#冲刺创作新星#PIE-Engine 教程:水稻面积提取2—监督分类宿迁市原创

此星光明

发布于 2022-9-25 15:51

浏览

0收藏

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
});
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
21.
22.
23.
24.
25.
26.
27.
28.
29.
30.
31.
32.
33.
34.
35.
36.
37.
38.
39.
40.
41.
42.
43.
44.
45.
46.
47.
48.
49.
50.
51.
52.
53.
54.
55.
56.
57.
58.
59.
60.
61.
62.
63.
64.
65.
66.
67.
68.
69.
70.
71.
72.
73.
74.
75.
76.
77.
78.
79.
80.
81.
82.
83.