GEE 土地分类——利用Sentinel-2数据进行土地分类

最新推荐文章于 2025-04-23 23:15:28 发布
最新推荐文章于 2025-04-23 23:15:28 发布
阅读量1.1k 收藏 6
点赞数 8
分类专栏： gee土地分类专栏 文章标签： sentinel 土地分类 机器学习 随机森林 土地利用 哨兵 案例
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/qq_31988139/article/details/143568796
版权

目录

简介

函数

ee.Classifier.smileRandomForest(numberOfTrees, variablesPerSplit, minLeafPopulation, bagFraction, maxNodes, seed)

Arguments:

Returns: Classifier

代码

结果

简介

利用Sentinel-2数据进行土地分类的流程大致可分为以下几个步骤：

1. 数据获取：从Copernicus Open Access Hub等平台下载Sentinel-2遥感影像数据。选择与研究区域和研究目标相匹配的数据，通常选择多个时期的数据以获得更全面的信息。

2. 预处理：对下载的遥感影像数据进行预处理，包括校正、大气校正、几何校正、去云、去影等。这些处理有助于提高数据的质量和可用性。

3. 特征提取：从预处理的遥感影像数据中提取特征，如色彩、纹理、形状等。常用的特征提取方法包括像素级和对象级特征提取。

4. 样本收集和标记：在研究区域内随机选择一些样本，并对这些样本进行标记。标记可以通过人工方式进行，也可以借助计算机辅助的图像解译工具。

5. 训练分类器：利用标记好的样本数据，采用监督学习方法训练分类器。常用的分类器包括支持向量机（SVM）、随机森林（Random Forest）和深度学习模型等。

6. 土地分类：利用训练好的分类器对整个研究区域的遥感影像数据进行分类。可通过像素级分类或者对象级分类来实现。像素级分类将每个像素分类到特定的土地类别，而对象级分类将相邻像素组成的对象作为分类单位。

