PIE-Engine 教程:水稻面积提取2—监督分类(宿迁市)

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。

文章来源: blog.csdn.net，作者：此星光明，版权归原作者所有，如需转载，请联系作者。

原文链接：blog.csdn.net/qq_31988139/article/details/127038637