GEE实战 | 4种非监督分类算法深度解析，附可直接运行的完整代码

原创

已于 2025-08-04 02:49:37 修改 · 738 阅读

28 ·

CC 4.0 BY-SA版权

文章标签：

#python #遥感 #GEE

于 2025-07-30 15:31:29 首次发布

在遥感影像处理领域，非监督分类凭借其无需人工标注样本的优势，成为快速了解地物分布的得力助手。它能自动依据像素光谱特征的相似性完成聚类，这种“无师自通”的特性，让地理空间分析变得更加高效。

今天，我们就来深入探讨如何在Google Earth Engine（GEE）中实现4种经典的非监督分类算法。从基础原理到具体代码实现，再到结果分析，全方位为你讲解，文中案例均可直接运行，参数也能灵活调整，非常适合新手入门学习。

一、GEE非监督分类基础认知

1. 非监督分类的核心概念

非监督分类是一种无标签的机器学习方法，它的核心原理是让算法自主去发现影像中像素之间的内在联系。简单来说，就是把具有相似光谱特征的像素归为同一类别，而这个过程不需要我们提前告诉计算机“这是耕地”“那是建筑”。

2. 为什么选择GEE进行非监督分类？

GEE作为一个强大的云平台，为非监督分类提供了诸多便利：

拥有海量的遥感影像数据，无需我们自己费力去收集和预处理数据。
集成了多种成熟的聚类算法，省去了我们自己编写复杂算法的麻烦。
具备强大的计算能力，能快速处理大规模的遥感影像数据。

3. 非监督分类的核心优势

节省时间成本：不需要人工标注大量样本，大大减少了前期准备工作的时间。
快速探索未知区域：对于我们不熟悉的区域，能快速了解其地物分布规律。
适合大规模处理：可以高效地对大范围的遥感影像进行自动化分类。

二、实战案例：旧金山湾区土地覆盖分类

本次实战案例以旧金山湾区为研究区域，采用Landsat 8影像作为数据源，通过4种不同的非监督分类算法，对该区域的土地覆盖情况进行分类，并对比分析它们的效果。

1. 数据准备详情

研究区域：旧金山湾区，其地理坐标范围为（-122.6, 37.4, -122.2, 37.8）。这个区域地物类型丰富，包含了城市建筑、植被、水体、裸地等多种类型，非常适合作为分类案例的研究区域。

数据源：选用Landsat 8 TOA反射率数据，时间范围为2023年6月1日至2023年9月1日。选择这个时间段的数据，是因为此时段该区域天气相对晴朗，云量较少，能保证影像的质量。

特征波段选择：选取了B4（红波段）、B3（绿波段）、B2（蓝波段）、B5（近红外波段）、B6（短波红外1波段）、B7（短波红外2波段）这6个波段作为分类特征。这些波段能较好地反映不同地物的光谱特性，比如近红外波段对植被的反射率较高，能很好地区分植被和其他地物。

样本量确定：生成5000个随机采样点作为训练样本。样本量的多少会影响分类结果的准确性，过少的样本可能无法充分反映地物的特征，过多的样本则会增加计算量，5000个样本在保证分类效果的同时，也能兼顾计算效率。

// 定义研究区域
var region = ee.Geometry.Rectangle({
   
   
  coords: [-122.6, 37.4, -122.2, 37.8],
  proj: 'EPSG:4326'
});

// 加载影像并筛选
var image = ee.ImageCollection('LANDSAT/LC08/C02/T1_TOA')
  .filterBounds(region)  // 筛选出研究区域内的影像
  .filterDate('2023-06-01', '2023-09-01')  // 筛选出指定时间范围内的影像
  .sort('CLOUD_COVER')  // 按照云量排序
  .first()  // 选取云量最少的影像
  .clip(region);  // 裁剪出研究区域

// 选择特征波段
var bands = ['B4', 'B3', 'B2', 'B5', 'B6', 'B7'];