7. 精度评估&#

了解本专栏 订阅专栏 解锁全文 超级会员免费看
Google Earth Engine（GEE）——10种不同机器学习方法下的土地分类分析
此星光明博客
06-22 2562
要了解更多关于CART或其他基于树的算法的工作原理以及它们的不同之处，请阅读此https://www.analyticsvidhya.com/blog/2021/04/distinguish-between-tree-based-machine-learning-algorithms/。数据准备：在GEE中导入真实土地类型数据和相应的遥感数据，包括多光谱或高分辨率遥感数据等。半监督学习：结合监督和无监督方法的学习方法，适用于有限的标记数据和大量未标记数据的情况。监督学习：从已知的数据中学习并预测新的数据。
GEE：面对对象土地利用分类（结合SNIC、GLCM 和机器学习算法）
养乐多的博客
04-09 4792
本文将介绍在Google Earth Engine中结合SNIC、GLCM和机器学习算法的的土地利用/土地覆盖（LULC）分类方法。结果如下图所示，
GEE下载谷歌10m实时土地利用分类数据
guaicaicexu的博客
09-27 5229
今日分享：Google Earth Engine（GEE）下载谷歌10m实时土地利用分类数据谷歌基于哨兵二号数据，利用GEE和人工智能（AI）平台技术，制作出Dynamic World数据，能提供接近实时的全球土地利用数据。今天来分享一下如何在GEE中下载吧01—GEE部分实现代码选择研究区var roi = ee.Geometry.Polygon( [[[117.12810001...
【Google Earth Engine】利用GEE进行Landsat 8 SR数据土地利用分类
热门推荐
weixin_42347880的博客
01-24 1万+
最近用学习到的知识进行了利用GEE和Landsat 8 SR数据进行土地利用分类的小实验，在这里进行一些学习记录。 一、数据导入 首先在GEE中上传要进行土地利用分类的行政区域边界，这里是以雄安新区为例。 二、遥感数据筛选 使用的数据是Landsat 8 OLI/TIRS传感器的SR数据集，SR数据利用QA波段进行影像去云处理，这里构造了去云函数便于后续调用； 筛选想要进行土地利用分类的时间，并用clip函数将研究区裁剪出来。 // Applies scaling factors. funct
基于 Google Earth Engine 的南京江宁区土地利用分类（K-Means 聚类）
最新发布
lestatlu的博客
04-23 527
其实利用GEE可以做的内容太多了，很多内容换一个区域，换一个时间段就是一篇本科毕业论文（设计），甚至拓展一下硕士也不是不行。本文将详细介绍如何使用 GEE 对南京江宁区的 Landsat 8 地表反射率数据进行 K-Means 聚类分析，实现土地利用分类，并将结果可视化和导出。（后续有机会再给大家详细说一下如何完整的进行毕业论文的大纲和设计，甚至完成一篇十分简单的毕业论文。）
基于GEE平台土地类型分类
puzige的博客
06-08 6196
GEE可以进行大尺度的地物类型分类，主要原理就是根据不同地物类型的光谱反射率的不同，目前地物分类的算法有很多种，比如随机森林算法等等，本文章主要基于随机森林算法进行大尺度地物分类，代码如下所示： var samples=ee.FeatureCollection(table); function maskL8sr(image) { var timeStart = image.get('system:time_start'); var srImageList = ee.ImageCollection('
GEE 土地分类——如何利用随机森林方法进行土地分类
此星光明博客
02-08 1927
土地分类是指根据土地的不同用途和功能特点对土地进行划分和分类的过程。根据不同的目的和需要，土地可以根据其用途、地理位置、资源等特点进行分类。相较于以往的土地分类不同，我们可以将我们的训练好的模型存储到assets中，然后直接调用其分类训练好的分类器。这里用到的数据是利用MODIS进行提取并且进行分类。常见的土地分类包括：1. 农用地：用于农业生产的土地，包括耕地、园地、林地、牧草地等。2. 建设用地：用于城市建设和工业用地的土地，包括居住用地、商业用地、工业用地、公共设施用地等。
GEE 土地分类——基于Sentinel-2数据的土地分类和精度评定
此星光明博客
11-14 469
GEE 土地分类——基于Sentinel-2数据的土地分类和精度评定。
GEE 土地分类——基于Sentinel-1数据的土地分类
此星光明博客
11-15 383
这段代码是使用 Google Earth Engine (GEE) 进行土地覆盖分类的示例。以下是代码的具体解释：### 1. 导入数据- **Lagos**: 从资产中导入拉各斯地区的边界数据。- **水体、城市、森林**: 定义三个特征集合，分别表示水体、城市和森林的地理位置。### 2. 设置地图中心- 使用 `Map.centerObject` 方法将地图中心设置为拉各斯地区，以便在分析过程中查看该区域。### 3. 定义分析时间段。
​GEE土地分类——适用sentinel-2数据进行春夏秋冬季节的土地分类（利用蒸散发数据来筛选出农作物区域）
此星光明博客
03-13 971
