安之一诶噢1. 项目概述：GEE平台下的机器学习地物分类全流程
在遥感分析领域，Google Earth Engine（GEE）的出现彻底改变了传统的工作模式。这个云端平台集成了PB级的卫星影像数据和多款分析工具，让研究者无需下载海量数据就能直接在线处理。我最近完成了一个典型的地物分类项目，使用随机森林、SVM等算法实现了水体和植被的自动识别。整个过程从数据准备到模型评估都在GEE的JavaScript API环境中完成，相比本地处理节省了90%以上的数据准备时间。
这个项目的核心价值在于：第一，验证了GEE平台进行中等规模分类任务的可行性；第二，对比了不同机器学习算法在相同数据集上的表现差异；第三，形成了一套可复用的代码框架。特别适合需要快速验证想法或开展区域级分析的研究者。下面我将从数据准备开始，逐步拆解每个技术环节的关键实现。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 数据准备与预处理
2.1 研究区与数据源选择
我选择长江三角洲区域作为测试区，主要考虑其包含丰富的水体（太湖、长江支流等）和植被类型（农田、森林、湿地）。在GEE中通过以下代码定义研究区：
javascript复制var roi = ee.Geometry.Polygon(
[[[120.12, 31.32],
[121.45, 31.33],
[121.47, 30.92],
[120.15, 30.91]]]);
数据源方面，组合使用了Landsat 8 SR和Sentinel-2 MSI数据：
- Landsat 8提供30米分辨率的多时相数据（2013-2022）
- Sentinel-2提供10米分辨率的补充数据（2015-2022）
关键技巧：通过
ee.Algorithms.Landsat.simpleComposite()进行去云处理时，设置percentile=50能有效保留地表反射特征，同时过滤掉90%以上的云层干扰。
2.2 特征工程构建
除原始波段外，增加了5类衍生特征提升分类精度：
-
光谱指数：
- NDVI = (NIR-Red)/(NIR+Red)
- MNDWI = (Green-SWIR1)/(Green+SWIR1)
-
纹理特征：
使用GLCM计算对比度、同质性等指标javascript复制var texture = image.select('B8').glcmTexture({ size: 3, average: true }); -
时序特征：
计算各波段季度中值，捕捉物候变化 -
地形特征：
融合SRTM高程数据，加入坡度、坡向 -
空间上下文：
通过focal_mean()计算邻域统计量
2.3 样本数据集制作
采用分层随机采样策略，通过GEE的绘图工具手动标注了4类样本：
- 开放水体（湖泊、河流）
- 植被（森林、农田）
- 建筑用地
- 裸地
每类至少300个样本点，按7:2:1划分为训练/验证/测试集。关键代码如下：
javascript复制var samples = ee.FeatureCollection([
// 水体样本
ee.Feature(ee.Geometry.Point([120.5, 31.2]), {'class': 0}),
// 植被样本
ee.Feature(ee.Geometry.Point([121.1, 30.8]), {'class': 1}),
// ...其他样本
]);
var split = samples.randomColumn();
var training = split.filter(ee.Filter.lt('random', 0.7));
var validation = split.filter(ee.Filter.and(
ee.Filter.gte('random', 0.7),
ee.Filter.lt('random', 0.9)));
var testing = split.filter(ee.Filter.gte('random', 0.9));
注意事项：样本点需均匀分布且避开过渡带。建议使用高分辨率影像（如Google Earth）辅助验证样本纯度。
3. 机器学习模型实现
3.1 随机森林模型
GEE中的ee.Classifier.smileRandomForest()实现：
javascript复制var rf_classifier = ee.Classifier.smileRandomForest({
numberOfTrees: 100,
variablesPerSplit: 3,
minLeafPopulation: 5,
bagFraction: 0.7,
maxNodes: null
}).train({
features: training,
classProperty: 'class',
inputProperties: ['B2','B3','B4','NDVI','MNDWI'] // 选择特征
});
参数选择依据：
numberOfTrees=100：测试发现超过100后精度提升<1%variablesPerSplit=3：约为总特征数的平方根bagFraction=0.7：平衡偏差与方差
3.2 支持向量机(SVM)
使用ee.Classifier.libsvm()实现：
javascript复制var svm_classifier = ee.Classifier.libsvm({
kernelType: 'RBF',
gamma: 0.5,
cost: 10
}).train({
