大家好，又见面了，我是你们的朋友全栈君。如果您正在找激活码,请点击查看最新教程,关注关注公众号 “全栈程序员社区” 获取激活教程,可能之前旧版本教程已经失效.最新Idea2022.1教程亲测有效,一键激活。

Jetbrains全系列IDE使用 1年只要46元售后保障童叟无欺

在我的监督分类代码里，我一共分为了以下几个步骤：

1.制作训练样本数据；

2.遥感数据的筛选（时间、地点与云量）；

3.遥感数据预处理（去云、镶嵌、裁剪）；

4.构建光谱指数：NDVI、mNDWI，NDBI;

5.构建分类样本集并分为训练样本与验证样本；

6.选择合适方法进行分类；

7.精度验证；

8.导出分类结果；

上面的步骤基本为·监督分类常用步骤，可以根据自己的需求修改，但大体没什么变化。

1.制作训练样本数据；

构造样本数据一般有两个方法，一个是本地上传矢量的训练数据；另外一个是在GEE里面自己选点制作。我主要介绍第二种方法。

构造样本数据，首先创建一个new layer，然后选择该要素，并在地图上标点。

google earth engine(GEE)监督分类总结与代码分享

选择好样本点之后，记得打开该要素，改变图层类型为featurecollection，并添加分类属性：landcover与值。比如耕地样本点的值就为1。

google earth engine(GEE)监督分类总结与代码分享

2.遥感数据的筛选（时间、地点与云量）；

这一步根据自己的需求选取，我代码里面的roi就是研究区。如果你发现研究区影像云非常多，可以把过滤云标准调整高一点。

var startDate = ee.Date('2018-04-01'); 
var endDate = ee.Date('2018-9-30'); 
var collection = l8
                  .filterDate(startDate, endDate)//时间过滤
                  .filterBounds(roi)//位置过滤
                  .filter(ee.Filter.lte('CLOUD_COVER',20))//云量过滤
                  ;

3.遥感数据预处理（去云、镶嵌、裁剪）；

首先是构造一个去云函数，并且做好封装，以便你随时调用。

var remove_cloud=function(collection)
    
    {
      // 计算每个像元的云分量，定义函数fun_calCloudScore
      var fun_calCloudScore = function(image) {
        return ee.Algorithms.Landsat.simpleCloudScore(ee.Image(image));//simpleCloudScore计算TOA数据每一个像元的云指数
      };
      //确定要进行函数运算的数据集以及函数
      var calCloudScore = ee.ImageCollection(collection)
          .map(fun_calCloudScore)
          ;
      
      //屏蔽阈值超过10的像素
      var fun_maskCloud = function(image) {
        
        var mask = image.select(['cloud']).lte(10);//TOA数据经simpleCloudScore计算产生“cloud”属性，“cloud”小于10的像元保留
        // 显示云显示云掩膜
        return image.updateMask(mask);//更新
      };
      //确定要进行函数运算的数据集以及函数
      var maskCloud = ee.ImageCollection(calCloudScore)
          .map(fun_maskCloud)
          ;
     
      var maskCloud2=maskCloud.mean()
       print('maskCloud2',maskCloud2 )
      Map.addLayer(maskCloud,visualParam, 'maskCloud', false);//显示干净像元筛选过的maskCloud
      Map.addLayer(maskCloud2,visualParam, 'maskCloud2', false);//显示干净像元筛选过的maskCloud
      
      return maskCloud;
    }

之后一句话进行镶嵌与裁剪：

var image=remove_cloud(collection).mosaic().clip(roi);

4.构建光谱指数：NDVI、mNDWI，NDBI;

这一步根据每个人的要求来。我的分类体系里面有水体，所以构建mndwi；因为有建筑，所以构建ndbi；因为有植被，所以构建NDVI。当然，这一步可以不要。

var mndwi = image.normalizedDifference(['B3', 'B6']).rename('MNDWI');//计算MNDWI
var ndbi = image.normalizedDifference(['B6', 'B5']).rename('NDBI');//计算NDBI
var ndvi = image.normalizedDifference(['B5', 'B4']).rename('NDVI');//计算NDVI

需要注意一点的是，你计算出了这些指数，但是它们都是单幅影像，你需要把它们当做元影像的一个波段，所以需要把它们添加到你的image里面：

image=image
      .addBands(ndvi)
      .addBands(ndbi)
      .addBands(mndwi)

5.构建分类样本集并分为训练样本与验证样本；

首先需要把所有的样本数据融合为一个数据，即都为训练数据。我们现在要构造每个类别的特征，而这些特征包括各个波段与指数的值，所以需要一个波段选择的过程。training就是我们需要的包含类别特征的样本集。

var classNames = city.merge(water).merge(tree).merge(crop).merge(bare);

var bands = ['B2', 'B3', 'B4', 'B5', 'B6', 'B7','MNDWI','NDBI','NDVI'];

var training = image.select(bands).sampleRegions({
  collection: classNames,
  properties: ['landcover'],
  scale: 30
});

由于我们需要的不仅是训练数据，还有验证数据。那我们把样本分为两个部分：

var withRandom = training.randomColumn('random');//样本点随机的排列
// 我们想保留一些数据进行测试，以避免模型过度拟合。
var split = 0.7; 
var trainingPartition = withRandom.filter(ee.Filter.lt('random', split));//筛选70%的样本作为训练样本
var testingPartition = withRandom.filter(ee.Filter.gte('random', split));//筛选30%的样本作为测试样本

6.选择合适方法进行分类；

GEE提供的方法实在是太多了，这个根据个人需求来，下图就为gee的所有监督分类方法。

google earth engine(GEE)监督分类总结与代码分享

现在我们有方法，有样本集1，那就进行分类：

// 选择分类的属性
var classProperty = 'landcover';

//分类方法选择smileCart() randomForest() minimumDistance libsvm
var classifier = ee.Classifier.libsvm().train({
  features: trainingPartition,
  classProperty: 'landcover',
  inputProperties: bands
});
//分类
var classified = image.select(bands).classify(classifier);

7.精度验证；

精度验证，这就得用到我们之前的验证数据集。这一步可以得到kappa系数、总体精度与转移矩阵。

var test = testingPartition.classify(classifier);//运用测试样本分类，确定要进行函数运算的数据集以及函数

var confusionMatrix = test.errorMatrix('landcover', 'classification');//计算混淆矩阵
print('confusionMatrix',confusionMatrix);//面板上显示混淆矩阵
print('overall accuracy', confusionMatrix.accuracy());//面板上显示总体精度
print('kappa accuracy', confusionMatrix.kappa());//面板上显示kappa值

8.导出分类结果；

这个导出都千篇一律，没什么说的，根据自己的要求到处就行，比如说这是我的导出：

Export.image.toDrive({
        image:  classified,//分类结果
        description: 'xuzhou_cart',//文件名
        folder: 'xuzhou_cart',
        scale: 30,//分辨率
        region: roi,//区域
        maxPixels:34e10//此处值设置大一些，防止溢出
      });

下图就是我的监督分类结果，可以看到效果还不错：

google earth engine(GEE)监督分类总结与代码分享