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
评论(0)