【GEE笔记】在线分类流程，标注样本点、分类和精度评价

GEE在线分类流程

介绍

GEE（Google Earth Engine）是一个强大的地理信息处理平台，可以实现在线的遥感影像分析和处理。本文将介绍如何使用GEE进行在线的分类流程，包括标注样本点、分类和精度评价。本文以2020年5月至8月的哨兵2影像为例，对区域内的土地覆盖类型进行分类。

标注样本点

首先，加载原始影像，进行在线的标注。
加载的影像：

加载影像的代码如下：

var geometry = ee.Geometry.Polygon(
        [[[121.81940156260009, 40.92383488850036],
          [121.81940156260009, 40.73887826797227],
          [121.99998933115478, 40.73887826797227],
          [121.99998933115478, 40.92383488850036]]], null, false)
var year=2020 //设置年份
var bandlist=['B2','B3','B4','B8','B11','B12'] //设置波段列表
var start = ee.Date(year+'-5-1'); //设置开始日期
var finish = ee.Date(year+'-8-1'); //设置结束日期

var dataset = ee.ImageCollection('COPERNICUS/S2_SR') //加载哨兵2影像集合
                  .filterDate(start, finish) //按日期过滤
                  .filterBounds(geometry) //按范围过滤
                  .filter(ee.Filter.lt('CLOUDY_PIXEL_PERCENTAGE', 20)) //按云量过滤
                  
dataset=dataset.select(bandlist); //按波段选择            
var rgbVis = {
  min: 0.0, 
  max: 3000, 
  bands: ['B4', 'B3', 'B2'], //设置RGB波段
};


Map.centerObject(geometry) //地图中心定位到范围
print(dataset) //打印影像集合信息

var image=dataset.median().clip(geometry) //计算影像集合的中值，并裁剪到范围
Map.addLayer(image,rgbVis) //添加影像图层

标注样本点过程如下：
1、创建样本点集合对象（集合名称可以设置为类别名称便于区分）

2、设置类别字段及其属性（属性为类别数字代码）

分类

接下来，进行分类。选择随机森林算法作为分类器（也可选择GEE官方其他分类器）。将样本点集合分为训练集和测试集，用训练集来训练分类器，用测试集来评估分类器的性能。

分类主要包括合并样本点集合、划分训练集和测试集、训练分类器、应用分类器、添加分类图层。分类的结果如下图所示：

分类的代码如下：

var sample=danshui.merge(haishui).merge(jianpeng).merge(nongtian).merge(luwie).merge(jianzhu)
.merge(tantu).merge(caodi) //合并样本点集合

var withRandom = sample.randomColumn('random'); //给样本点集合添加随机数列
var split = 0.7;  //七成训练 三成测试
var trainingPartition2 = withRandom.filter(ee.Filter.lt('random', split)); //按随机数列划分训练集
var testingPartition = withRandom.filter(ee.Filter.gte('random', split)); //按随机数列划分测试集

var trainingPartition=image.sampleRegions({ //从影像中提取训练集的像素值
    collection: trainingPartition2, //输入训练集
    scale:10, //设置空间分辨率
    properties: ['Map'], //设置类别字段
    })
var classifier = ee.Classifier.smileRandomForest(100).train({ //训练随机森林分类器
  features: trainingPartition, //输入训练集
  classProperty:'Map', //设置类别字段
  // inputProperties :['B4', 'B3', 'B2']
});
var classied=image.classify(classifier,"smileRandomForest"); //应用分类器

Map.addLayer(classied.randomVisualizer()) //添加分类图层

精度评价

最后需要评估分类器的性能，计算分类精度。

可以通过以下代码来评估分类精度：

var pixelValues2=classied.sampleRegions({ //从影像中提取测试集的像素值
    collection: testingPartition, //输入测试集
    scale:10, 
});
print("pixelValues2",pixelValues2); //打印测试集信息
var confusionMatrix2 = pixelValues2.errorMatrix("Map", 'smileRandomForest');//,[10,20,30,40,50,60,80,90] //计算混淆矩阵
print('confusionMatrix', confusionMatrix2); //打印混淆矩阵
print('accuracy()', confusionMatrix2.accuracy()); //打印总体精度
// print('consumersAccuracy', confusionMatrix2.consumersAccuracy());
print('kappa()', confusionMatrix2.kappa()); //打印Kappa系数
//print('order()', confusionMatrix.order());
// print('producersAccuracy()', confusionMatrix2.producersAccuracy());