PIE-Engine 教程:水稻面积提取2—监督分类(宿迁市)

简介: 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:

image.png

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。


相关文章
|
7月前
|
自然语言处理 数据可视化 数据挖掘
基于词云图+Kmeans聚类+LDA主题分析+社会网络语义分析对大唐不夜城用户评论进行分析(下)
基于词云图+Kmeans聚类+LDA主题分析+社会网络语义分析对大唐不夜城用户评论进行分析
270 0
|
数据可视化
R语言绘图教程丨Nature论文都在用的多组比较箱线图,自动计算显著性并标注,附带误差线
R语言绘图教程丨Nature论文都在用的多组比较箱线图,自动计算显著性并标注,附带误差线
Google Earth Engine(GEE)——利用归一化建筑指数NDBI(不透水层)提取建筑物
Google Earth Engine(GEE)——利用归一化建筑指数NDBI(不透水层)提取建筑物
2546 0
Google Earth Engine(GEE)——利用归一化建筑指数NDBI(不透水层)提取建筑物
|
7月前
|
机器学习/深度学习 数据可视化
R语言用灰色模型 GM (1,1)、神经网络预测房价数据和可视化
R语言用灰色模型 GM (1,1)、神经网络预测房价数据和可视化
|
7月前
|
数据可视化 算法 数据挖掘
R语言 PCA(主成分分析),CA(对应分析)夫妻职业差异和马赛克图可视化
R语言 PCA(主成分分析),CA(对应分析)夫妻职业差异和马赛克图可视化
|
7月前
|
数据可视化 算法 数据挖掘
PCA(主成分分析),CA(对应分析)夫妻职业差异和马赛克图可视化
PCA(主成分分析),CA(对应分析)夫妻职业差异和马赛克图可视化
R语言中如何进行PCA分析?利用ggplot和prcomp绘制基因表达量分析图(上)
R语言中如何进行PCA分析?利用ggplot和prcomp绘制基因表达量分析图
|
数据挖掘
R语言中如何进行PCA分析?利用ggplot和prcomp绘制基因表达量分析图(下)
R语言中如何进行PCA分析?利用ggplot和prcomp绘制基因表达量分析图(下)
|
数据可视化 数据挖掘 Python
跟着Nature Communications学作图:R语言箱线图和拟合曲线展示泛基因组中的基因家族数量
跟着Nature Communications学作图:R语言箱线图和拟合曲线展示泛基因组中的基因家族数量
|
数据可视化 数据挖掘 Python