别再手动画样本点了！用GEE+随机森林，10分钟搞定北京2023年土地利用分类
10分钟自动化实现北京2023年土地利用分类：GEE与随机森林实战指南
遥感影像分类是地理信息科学中的基础任务，但传统方法中手动绘制样本点的过程往往令人望而生畏。想象一下，在ArcGIS或ENVI中反复点击鼠标数百次，只为获取足够的训练样本——这种低效方式早已不符合当今技术发展的节奏。本文将展示如何利用Google Earth Engine（GEE）平台和随机森林算法，在10分钟内完成从数据准备到精度验证的完整土地利用分类流程。
1. 为什么选择GEE+随机森林组合？
传统遥感分类工作通常需要下载大量影像数据到本地，消耗存储空间和计算资源。GEE彻底改变了这一模式，它提供了PB级的遥感数据在线访问能力，更重要的是内置了强大的地理空间分析功能。随机森林算法因其出色的分类性能和抗过拟合特性，成为遥感分类的首选方法之一。
两者的结合创造了惊人的效率：
- 无需数据下载：直接在云端处理TB级影像
- 自动样本分配：
sampleRegions函数一键生成训练集 - 并行计算优势：GEE分布式架构加速模型训练
- 参数优化简单：随机森林对超参数不敏感
// 初始化GEE API var ee = require('users/google/earthengine:ee');2. 数据准备与预处理
2.1 定义研究区域与时间窗口
北京作为快速城市化区域的典型代表，其土地利用变化监测具有重要意义。我们使用北京市行政区划作为研究区域边界：
var roi = ee.FeatureCollection("users/your_username/beijing_boundary"); Map.centerObject(roi, 9);选择2023年生长季（3-10月）的Landsat 9数据，这个时间段植被特征明显，有利于区分不同地类：
var startDate = '2023-03-01'; var endDate = '2023-10-01'; var L9 = ee.ImageCollection('LANDSAT/LC09/C02/T1_L2');2.2 影像预处理关键步骤
遥感影像预处理是保证分类精度的基础，主要包括三个核心环节：
- 辐射校正：将DN值转换为地表反射率
- 云掩膜：去除受云层影响的像元
- 指数计算：增强地物可分性
// 辐射校正函数 function applyScaleFactors(image) { var opticalBands = image.select('SR_B.').multiply(0.0000275).add(-0.2); return image.addBands(opticalBands, null, true); } // 去云函数 function rmL9Cloud(image) { var cloudBitMask = (1 << 3); var qa = image.select('QA_PIXEL'); var mask = qa.bitwiseAnd(cloudBitMask).eq(0); return image.updateMask(mask); } // 指数计算函数 function addIndices(image) { var ndvi = image.normalizedDifference(['SR_B5','SR_B4']).rename('ndvi'); var ndbi = image.normalizedDifference(['SR_B6','SR_B5']).rename('ndbi'); return image.addBands(ndvi).addBands(ndbi); }3. 自动化样本生成技术
3.1 样本点智能采集策略
传统目视解译需要手动绘制每个样本点，而GEE的sampleRegions方法可以自动从特征集合中提取像元值：
| 样本类型 | 数量 | 颜色代码 | 备注 |
|---|---|---|---|
| 水体 | 100 | #0000FF | 包括河流、湖泊 |
| 建筑用地 | 150 | #FF0000 | 城市建成区 |
| 林地 | 120 | #00FF00 | 森林和公园 |
// 合并样本点 var samples = water.merge(urban).merge(forest); // 自动采样 var trainingData = img.sampleRegions({ collection: samples, properties: ['landcover'], scale: 30 });3.2 训练集与验证集自动分割
GEE的randomColumn方法为每个样本添加随机数，实现数据集的自动分割：
// 添加随机数列 var splitData = trainingData.randomColumn(); // 70%训练集，30%验证集 var trainingSet = splitData.filter(ee.Filter.lte('random', 0.7)); var validationSet = splitData.filter(ee.Filter.gt('random', 0.7));提示：随机种子可以固定以保证结果可重复，只需在randomColumn()中添加seed参数
4. 随机森林模型构建与优化
4.1 分类器参数配置
随机森林在GEE中的实现非常简洁，主要参数包括：
numberOfTrees：决策树数量（通常200-500）variablesPerSplit：每棵树的特征子集大小minLeafPopulation：叶节点最小样本数
// 初始化分类器 var classifier = ee.Classifier.smileRandomForest(300) .train({ features: trainingSet, classProperty: 'landcover', inputProperties: img.bandNames() });4.2 分类结果可视化
不同地类使用标准假彩色显示方案：
var classified = img.classify(classifier); Map.addLayer(classified, {min:1, max:3, palette:['blue','red','green']}, 'Classification');5. 精度验证与结果导出
5.1 分类精度评估指标
完整的精度评估应包含以下指标：
- 总体精度（Overall Accuracy）
- Kappa系数
- 生产者精度（Producer's Accuracy）
- 用户精度（User's Accuracy）
// 验证集预测 var validation = validationSet.classify(classifier); // 混淆矩阵 var matrix = validation.errorMatrix('landcover', 'classification'); // 精度指标计算 print('Overall Accuracy:', matrix.accuracy()); print('Kappa Coefficient:', matrix.kappa());5.2 结果导出与后续应用
分类结果可以导出到Google Drive或直接作为GEE资产保存：
Export.image.toDrive({ image: classified, description: 'Beijing_LULC_2023', region: roi, scale: 30, maxPixels: 1e13 });在实际项目中，我们发现NDVI和NDBI的组合能有效区分植被和建筑区。当遇到分类混淆的情况时，可以尝试增加样本数量或引入纹理特征。整个流程从开始到完成不超过10分钟，相比传统方法效率提升显著。