利用Sentinel-2数据进行不同时间段的土地分类是一项重要的遥感应用。Sentinel-2是欧空局（ESA）开发的一组地球观测卫星，可以提供高空间分辨率（10米-60米）和中等时间分辨率（5天-10天）的多光谱影像，适用于土地覆盖分类和变化检测等应用。这里将会适用MODIS蒸散发数据确定蒸散发区域，对每个月的等数据集进行掩码，以确定像素在哪些地方主要跨越耕地植被。由于耕种分类 = 1，所有 500 米范围内的总和等同于该范围内耕种的像素总和。
GEE土地分类——基于sentinel-2光谱波段和光谱指数随机森林土地分类
此星光明博客
01-10 242
GEE土地分类——基于sentinel-2光谱波段和光谱指数随机森林土地分类。
使用Google Earth Engine进行土地分类/覆盖制图
UoEmacs_Lisp的博客
09-25 512
然后，我们加载了一个土地覆盖数据集，并根据时间和空间范围进行了筛选。然后，我们将土地分类数据集的分类值与标签进行匹配，以便进行可视化和分析。最后，我们将土地分类数据集添加到地图上，并输出该数据集的信息。GEE提供了丰富的遥感数据集和图像处理功能，使我们能够进行高精度的土地分类和制图分析。总之，Google Earth Engine提供了强大的工具和数据集，使我们能够进行土地分类和覆盖制图分析。你可以根据自己的需求修改代码中的参数和数据集，以适应不同的研究和应用场景。
GEE机器学习——利用贝叶斯分类器方法进行土地分类和精度评定
此星光明博客
01-11 1392
贝叶斯分类器是一种基于贝叶斯定理的统计分类方法。它假设特征之间是相互独立的，并根据已知的特征和类别之间的关系，计算出在给定特征条件下每个类别的后验概率，然后选择具有最高后验概率的类别作为预测结果。具体而言，贝叶斯分类器通过以下步骤进行分类：1. 学习阶段：使用已知的特征和对应的类别标签来训练分类器，计算每个类别的先验概率和每个特征在不同类别下的条件概率。2. 预测阶段：对于一个新的样本，根据其特征值计算出在每个类别下的后验概率，然后选择具有最高后验概率的类别作为预测结果。
Google Earth Engine（GEE） ——多种机器学习方法（随机森林、cart、svm等）进行土地分类（安第斯高原为例）用光谱指数、植被、土壤、雪和烧毁区以及地形指数构建模型
此星光明博客
01-26 2758
我们的研究提出了在地形复杂的科迪勒拉山脉地形中的第一种方法，我们表明，GEE在快速变化和转换的山区生态系统的大规模土地覆盖制图和监测中特别有用，并可复制和扩展到具有类似特征的其他地区。我们的结果表明，使用基于云的计算和机器学习可以使我们建立一个开放的、准确的和相对无差距的方法，利用免费提供的Landsat图像在一个异质的大型安第斯生态系统中绘制土地覆盖地图。我们的工作强调了在区分分布在不同的、高度异质的地形中的复杂土地覆盖物时，纳入源于地形的指数的重要性，以提高分类的准确性，这与纳入光谱指数不同。
GEE土地分类——如何利用多年的ESRI_Global-LULC_10m将研究区的指定区域重分类分为两类数据（将多类土地分类转化为草地和非草地区域）
此星光明博客
02-13 1150
本教程主要的目的是利用自己上传的多年土地分类应先过来实现指定区域的土地分类，而且只提取。
GEE 土地分类——利用Landsat 8光谱波段和光谱指数进行随机森林的监督分类
此星光明博客
01-24 372
用于在GoogleEarthEngine中执行土地覆盖分类的完整流程###代码说明1.**区域定义**：定义了一个多边形区域（Attica）以及不同类型的地物（如建筑、水体、土壤、植被等）的点数据。2.**Landsat8图像集**：导入Landsat8图像集，按日期和云覆盖率进行过滤。3.**图像处理**：-计算图像的中值并裁剪到指定区域。-计算NDVI（归一化植被指数）和NDBI（归一化建筑指数）并添加为额外波段。
GEE机器学习——利用随机森林RF方法进行土地分类和精度评定
此星光明博客
12-19 1973
随机森林（Random Forest，RF）是一种集成学习方法，用于解决分类和回归问题。它由多个决策树组成，每个决策树都是一个独立的分类器。通过对每个决策树的预测结果进行集成，随机森林能够提供更准确和稳定的预测。随机森林的主要特点包括：1. 随机特征选择：在构建每个决策树时，随机森林只考虑一部分特征进行划分，这样可以减少特征之间的相关性，并增加每个决策树的多样性。
GEE：基于支持向量机（SVM）进行土地利用分类
weixin_51775350的博客
12-22 3275
利用GEE平台实现SVM的土地利用分类，精度为30m
GEE22：基于目视解译的土地利用分类（随机森林监督分类）
amyniez的博客，欢迎交流讨论
03-29 1955
进行土地利用分类首先需要获取高分辨率的卫星或航空影像数据，这些影像可以来自于多种数据源，对影像进行预处理。 使用GEE的绘图工具，在图像上绘制不同的土地利用类别，例如农田、森林、城市等构建样本集合。为每个绘制的类别定义属性分配相应的土地利用类别标签。 使用选择的分类算法对训练数据进行模型训。常见的分类算法包括决策树、随机森林、支持向量机（SVM）、深度学习等。每种算法都有其优点和限制，可以根据任务的复杂性和数据特性来选择算法。
gee 随机森林 土地利用
03-22
