gee哨兵二号随机森林土地分类

### 使用 Google Earth Engine 和随机森林算法对 Sentinel-2 数据进行土地覆盖类型分类 #### 准备工作 为了在 GEE 中使用随机森林算法处理 Sentinel-2 数据并完成土地覆盖类型的分类，需先导入必要的库和设置参数。这包括定义感兴趣区域（Region of Interest, ROI）、加载 Sentinel-2 影像集合以及准备训练样本集。 ```javascript // 定义研究区范围 var roi = ee.Geometry.Polygon( [[[87.9453125, 26.07744720760877], [87.9453125, 25.72578706772767], [88.45703125, 25.72578706772767], [88.45703125, 26.07744720760877]]]); Map.centerObject(roi); Map.addLayer(roi); // 加载Sentinel-2影像数据 var sentinel2 = ee.ImageCollection('COPERNICUS/S2') .filterBounds(roi) .filterDate('2023-01-01', '2023-12-31'); ``` #### 预处理 Sentinel-2 数据 预处理阶段涉及去除云层影响、大气校正等操作以提高数据质量。对于 Sentinel-2 数据而言，可以采用 `ee.Algorithms.Sentinel2.ToSurfaceReflectance` 方法来进行表面反射率转换[^1]。 ```javascript function maskS2clouds(image) { var qa = image.select('QA60'); // Bits 10 and 11 are clouds and cirrus, respectively. var cloudBitMask = 1 << 10; var cirrusBitMask = 1 << 11; var mask = qa.bitwiseAnd(cloudBitMask).eq(0) .and(qa.bitwiseAnd(cirrusBitMask).eq(0)); return image.updateMask(mask).divide(10000); } var s2sr = sentinel2.map(function(img){ return img.normalizedDifference(['B8','B4']).rename('NDVI').addBands(img); }).map(maskS2clouds); ``` #### 构建训练样本集 构建高质量的训练样本集是成功应用机器学习的关键之一。可以通过实地考察获得地面实测数据作为标签信息；也可以基于已有地图产品手动标注兴趣点或面状要素形成监督分类所需的输入向量表。 ```javascript // 假设已经有一个名为 trainingPoints 的 FeatureCollection 包含了不同类别的采样点位及其类别属性 classValue var bands = ['B2', 'B3', 'B4', 'B8']; var training = s2sr.first().select(bands).sampleRegions({ collection: trainingPoints, properties: ['classValue'], scale: 10 }); ``` #### 训练随机森林模型 一旦准备好训练样本之后就可以调用 GEE 提供的内置函数创建随机森林分类器，并对其进行拟合训练过程。 ```javascript var classifier = ee.Classifier.smileRandomForest(100).train(training, 'classValue', bands); ``` #### 应用模型到整个场景上 最后一步就是把之前建立好的 RF 模型作用于待分析区域内所有的 Sentinel-2 图像像素之上得到最终的土地覆被制图成果。 ```javascript var classified = s2sr.median().classify(classifier); // 显示结果 Map.setCenter(88.2, 25.9, 10); Map.addLayer(classified.randomVisualizer(), {}, 'Classification'); ```