features: training,
classProperty: 'class'
});
调参要点：
- RBF核适合处理非线性特征
- 通过网格搜索确定gamma和cost最优组合
- 需对特征进行标准化（GEE自动处理）
3.3 模型评估对比
使用验证集计算混淆矩阵：
javascript复制var rf_validation = validation.classify(rf_classifier);
var rf_accuracy = rf_validation.errorMatrix('class', 'classification');
print('RF Accuracy:', rf_accuracy.accuracy());
print('RF Kappa:', rf_accuracy.kappa());
实测性能对比（%）：
| 指标 | 随机森林 | SVM | CART |
|---|---|---|---|
| 总体精度 | 92.3 | 88.7 | 85.4 |
| Kappa系数 | 0.89 | 0.84 | 0.81 |
| 水体F1-score | 0.94 | 0.91 | 0.87 |
| 植被F1-score | 0.91 | 0.86 | 0.83 |
随机森林表现最优，尤其在植被分类上比SVM高5个百分点。CART模型虽然速度最快，但存在明显的过拟合现象。
4. 分类结果后处理
4.1 空间滤波
使用形态学开运算消除椒盐噪声：
javascript复制var classified = classified.focal_mode({
radius: 3,
units: 'pixels',
kernelType: 'circle'
});
4.2 结果可视化
设置分类渲染样式：
javascript复制var palette = ['blue', 'green', 'gray', 'brown'];
Map.addLayer(classified, {min: 0, max: 3, palette: palette}, 'Classification');
4.3 面积统计
计算各类像元数量并转换为面积：
javascript复制var areaImage = ee.Image.pixelArea().addBands(classified);
var areas = areaImage.reduceRegion({
reducer: ee.Reducer.sum().group({
groupField: 1,
groupName: 'class',
}),
geometry: roi,
scale: 30,
maxPixels: 1e13
});
5. 常见问题与解决方案
5.1 样本不平衡问题
当水体样本远多于植被时：
- 采用分层抽样确保每类样本量接近
- 在分类器中设置
classWeights参数 - 使用SMOTE算法过采样少数类
5.2 混合像元影响
解决方法：
- 引入亚像元分类（如线性光谱解混）
- 提高分辨率（融合Sentinel-2 10m数据）
- 增加纹理特征区分边界
5.3 时序数据波动
处理方案：
- 选择生长季/枯水期等典型时相
- 使用时间序列谐波分析（HANTS）
- 构建月度合成影像减少瞬时干扰
5.4 GEE资源限制
应对策略：
- 分块处理大区域（
ee.ImageCollection.map()） - 降低处理精度（
scale参数调至60m） - 使用
Export代替交互式计算
6. 完整代码框架
javascript复制// 1. 定义研究区
var roi = ee.Geometry.Rectangle([xmin, ymin, xmax, ymax]);
// 2. 数据准备
var landsat = ee.ImageCollection('LANDSAT/LC08/C02/T1_L2')
.filterBounds(roi)
.filterDate('2020-01-01', '2020-12-31');
// 3. 特征计算
var addIndices = function(image) {
var ndvi = image.normalizedDifference(['B5','B4']).rename('NDVI');
return image.addBands(ndvi);
};
// 4. 样本准备
var samples = /* 手动标注或导入已有样本 */;
// 5. 模型训练
var classifier = ee.Classifier.smileRandomForest(50)
.train({
features: samples,
classProperty: 'class'
});
// 6. 分类应用
var result = composite.classify(classifier);
// 7. 精度评估
var validation = result.sampleRegions({
collection: test_samples,
properties: ['class'],
scale: 30
});
print('Confusion Matrix:', validation.errorMatrix('class', 'classification'));
这个框架可根据具体需求灵活调整，例如替换数据源、增加特征变量或更换分类算法。我在实际项目中发现，合理设置样本策略和特征组合比单纯调整算法参数更能提升分类精度。