PIE-Engine 教程:水稻面积提取2—监督分类(宿迁市)

举报
此星光明 发表于 2022/09/25 15:50:52 2022/09/25
【摘要】 ​这里是第二部分计算水稻提取,这里采用的是监督分类。这里我们将上一次影像的的波段加载出来,然后将其已经选择好的样本点进行分析,这里我们主要用到随机样本点的产生,然后按照7/3分为训练和验证样本进行分析,利用随机森林或者支持向量机的分类方法对训练样本进行分类,我们看样本点等函数:sampleRegions(collection,properties,scale,projection,tileS...

这里是第二部分计算水稻提取,这里采用的是监督分类。这里我们将上一次影像的的波段加载出来,然后将其已经选择好的样本点进行分析,这里我们主要用到随机样本点的产生,然后按照7/3分为训练和验证样本进行分析,利用随机森林或者支持向量机的分类方法对训练样本进行分类,我们看样本点等函数:

sampleRegions(collection,properties,scale,projection,tileScale,geometries)

从Image中随机采样,返回结果是一个FeatureCollection,FeatureCollection下的每一个Feature中存储采样点的相应波段的信息

方法参数:

- image(Image)

Image实例。

- collection(FeatureCollection)

样本点,需要包括分类字段

- properties(List)

采样保留字段集合

- scale(Float)

图像采样比例尺

- projection(String)

未启用

- tileScale(Float)

未启用

- geometries(Boolean)

未启用

返回值:Image

randomColumn(columnName,seed,distribution)将矢量集合产生一列随机数

向FeatureCollection中添加一列确定性伪随机数。

方法参数:

- featureCollection(FeatureCollection)

FeatureCollection实例

- columnName(String)

新增列的名称,默认为 'random'

- seed(Long)

随机种子,默认为0

- distribution(String)

生成随机数的分布类型。赋值为'uniform' 、'normal'之一

返回值:FeatureCollection

pie.Classifier.svm(options)

SVM分类方法分类器

方法参数:

- Classifier(Classifier)

监督分类分类器实例

- options(Object)

参数对象

返回值:Classifier

pie.Classifier.rTrees(options)

随机森林分类方法分类器

方法参数:

- Classifier(Classifier)

监督分类分类器实例

- options(Object)

参数对象

返回值:Classifier

代码:

/**
 * @Name    :   基于 PIE Engine Studio 的水稻自动提取
 * @Author  :   武汉大学VHR队
 * @Desc    :   淮安市水稻提取 - 进行监督分类
 * @Source  :   航天宏图第四届 “航天宏图杯”PIE软件二次开发大赛云开发组三等奖获奖作品
 */

//2.进行监督分类
var area = pie.Geometry.Polygon([
    [
        [
            118.19042604840365,
            32.717477656827796
        ],
        [
            119.67193792508522,
            32.717477656827796
        ],
        [
            119.67193792508522,
            34.12687250105918
        ],
        [
            118.19042604840365,
            34.12687250105918
        ],
        [
            118.19042604840365,
            32.717477656827796
        ]
    ]
], null);

//选择淮安市矢量
var roi = pie.FeatureCollection("NGCC/CHINA_CITY_BOUNDARY").filter(pie.Filter.eq('name', '淮安市')).first().geometry()
Map.centerObject(roi, 8)
Map.addLayer(roi)

//导入用于分类影像并勾选波段
var bands = ["B1", "B2", "B3", "B4", "B5", "B6", "B7", "B8", "B9"]
var l8Image = pie.Image('user/pieadmin/saas/06/l8Image_1320')
    .select(bands);

//合并样本点并采样
var sample = pie.FeatureCollection('user/pieadmin/saas/06/sample');
var sampleFeatureCollection = l8Image.sampleRegions(sample, ["type"], 30);
sampleFeatureCollection = sampleFeatureCollection.randomColumn('random');

//训练样本按0.7比例划分
var trainingFeatures = sampleFeatureCollection.filter(pie.Filter.lte("random", 0.7));
var testingFeatures = sampleFeatureCollection.filter(pie.Filter.gt("random", 0.7));

//随机森林或支持向量机分类
var classifier = pie.Classifier.svm().train(trainingFeatures, "type", bands); //支持向量机
//var classifier = pie.Classifier.rtrees().train(trainingFeatures, "type", bands); //随机森林

// 影像分类,并加载显示
var imageA = l8Image.classify(classifier, "classifyA");
var visParam = {
    min: 1,
    max: 4,
    palette: 'EAF2F5,000032,1F3600,FAFFC8'
};
Map.addLayer(imageA, visParam, "ClassifyImage");

// 添加图例  
var data = {
    title: "淮安市水稻分类",
    colors: ['#EAF2F5', '#000032', '#1F3600', '#FAFFC8'],
    labels: ["水稻", "其他植被", "城镇", "水体"],
    step: 1
};
var style = {
    bottom: "10px",
    right: "450px",
    width: "350px",
    height: "70px"
};
var legend = ui.Legend(data, style);
Map.addUI(legend);

//导出随机森林或支持向量机分类结果
Export.image({
    image: imageA,
    description: "svmImage",
    assetId: "svm",
    region: area,
    scale: 30
});

结果:

 这个图的结果不太好,因为这里我们看到白色作为水稻的区域并不是太符合常理,一般绿色更好,水体面积一般是绿色,而这里用的是黄色,市区一般不透水层应该用红色。

【版权声明】本文为华为云社区用户原创内容,转载时必须标注文章的来源(华为云社区)、文章链接、文章作者等基本信息, 否则作者和本社区有权追究责任。如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱: cloudbbs@huaweicloud.com
  • 点赞
  • 收藏
  • 关注作者

评论(0

0/1000
抱歉,系统识别当前为高风险访问,暂不支持该操作

全部回复

上滑加载中

设置昵称

在此一键设置昵称,即可参与社区互动!

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。