LXX
读完需要
速读仅需 1 分钟
前言：
分类是地学和环境科学领域中的一个重要任务，它有助于我们理解和监测各类地物，如农业、林业、城市发展等方面。本文分享三种分类方法并对分类后的结果进行统计。
希望各位同学点个关注，点个小赞，这将是更新的动力，不胜感激❥(^_-)
1
1.1
决策树分类
CART 是一种决策树算法，可以用于分类和回归任务。CART 分类树的基本思想是通过递归地分割数据集，直到满足某些终止条件为止。具体包括：
（1）树的构建：
从根节点开始，选择一个特征及其分割点，将数据集分成两个子集。分割点的选择基于某种准则，如基尼指数（Gini Index）或信息增益（Information Gain），以最大化子集的纯度。对每个子集重复上述步骤，继续分割，直到达到停止条件，如最小节点大小或最大树深度。
（2）基尼指数：
基尼指数用于衡量节点的纯度，公式如下：
其中
（3）树的剪枝：
构建完树后，可能会产生过拟合，需要对树进行剪枝。剪枝通过删除某些不重要的节点，减少树的复杂度，提高模型的泛化能力。常见的剪枝方法包括预剪枝（pre-pruning）和后剪枝（post-pruning）。
（4）预测：
对于新的样本，从根节点开始，依次根据样本的特征值进行决策，直到到达叶节点。叶节点的类别标签作为最终的预测结果。
1.2
随机森林分类
随机森林（Random Forest）是一种集成学习方法，通过构建多个决策树并结合其预测结果来进行分类。具体包括：
（1）样本和特征随机化：
每棵树使用不同的训练样本，通过自助法（bootstrap）从原始数据集中有放回地抽样。在每个节点的分割过程中，随机选择特征的子集，以增加模型的多样性。
（2）树的构建：
构建每棵树时，使用与 CART 类似的方法，递归地分割数据集。不同于单一决策树，随机森林在每个节点上只考虑随机选择的特征子集。
（3）预测：
对于新的样本，随机森林中的每棵树都会给出一个预测结果。最终的预测结果通过所有树的投票（分类任务）或平均值（回归任务）来确定。优势：
通过集成多个模型，随机森林能够降低单一决策树的过拟合风险，提高预测的准确性和鲁棒性。它还提供了特征重要性评估的能力，帮助识别对预测最重要的特征。
1.3
支持向量机分类
支持向量机（Support Vector Machine，SVM）是一种常用的机器学习算法，主要用于分类和回归问题。SVM 的目标是找到一个最优的超平面，将不同类别的样本点分隔开来，使得两个类别的间隔最大化。具体来说，SVM 通过寻找支持向量（即距离超平面最近的样本点），确定决策边界，并根据支持向量的位置进行分类。
具体包括：数据准备，收集并准备用于训练的数据集，确保数据集包含标记好的样本点。特征选择，根据问题的特点选择合适的特征，并对特征进行预处理（如归一化、标准化等）。模型训练，利用训练数据集，通过优化算法找到最优的超平面，使得间隔最大化。模型评估，使用测试数据集评估模型的性能，通常使用准确率、精确率、召回率等指标进行评估。模型调优，根据评估结果，调整模型参数或选择合适的核函数，以提高模型的性能。模型应用，使用训练好的模型对新样本进行分类或回归预测。
2
// 加载数据var forest = ee.Image("users/geestudy2/forest");Map.centerObject(forest, 20);// 计算植被指数并将其作为新波段添加到图像中var NDVI = forest.normalizedDifference(['b4', 'b1']).rename('NDVI');var ReCI = forest.expression('(NIR / RED) - 1', {'NIR': forest.select('b4'),'RED': forest.select('b1')}).rename('ReCI');var NDRE = forest.normalizedDifference(['b4', 'b5']).rename('NDRE');var MSAVI = forest.expression('(2 * NIR + 1 - sqrt((2 * NIR + 1) ** 2 - 8 * (NIR - RED))) / 2', {'NIR': forest.select('b4'),'RED': forest.select('b1')}).rename('MSAVI');var GNDVI = forest.normalizedDifference(['b4', 'b2']).rename('GNDVI');var SIPI = forest.expression('(NIR - BLUE) / (NIR - RED)', {'NIR': forest.select('b4'),'BLUE': forest.select('b3'),'RED': forest.select('b1')}).rename('SIPI');// 创建用于分类的波段栈var stack = forest.addBands([NDVI, ReCI, NDRE, MSAVI, GNDVI, SIPI]);// 定义可视化的颜色调色板var palette = ['blue', 'white', 'green', 'red', 'yellow', 'purple'];// 显示RGB复合图像和指数Map.addLayer(forest.select(['b1', 'b2', 'b3']), {min: 0, max: 0.3}, 'RGB');var indicesLayers = {'NDVI': NDVI,'ReCI': ReCI,'NDRE': NDRE,'MSAVI': MSAVI,'GNDVI': GNDVI,'SIPI': SIPI};for (var index in indicesLayers) {Map.addLayer(indicesLayers[index], {min: -1, max: 1, palette: palette}, index);}// 合并不同土地覆盖类型的样本点到一个 FeatureCollectionvar samplePoints = Road.merge(Land).merge(Good_Forest).merge(Bad_Forest).merge(Glass).merge(Other);// 将 'landcover' 从字符串转换为整数var convertedSamplePoints = samplePoints.map(function(feature) {// 获取 landcover 值var landcover = feature.get('landcover');// 检查 landcover 是否为非空字符串；如果不是，则设置为默认值（例如 null）var landcoverNumber = ee.Algorithms.If(ee.String(landcover).trim().length().gt(0),ee.Number.parse(landcover),null // 如果无效，则设置为 null);return feature.set('landcover', landcoverNumber);});// 在采样前过滤掉无效（null）的 landcover 值var filteredSamplePoints = convertedSamplePoints.filter(ee.Filter.notNull(['landcover']));// 使用过滤后的样本点对波段栈进行采样var trainingRegions = stack.sampleRegions({collection: filteredSamplePoints,properties: ['landcover'],});// 随机化集合并分割为训练和验证数据集trainingRegions = trainingRegions.randomColumn();var training = trainingRegions.filter(ee.Filter.lt('random', 0.7));var validation = trainingRegions.filter(ee.Filter.gte('random', 0.7));// 训练 CART、随机森林和 SVM 分类器var cartClassifier = ee.Classifier.smileCart().train({features: