GEE随机森林提取水体

### 如何在 Google Earth Engine 使用随机森林算法实现水体提取 #### 数据准备 为了使用随机森林算法进行水体提取，首先需要准备好训练样本和测试样本。这通常涉及选择合适的遥感影像作为输入数据集，并从中手动标注一些已知类别的像素位置。 对于水体提取任务来说，可以选择 Sentinel-2 或者 Landsat 系列的数据产品[^1]。这类光学传感器提供了丰富的光谱信息，有助于区分不同地物类型。具体操作如下： ```javascript // 加载Sentinel-2影像集合并过滤日期范围 var s2 = ee.ImageCollection('COPERNICUS/S2') .filterDate('2023-01-01', '2023-12-31'); ``` #### 特征工程 构建特征向量是至关重要的一步，在此过程中会考虑多个波段组合以及其他派生指标（如NDVI, NDWI等），以增强模型的表现力。例如，归一化差异水指数(NDWI)被广泛用于突出水域区域[^2]。 ```javascript function addIndices(image){ var ndwi = image.normalizedDifference(['B3','B8']).rename('NDWI'); // 计算NDWI return image.addBands(ndwi); } s2 = s2.map(addIndices); // 应用到整个图像序列上 ``` #### 创建训练样本 通过视觉解译或其他手段获取一定数量的真实标签点位，形成训练集。这里假设已经有一个名为`waterTrainingPoints`的FeatureCollection包含了标记好的水体边界框或点。 ```javascript // 定义类别映射表 var classMap = { water: 1, nonWater: 0 }; // 将类别名称转换成数值型标签 var trainingData = waterTrainingPoints.randomColumn().stratifiedSample({ numPoints: 500, classBand: "class", region: geometry, scale: 10 }); ``` #### 构建与训练模型 采用随机森林分类器来进行学习过程。设置好超参数之后就可以调用fitClassifier函数开始拟合了。 ```javascript // 提取训练样本中的属性值作为特征矩阵X var bands = ['B2', 'B3', 'B4', 'B8', 'NDWI']; var X = trainingData.select(bands); // 获取对应的真值Y var Y = trainingData.select('label'); // 初始化随机森林分类器对象 var classifier = ee.Classifier.smileRandomForest(10).train(X,Y,'label'); // 对整幅图做预测 var classifiedImage = s2.first().classify(classifier); ``` #### 结果展示 最后将得到的结果渲染出来查看效果。可以定义不同的颜色方案来直观地区分各个类别。 ```javascript // 设置显示参数 var palette = ["blue", "#d7191c"]; Map.setCenter(-122.36, 37.82, 12); Map.addLayer(classifiedImage.clip(geometry), {min: 0,max: 1,palette: palette}, ' Classified Image '); ``` 以上就是在Google Earth Engine平台下运用随机森林算法实施水体自动识别的一个基本流程概述[^3]。