PIE-engine 教程 ——随机森林监督分类案例（河北安国市为例）

本次举一个简答的案例，通过对一个县级市进行监督分类采样，然后进行耕地、林地、园地和其它的划分，除此之外，我们还需要掌握随机样本点的采集，混淆矩阵以及精度计算等问题。首先我们看一下随机样本点的选取函数：

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

随机森林分类器

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

随机森林的悬链样本

train(features,classProperty,inputProperties,subsampling,subsamplingSeed)

监督分类分类器训练

方法参数：

- Classifier(Classifier)

监督分类分类器实例

- features(FeatureCollection)

样本点

- classProperty(String)

分类类别字段

- inputProperties(List)

分类计算字段

- subsampling(Float)

未启用

- subsamplingSeed(nt)

未启用

返回值：Classifier

分类后影像进行平滑去噪处理，这里默认用到的半径为3

focal_min(radius,kernelType,iterations,units,kernel)

形态学腐蚀算法。

方法参数：

- image(Image)

Image实例。

- radius(Number)

半径，默认3。

- kernelType(String)

计算核的类型，默认circle。

- iterations(Number)

计算循环的次数，默认为1

- units(String)

计算采用的单位，默认为pixel

- kernel(Kernel)

计算采用的核。

返回值：Image

focal_max(radius,kernelType,iterations,units,kernel)

形态学膨胀算法。

方法参数：

- image(Image)

Image实例。

- radius(Number)

半径，默认3。

- kernelType(String)

计算核的类型，默认circle。

- iterations(Number)

计算循环的次数，默认为1

- units(String)

计算采用的单位，默认为pixel

- kernel(Kernel)

计算采用的核。

返回值：Image

混淆矩阵

confusionMatrix()

计算监督分类分类器结果的混淆矩阵

方法参数：

- Classifier(Classifier)

监督分类分类器实例

返回值：ConfusionMatrix

classify(classifier,outputName)

按照之前设定的监督分类器，进行分类，并给出名称

进行监督分类，返回结果为分类后的影像

方法参数：

- image(Image)

Image实例。

- classifier(Classifier)

监督分类分类器

- outputName(String)

分类影像的波段名称，“classfiy”为默认值

返回值：Image

errorMatrix(actual,predicted,order)

通过比较FeatureCollection的两列（一列包含实际值，另一列包含预测值），计算FeatureCollection的二维错误矩阵，其中数值从0开始。矩阵的轴0（行）对应于实际值，轴1（列）对应于预测值。

方法参数：

- featureCollection(FeatureCollection)

FeatureCollection实例

- actual(String)

包含实际值的属性的名称。

- predicted(String)

包含预测值的属性的名称。

- order(List)

未启用

返回值：ConfusionMatrix

acc()

混合矩阵的精确度计算结果

方法参数：

- ConfusionMatrix(Object)

混合矩阵对象

返回值：Number

kappa()

返回混合矩阵的kappa系数

方法参数：

- ConfusionMatrix(Object)

混合矩阵对象

代码：

/**
 * @File    :   安国市耕林园地随机森林监督分类
 * @Time    :   2022/3/1
 * @Author  :   piesat
 * @Version :   1.0
 * @Contact :   400-890-0662
 * @License :   (C)Copyright 航天宏图信息技术股份有限公司
 * @Desc    :   安国市耕林园地随机森林监督分类
 */
var imageCollection0 = pie.ImageCollection("GF2/L1A/Fusion");
var featureCollection0 = pie.FeatureCollection("NGCC/CHINA_COUNTY_BOUNDARY");
var imageCollection0 = pie.ImageCollection("NGCC/GLOBELAND30");
// 耕、林、园地分类
// 1.加载研究区-安国市行政边界
var anguo = pie
  .FeatureCollection("NGCC/CHINA_COUNTY_BOUNDARY")
  .filter(pie.Filter.eq("name", "安国市"))
  .first()
  .geometry();
Map.centerObject(anguo, 10);
 
Map.addLayer(anguo, { color: "red", fillColor: "00000000", width: 2 }, "anguo");
 
// 2.加载栅格影像
// 数据说明:image为保存于云端、计算好的sentinel合成的NDVI多时序波段数据.
//images_Anguo_City数据中B1、B2、B3为Sentinel的三个波段，B4-B11计算好的sentinel合成的NDVI多时序波段数据
var bands = ["B4", "B5", "B6", "B7", "B8", "B9", "B10", "B11"];
var image = pie
  .Image("user/pieadmin/public/Raster/images_Anguo_City")
  .select(bands)
  .multiply(10000);
print("img", image);
 
