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：

 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。