学习笔记：PIE-Engine监督分类

官网的教程太简单，在这里补充一下。

一、核心内容说明

1、绘制训练区

说明：这里直接利用PEE自带的绘点工具即可，无需其他代码

（1）绘制样本点

 绘制样本点的规则和ENVI一样，但在这里要注意一个图层只能绘制一种类型的样本（比如都是水体）

（2）样本点转要素集

 

别忘了点保存 

 

 这里要说明一下，属性名称指的是这个地物的面积，种类，高度等（在本次说明中指得是roi样本点的种类），属性值指的是100㎡，第一种，10m等（在本次说明中指得是roi样本点的种类：水体）。属性值只能以数字形式表示，不然计算系统无法识别。

这里是绘制结果

 （3）导入图层与合并集合

说明：合并集合的原因是sampleRegions无法识别多个要素集（只取第一个）

导入图层

 代码最好放在最上面！！！

 合并集合

首先定义一个新的要素集

 var fea = pie.FeatureCollection([]);

然后将其他要素集中的要素都复制到这里面来：

（我们要的是这一段）

pie.Feature(pie.Geometry.Point([116.64928886781411,36.45477006358118], null),{"type": "1"}),pie

成果

2、样本点采样

代码

var training = img.sampleRegions(fea,["type"],10);

代码说明

img是用于分类的影像图，fea是样本点，type是采样结果保留的属性值（作为分类的依据），10是影象分辨率。

sampleRegions功能：在当前影像中采集距样本点最近的像素块的DN值（如果给定参数大于实际影像分辨率则取多个像素块DN值的平均值）

采样结果

3、监督分类

代码：

var classifier = pie.Classifier.rTrees().train(training,"type",["B1","B2","B3"]);

var resultImage = img.classify(classifier,"classifyA");

var visParam = {

  opacity:1,

  uniqueValue:'1,2,3',

  palette: '#87CEFA,#BDB76B,#CD0000'

};

Map.addLayer(resultImage,visParam);

Map.setCenter(0,0,0);

代码说明：

classifier是分类器.rTrees代表分类方式（决策树），resultImage是分类结果，visParam是分类结果的风格设置（数量必须与样本点的种类一致），Map.addLayer是加载分类结果

结果

4、精度评价

解释一下官网里的代码

// 获得样本点，并且按照7:3分成训练样本点和验证样本点，地图加载显示

var featureCollection = pie.FeatureCollection('user/17090142114/PGDB001/WorldROI');

featureCollection = featureCollection.randomColumn('random');

//令要素集产生一组随机数，数组名为random（和type一样，不过属性值是0~x随机数）

var trainingFeatures = featureCollection.filter(pie.Filter.lte("random", 0.7));

//对featurecollection进行筛选，删选出random属性值前百分之七十，筛选结果为trainingFeatures

var testingFeatures = featureCollection.filter(pie.Filter.gt("random", 0.7));

//同上，筛选条件变为后百分之七十

Map.addLayer(trainingFeatures,{color:'FF0000FF'},"TrainLayer");

Map.addLayer(testingFeatures,{color:'0000FFFF'},"TestLayer");

Map.centerObject(featureCollection,0);

//加载出来看一下训练样本和验证样本

// 构建查询数据

var image = pie.Image('user/17090142114/PGDB001/World84').select(["B1","B2","B3"]);

// 获得训练样本，并且按照7:3分成训练样本和验证样本

var sampleFeatureCollection = image.sampleRegions(featureCollection, ["type","random"], 50000);

//对样本点进行采样，保留的字段为type、random，采样结果为sampleFeatureCollection

var sampleTrainingFeatures = sampleFeatureCollection.filter(pie.Filter.lte("random", 0.7));

//同6行

var sampleTestingFeatures = sampleFeatureCollection.filter(pie.Filter.gt("random", 0.7));

// 构建正态贝叶斯分类器，并训练数据

var classifer = pie.Classifier.normalBayes().train(sampleTrainingFeatures, "type", ["B1", "B2", "B3"]);

// 影像分类，并加载显示

var resultImage = image.classify(classifer, "classifyA");

var visParam = {

    opacity:1,

    uniqueValue:'1,2,3,4',

    palette: '008000,0000ff,ffa500,c0c0c0'

};

Map.addLayer(resultImage,visParam, "ClassifyImage");

Map.addLayer(image,{},"SrcImage",false);

// 添加图例  

var data = {title: "利用分类",  

  colors: ['#ffa500','#008000','#0000ff','#c0c0c0'],  

  labels: ["沙漠","绿地", "海洋","冰川"],  

  step: 1};  

var style = {  

    bottom: "10px",  

    right: "450px",  

    width: "400px",  

    height: "70px"  

};

var legend = ui.Legend(data, style);  

Map.addUI(legend);  

// 评估训练样本的精度

var checkM = classifer.confusionMatrix();

print("训练矩阵：",checkM);

print("训练矩阵-ACC系数：",checkM.acc(),"训练矩阵-Kappa系数：",checkM.kappa());

// 评估验证样本的精度

var predictResult = sampleTestingFeatures.classify(classifer,"classification");

var errorM=predictResult.errorMatrix("type","classification");

print("验证矩阵：",errorM);

print("验证矩阵-ACC系数：",errorM.acc(),"验证矩阵-Kappa系数：",errorM.kappa());