// 加载显示一个波段2020.7.6_NDVI
var image0 = pie.Image("user/pieadmin/public/Raster/images_Anguo_City");
Map.addLayer(image0.select("B4"), { min: -1, max: 1 }, "2020.7.6_NDVI", false);
 
// Sentinel2数据显示
var image_vis = pie
  .Image("user/pieadmin/public/Raster/images_Anguo_City")
  .select(["B1", "B2", "B3"]);
var visParam = { min: 0, max: 3000, bands: ["B1", "B2", "B3"] };
Map.addLayer(
  image_vis.select(["B1", "B2", "B3"]),
  visParam,
  "Sentinel2_image",
  false
);
 
// 3.point为样本点，0为耕地，1为林地，2为园地，3为其他地物.
var point = pie.FeatureCollection(
  "user/pieadmin/public/shape/Training_Points_Anguo_City"
);
Map.addLayer(point, { color: "Red" }, "points");
// print(point)
 
// 获取训练样本
var training = image.sampleRegions(point, ["landcover"], 10, "", "", true);
// Map.addLayer(training, {color: "FAFAD2"}, "trainingpoints");
 
var withRandom = pie.FeatureCollection("user/HaorenWang/withRandom");
var trainPartition = withRandom.filter(pie.Filter.lte("random", 0.7));
var testPartition = withRandom.filter(pie.Filter.gt("random", 0.7));
Map.addLayer(trainPartition, { color: "red" }, "training");
Map.addLayer(testPartition, { color: "blue" }, "validation");
print("withRandom", withRandom);
print("training", trainPartition);
print("validation", testPartition);
 
// 4.构建分类器，利用70%数据进行训练.30%数据进行测试
// 构建随机森林Random Forest
var classifer = pie.Classifier.rTrees().train(
  trainPartition,
  "landcover",
  bands
);
 
// 5.进行分类
var class_image1 = image.classify(classifer);
 
// 分类后处理：平滑影像，进行开闭运算剔除噪声影响.
var class_image2 = class_image1.focal_min(2).focal_max(2);
// var kernel= pie.Kernel().mean(3)
// class_image2 = class_image1.convolve(kernel)
 
// 分类结果显示. 蓝色为耕地，绿色为林地，黄色为园地，紫色为其他.
var visParam = {
  opacity: 1,
  uniqueValue: "0,1,2,3",
  palette: "#4169E1,#7CFC00,#FFD700,#FF00FF",
};
//加载分类结果
Map.addLayer(class_image1, visParam, "class_image1");
//加载分类后处理结果
Map.addLayer(class_image2, visParam, "class_image2");
 
//6.精度验证
var matrix = classifer.confusionMatrix();
print("matrix", matrix);
// 评估训练样本的精度.
var checkM = classifer.confusionMatrix();
print("训练矩阵-ACC系数：", checkM.acc());
print("训练矩阵-Kappa系数：", checkM.kappa());
 
// 评估验证样本的精度.
var predictResult = testPartition.classify(classifer, "classification");
var errorM = predictResult.errorMatrix("landcover", "classification");
print("验证矩阵-ACC系数：", errorM.acc());
print("验证矩阵-Kappa系数：", errorM.kappa());
 
// 7.添加图例
var data = {
  title: "图例",
  colors: ["#4169E1", "#7CFC00", "#FFD700", "#FF00FF"],
  labels: ["耕地", "林地", "园地", "其他"],
  step: 1, // 将每个单位色块均分为30个
  isvertical: true,
};
 
var style = {
  right: "140px", // 图例框的右侧与屏幕最右端的距离
  bottom: "10px", // 图例框的底侧与屏幕底端的距离
  height: "150px", // 图例框的纵向高度
  width: "90px", // 图例框的横向长度
};
 
var legend = ui.Legend(data, style);
Map.addUI(legend);
 
//导出影像
Export.image({
  image: class_image2,
  description: "Classified_Image_by_filter",
  region: anguo,
  scale: 10,
});

返回值：Number

 训练精度结果：

 这里大家需要注意的是，因为在这里并没有进行影像的计算，而是直接从云端调用已经裁剪和设定好的影像，所以这里并不能更换研究区，如果想要进行研究区的更换，需要自己重写sentinel影像以及NDVI的计算。