training,classProperty: 'landcover',inputProperties: stack.bandNames()});var rfClassifier = ee.Classifier.smileRandomForest(40).train({features: training,classProperty: 'landcover',inputProperties: stack.bandNames()});var svmClassifier = ee.Classifier.libsvm({kernelType: 'RBF',gamma: 0.5,cost: 10}).train({features: training,classProperty: 'landcover',inputProperties: stack.bandNames()});// 使用训练好的分类器进行分类var classifiedCart = stack.classify(cartClassifier);var classifiedRf = stack.classify(rfClassifier);var classifiedSvm = stack.classify(svmClassifier);// 评估每个分类器的准确性var validationClassifiedCart = validation.classify(cartClassifier);var cartConfusionMatrix = validationClassifiedCart.errorMatrix('landcover', 'classification');var cartAccuracy = cartConfusionMatrix.accuracy();var validationClassifiedRF = validation.classify(rfClassifier);var rfConfusionMatrix = validationClassifiedRF.errorMatrix('landcover', 'classification');var rfAccuracy = rfConfusionMatrix.accuracy();var validationClassifiedSVM = validation.classify(svmClassifier);var svmConfusionMatrix = validationClassifiedSVM.errorMatrix('landcover', 'classification');var svmAccuracy = svmConfusionMatrix.accuracy();var cartKappa = cartConfusionMatrix.kappa();var rfKappa = rfConfusionMatrix.kappa();var svmKappa = svmConfusionMatrix.kappa();// 打印 CART 分类器的准确性和 Kappa 系数print('CART 混淆矩阵:', cartConfusionMatrix);print('CART 准确性:', cartAccuracy);print('CART Kappa 系数:', cartKappa);print('随机森林 混淆矩阵:', rfConfusionMatrix);print('随机森林 准确性:', rfAccuracy);print('随机森林 Kappa 系数:', rfKappa);print('SVM 混淆矩阵:', svmConfusionMatrix);print('SVM 准确性:', svmAccuracy);print('SVM Kappa 系数:', svmKappa);// 显示分类结果Map.addLayer(classifiedCart, {min: 0, max: 5, palette: palette}, 'CART 分类结果');Map.addLayer(classifiedRf, {min: 0, max: 5, palette: palette}, '随机森林 分类结果');Map.addLayer(classifiedSvm, {min: 0, max: 5, palette: palette}, 'SVM 分类结果');print(classifiedSvm);// 将地图缩放到森林对象Map.centerObject(forest, 10);// 导出 CART 分类结果Export.image.toDrive({image: classifiedCart,description: 'CART_Classification',scale: forest.projection().nominalScale(), // 假设 forest 是原始图像region: forest.geometry(),maxPixels: 1e13});// 类似地导出随机森林和 SVM 分类结果// 计算面积并绘制图表// 计算每个像素的面积var classNames = ['Road', 'Land', 'Good_Forest', 'Bad_Forest', 'Glass', 'Other'];var pixelArea = ee.Image.pixelArea();// 计算每个类别的面积var classValues = ee.List.sequence(0, 5); // 创建一个从 0 到 5 的列表，对应各个类别var classAreas = ee.List(classValues.map(function(classValue) {classValue = ee.Number(classValue); // 将类别值转换为数字var masked = pixelArea.updateMask(classifiedSvm.eq(classValue)); // 将图像遮罩为该类别return masked.reduceRegion({reducer: ee.Reducer.sum(),geometry: forest.geometry(),scale: forest.projection().nominalScale(), // 假设 forest 是原始图像maxPixels: 1e9}).getNumber('area');}));// 将面积结果转换为 FeatureCollection 用于图表var areasList = classAreas.zip(classNames).map(function(info) {var infoList = ee.List(info);var area = ee.Number(infoList.get(0));var label = ee.String(infoList.get(1));return ee.Feature(null, {'label': label, 'area': area});});// 转换为 FeatureCollectionvar chartFeatures = ee.FeatureCollection(areasList);// 创建图表// 现在这个图表会使用从 classifiedSvm 自动计算得到的面积数据// 创建条形图var barChart = ui.Chart.feature.byFeature(chartFeatures, 'label', 'area').setChartType('ColumnChart').setOptions({title: '各类别面积',hAxis: {title: '类别'},vAxis: {title: '面积（平方米）'},legend: {position: 'none'},bar: {groupWidth: '60%'}});// 创建饼状图var pieChart = ui.Chart.feature.byFeature(chartFeatures, 'label', 'area').setChartType('PieChart').setOptions({title: '各类别面积比例',sliceVisibilityThreshold: 0 // 显示所有类别，即使面积非常小});// 显示图表print(barChart);print(pieChart);
3
后续开始补之前留下的ICESat-2水深反演......