### 使用 GEE 实现基于随机森林的土地利用分类 要在 Google Earth Engine (GEE) 中实现基于随机森林的土地利用分类，可以通过以下几个方面完成： #### 数据准备 在进行分类之前，需要准备好输入数据集。这通常包括遥感影像和训练样本点集合。遥感影像可以从 Sentinel-2 或 Landsat 系列中选择并裁剪到感兴趣区域（ROI），而训练样本点则用于定义不同的土地覆盖类别。 ```javascript // 定义研究区范围 var roi = ee.Geometry.Rectangle([-72.5, -13.5, -68.5, -9.5]); // 加载影像数据源 var imageCollection = ee.ImageCollection('COPERNICUS/S2') .filterBounds(roi) .filterDate('2022-01-01', '2022-12-31') .select(['B2', 'B3', 'B4', 'B8']); // 计算NDVI作为额外特征 var addNDVI = function(image) { var ndvi = image.normalizedDifference(['B8', 'B4']).rename('NDVI'); return image.addBands(ndvi); }; var withNDVI = imageCollection.map(addNDVI); // 取平均值合成单一影像 var compositeImage = withNDVI.mean(); ``` 上述代码展示了如何加载 Sentinel-2 影像，并计算 NDVI 特征以增强模型性能[^1]。 --- #### 创建训练样本点 为了构建随机森林分类器，需要提供一组标记好的训练样本点。这些样本点可以手动标注或者通过已有的土地覆盖图自动提取。如果希望自动生成随机分布的样点，则可按照如下方式操作： ```javascript // 假设已有一个矢量文件表示不同类别的边界 var forestClass = ee.FeatureCollection('users/example/forest_class'); // 森林类别 var waterClass = ee.FeatureCollection('users/example/water_class'); // 水体类别 var urbanClass = ee.FeatureCollection('users/example/urban_class'); // 城市类别 // 合并所有类别形成完整的训练集 var trainingSamples = forestClass.merge(waterClass).merge(urbanClass); // 提取像素值对应于每种类别标签的位置处的实际数值 var trainingData = compositeImage.sampleRegions({ collection: trainingSamples, properties: ['landcover'], // 土地覆盖类型的字段名 scale: 10 // 分辨率单位为米 }); ``` 此部分说明了如何从预先指定的研究区域内选取代表性的地点作为训练素材[^2]。 --- #### 构建与应用随机森林分类器 一旦拥有了足够的高质量训练数据之后，下一步便是创建实际使用的机器学习算法实例——即此处提到的随机森林分类器。下面展示了一个简单的例子来演示这一过程： ```javascript // 初始化随机森林分类器 var classifier = ee.Classifier.smileRandomForest(50); // 设置树的数量为50棵 // 进行训练阶段 classifier = classifier.train(trainingData, 'landcover', [ 'B2', 'B3', 'B4', 'B8', 'NDVI' ]); // 应用该分类器至整个图像上 var classifiedImage = compositeImage.classify(classifier); // 显示结果地图 Map.setCenter(-70.5, -11.5, 8); Map.addLayer(classifiedImage, {min: 0, max: 3, palette: ['green','blue','red']}, 'Land Cover Classification'); ``` 以上脚本解释了怎样配置好随机森林参数并通过调用 `classify` 方法执行预测任务[^4]。 --- #### 结果评估 最后一步是对生成的结果进行验证分析。常用的方法有混淆矩阵绘制、总体精度统计等指标衡量准确性高低程度。 ```javascript // 验证测试数据子集上的表现情况 var testAccuracy = trainedClassifier.confusionMatrix().accuracy(); print('Test Accuracy:', testAccuracy); ``` 这是关于准确度测量的一个基本示例[^3]。 --- ### 总结 综上所述，在 GEE 上实施随机森林土地利用分类涉及多个环节的工作流程设计，包括但不限于：选定合适的卫星产品组合；合理规划采样的策略模式；精心挑选影响因子变量列表以及调整优化超参设置等内容。
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

打赏作者

此星光明

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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