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。