别再手动画样本点了！用GEE+随机森林，5步搞定北京2023年土地利用分类

5步云端自动化：基于GEE与随机森林的北京土地利用高效分类指南

当遥感初学者面对土地利用分类任务时，最头疼的莫过于在传统软件中手动勾绘数百个样本点。我曾见过一位研究生在ArcGIS前坐了整整三天，只为标注足够数量的训练样本——这种低效方式在2023年已不再必要。本文将展示如何利用Google Earth Engine（GEE）的云端算力和随机森林算法，仅用5个标准化步骤完成从数据准备到分类导出的全流程，特别适合课程作业或小范围研究需求。

1. 云端数据准备：告别本地存储与预处理

传统遥感分析的第一步往往是下载数十GB的影像数据，而GEE的革命性在于直接调用云端数据仓库。对于北京2023年的土地利用分类，Landsat 9是最佳选择——它的30米分辨率足够识别城市、植被和水体等主要地类。

// 定义研究区与时间窗口 var roi = ee.FeatureCollection("users/cduthes1991/boundry/China_province_2019") .filter(ee.Filter.eq('provinces','beijing')); var L9 = ee.ImageCollection('LANDSAT/LC09/C02/T1_L2') .filterDate('2023-03-01', '2023-10-01') // 避开冬季积雪干扰 .filterBounds(roi);

关键预处理步骤：

• 辐射校正：将DN值转换为地表反射率
• 去云处理：利用QA波段自动过滤云层
• 中值合成：减少瞬时噪声影响

提示：GEE的median()合成方法比均值更适合城市区域，能有效消除临时施工场地等异常值

2. 智能特征工程：超越RGB的多维指标构建

仅用原始波段进行分类会遗漏大量信息。通过计算植被、水体、建筑等指数，可显著提升分类精度。以下是经过验证的四核心指数组合：

function addIndices(image) { var ndvi = image.normalizedDifference(['SR_B5','SR_B4']).rename('ndvi'); var bsi = image.expression(...); // 完整表达式见上文 return image.addBands(ndvi).addBands(bsi); }

3. 自动化样本生成：革命性的半监督采样策略

传统方法需要手动标注每个样本点，而我们可以利用已有土地利用数据+空间规则批量生成初始样本：

1. 水体：基于全球水体数据集JRC/GSW1_3/YearlyHistory筛选永久水体
2. 建筑：夜间灯光数据VIIRS/DNB/MONTHLY_V1/VCMSLCFG > 5nW/cm²/sr
3. 植被：NDVI > 0.3且持续三个季度

var autoWater = JRC.filter(ee.Filter.eq('water',1)).sample(100); var autoUrban = VIIRS.filter(ee.Filter.gt('avg_rad',5)).sample(100);

注意：自动样本需人工抽查验证，可通过GEE的交互式地图添加修正样本

4. 随机森林调参与训练：参数优化实战

GEE提供的smileRandomForest包含多个关键参数：

var classifier = ee.Classifier.smileRandomForest({ numberOfTrees: 300, // 树的数量 variablesPerSplit: 3, // 每节点考虑的特征数 minLeafPopulation: 1, // 叶节点最小样本数 bagFraction: 0.7 // 样本采样比例 }).train({ features: samples, classProperty: 'landcover', inputProperties: ['SR_B4','SR_B5','ndvi','bsi'] // 精选特征子集 });

参数优化建议：

• 树数量：100-500之间，超过后收益递减
• variablesPerSplit设为特征数的平方根
• 使用bagFraction防止过拟合

5. 精度验证与一键导出：闭环工作流

完整的分类流程必须包含精度评估。GEE提供完整的混淆矩阵计算：

var validation = classified.sampleRegions({ collection: groundTruth, properties: ['class'], scale: 30 }); print('用户精度', validation.errorMatrix('class','classification').consumersAccuracy());

导出结果时，建议选择GeoTIFF格式并设置合适分辨率：

Export.image.toDrive({ image: classified, description: 'Beijing_LULC_2023', region: roi, scale: 30, // 保持原始分辨率 fileFormat: 'GeoTIFF', maxPixels: 1e13 });

效率对比：云端vs传统方法

耗时实测数据（北京六环内区域）：

实际项目中，这套方法帮助某高校团队在一周内完成了京津冀城市群的土地利用制图，而传统方法预估需要两个月。当需要重新分类或调整参数时，GEE方案只需修改几行代码即可重新运行，而传统流程几乎要推倒重来。