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
- 点赞
- 收藏
- 关注作者
评论（0）