randomForest(classifierParams) .train({ features: trainingData, // 训练样本 FeatureCollection classProperty: 'landcover', // 样本中类别标签的属性名 inputProperties: features // 使用的特征波段名称列表 }); ``` 7. **进行土地分类**： 将训练好的分类器应用于整个研究区域的影像，生成土地分类结果图像。 ```javascript var classifiedImage = image.select(features).classify(classifier); ``` 8. **分类结果精度评估**： 使用验证集样本对分类结果进行精度评估，计算混淆矩阵、总体精度、Kappa系数等指标。 ```javascript var validation = classifiedImage.sampleRegions({ collection: validationPoints, // 验证集样本点 properties: ['landcover'], // 验证集中的类别标签属性 scale: 30 }); var errorMatrix = validation.errorMatrix('landcover', 'classification'); print('Confusion Matrix:', errorMatrix); print('Overall Accuracy:', errorMatrix.accuracy()); print('Kappa Coefficient:', errorMatrix.kappa()); ``` 9. **导出分类结果**： 将分类结果图像导出到Google云端硬盘或GEE Assets中，以便进一步使用或下载。 ```javascript Export.image.toDrive({ image: classifiedImage, description: 'LandCoverClassification', scale: 30, region: roi, maxPixels: 1e13 }); ``` 10. **可视化**： 在GEE的在线地图上可视化原始影像、分类结果等。 注意：以上步骤中的代码示例仅为示意，具体参数和细节需要根据实际数据和需求调整。 参考文献： [^1]: 使用Google Earth Engine提取随机样本点进行随机森林土地分类。 [^2]: 使用随机森林算法进行土地分类的Google Earth Engine应用。 [^3]: 随机森林分类教程：使用Google Earth Engine进行分类。 [^4]: Google Earth Engine（GEE）——使用随机森林方法进行土地分类（农作物）。 [^5]: Google Earth Engine（GEE）——使用随机森林方法进行土地分类案例分析。 §§相关问题§§ 1. 在随机森林土地分类中，如何选择合适的特征（波段）？ 2. 如何优化随机森林分类器的参数（如树的数量、最大深度等）以提高分类精度？ 3. 在GEE中，除了随机森林，还有哪些常用的分类算法可用于土地覆盖分类？ </think>### Google Earth Engine平台上随机森林算法进行土地利用分类详细流程 #### **1. 数据准备** - **加载遥感影像** 使用`ee.ImageCollection()`加载Landsat/Sentinel等卫星影像，选择所需波段（如NDVI、NDBI等指数波段）： ```javascript var image = ee.ImageCollection('LANDSAT/LC08/C02/T1_L2') .filterDate('2020-01-01', '2020-12-31') .median().clip(roi); // roi为研究区域 ``` - **加载训练样本** 通过`stratifiedSample()`分层抽样获取样本点[^4]： ```javascript var samples = image.stratifiedSample({ numPoints: 1000, // 总样本点数 classBand: 'landcover', // 土地类型字段 region: roi, scale: 30, // 分辨率 seed: 42 // 随机种子 }); ``` #### **2. 样本划分** - **划分训练集/验证集** 按7：3比例分割样本： ```javascript var split = samples.randomColumn(); var training = split.filter(ee.Filter.lt('random', 0.7)); var validation = split.filter(ee.Filter.gte('random', 0.7)); ``` #### **3. 构建随机森林分类器** - **设置参数**[^3]： ```javascript var classifier = ee.Classifier.randomForest({ numTrees: 100, // 决策树数量（建议50-200） bagFraction: 0.7, // 每棵树采样比例 seed: 0, // 随机种子 outOfBagMode: true // 启用袋外误差评估 }); ``` - **训练模型** 指定特征波段和标签字段： ```javascript var trainedClassifier = classifier.train({ features: training, classProperty: 'landcover', inputProperties: ['B2','B3','B4','NDVI'] // 输入特征波段 }); ``` #### **4. 执行分类** - **应用分类器到影像**： ```javascript var classifiedImg = image.classify(trainedClassifier); ``` - **后处理**（可选） 使用`connectedPixelCount()`去除椒盐噪声[^5]： ```javascript var smoothed = classifiedImg.focalMode({radius: 3}); ``` #### **5. 精度验证** - **计算混淆矩阵**： ```javascript var valAccuracy = validation.classify(trainedClassifier); var errorMatrix = valAccuracy.errorMatrix('landcover', 'classification'); print('总体精度:', errorMatrix.accuracy()); print('Kappa系数:', errorMatrix.kappa()); ``` #### **6. 结果导出** - **导出至Google云端硬盘**： ```javascript Export.image.toDrive({ image: classifiedImg, description: 'LandCover_Classification', scale: 30, region: roi, maxPixels: 1e13 }); ``` #### **关键注意事项** 1. **特征工程**：建议加入纹理特征（GLCM）、地形特征（DEM派生）等提升精度[^2] 2. **样本平衡**：通过`classPoints`参数控制各类别样本均衡性[^4] 3. **参数调优**：可使用交叉验证调整`numTrees`和`bagFraction`[^3] 4. **计算资源**：复杂区域需设置`tileScale: 2`加速计算[^4] > 流程示意图： > $$ \text{数据准备} \rightarrow \text{样本采集} \rightarrow \text{模型训练} \rightarrow \text{分类应用} \rightarrow \text{精度验证} \rightarrow \text{结果导出} $$ [^1]: 基于Google Earth Engine的随机样本点提取与土地分类方法 [^2]: 随机森林在遥感土地分类中的特征优化策略 [^3]: GEE随机森林分类器参数配置指南 [^4]: stratifiedSample()方法的参数详解与应用场景 [^5]: 基于连通域分析的后处理技术
评论
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