基于GEE与Sentinel-2的自动化土地覆盖分类实践-AI智能范式网

基于GEE与Sentinel-2的自动化土地覆盖分类实践

美好发烧友

1. 项目背景与核心价值

最近在整理遥感影像处理的工作流时，发现很多同行都在问同一个问题：如何快速实现大范围土地覆盖分类？传统方法需要下载海量影像、配置本地计算环境，光是数据准备就能耗掉大半个月。而Google Earth Engine（GEE）这个云端地理空间分析平台，正好能解决这些痛点。

我在实际项目中用Sentinel-2（S2）数据做过多次土地分类，总结出一套可直接复用的代码框架。这个方案有三大优势：

直接调用GEE云端存储的S2 L2A级数据（大气校正后产品）
利用GEE分布式计算能力，处理全国范围影像只需几分钟
内置机器学习算法，从特征提取到分类训练全流程自动化

重要提示：使用GEE需要先注册开发者账号（免费），建议使用Chrome浏览器并安装Earth Engine插件

2. 数据准备与预处理

2.1 Sentinel-2数据筛选

在GEE中调用S2数据只需一行代码：

javascript复制var s2 = ee.ImageCollection('COPERNICUS/S2_SR_HARMONIZED');

但实际应用中需要添加多个过滤条件：

javascript复制var filtered = s2
  .filterDate('2023-01-01', '2023-12-31') // 时间范围
  .filterBounds(geometry) // 空间范围
  .filter(ee.Filter.lt('CLOUDY_PIXEL_PERCENTAGE', 20)) // 云量阈值
  .select(['B2','B3','B4','B8','B11','B12']); // 波段选择

波段选择经验：

必选波段：B4(红)、B8(近红外)用于计算NDVI
推荐组合：B11/B12(短波红外)对建筑/水体敏感
分辨率匹配：建议统一用20m分辨率波段

2.2 影像合成与增强

多时相影像中值合成能有效去除异常值：

javascript复制var composite = filtered.median()
  .clip(geometry);

添加常用指数特征：

javascript复制// NDVI计算
var ndvi = composite.normalizedDifference(['B8','B4']).rename('NDVI');
// NDWI计算
var ndwi = composite.normalizedDifference(['B3','B8']).rename('NDWI');

3. 分类模型构建

3.1 训练样本准备

GEE支持多种样本采集方式：

javascript复制var samples = ee.FeatureCollection([
  // 耕地样本
  ee.Feature(geometry, {'class': 0}),
  // 林地样本
  ee.Feature(geometry, {'class': 1}),
  // ...其他类型
]);

样本采集技巧：

使用GEE内置的全球土地覆盖数据辅助采样
每类至少50个样本点（建议100+）
通过stratifiedSample方法保证样本均衡

3.2 分类器训练

随机森林是最稳定的选择：

javascript复制var classifier = ee.Classifier.smileRandomForest(10)
  .train({
    features: samples,
    classProperty: 'class',
    inputProperties: ['B2','B3','B4','B8','B11','B12','NDVI','NDWI']
  });

参数调优建议：

树数量：10-100（复杂度与精度平衡）
变量重要性：通过explain()方法查看各波段贡献度
验证集划分：建议30%样本用于验证

4. 分类实施与后处理

4.1 执行分类

javascript复制var classified = composite.addBands([ndvi,ndwi])
  .classify(classifier);

4.2 结果优化

javascript复制// 多数滤波去噪
var smoothed = classified.focal_mode({radius: 3});
// 小斑块去除
var cleaned = smoothed.connectedPixelCount(100)
  .where(smoothed.lte(50), 0);

5. 常见问题解决方案

5.1 分类精度低

现象：验证集OA<80%
排查：
1. 检查样本代表性（通过sampleRegions导出样本统计）
2. 尝试添加纹理特征（GLCM）
3. 调整分类器参数（增加树深度）

5.2 计算内存溢出

报错：User memory limit exceeded

解决：

javascript复制// 分块处理
Export.image.toAsset({
  image: classified,
  description: 'batch_export',
  region: geometry,
  scale: 20,
  maxPixels: 1e13
});

5.3 时序分类不稳定

方案：
1. 使用qualityMosaic替代median
2. 添加季节性特征（如季度NDVI均值）
3. 采用时间序列分类器（如CART）

6. 完整代码框架

javascript复制// 1. 数据准备
var s2 = ee.ImageCollection('COPERNICUS/S2_SR_HARMONIZED');
var filtered = s2.filterDate(...).filterBounds(...);
var composite = filtered.median();

// 2. 特征工程
var ndvi = composite.normalizedDifference(['B8','B4']);
var features = composite.addBands([ndvi]);

// 3. 样本与模型
var samples = ee.FeatureCollection(...);
var classifier = ee.Classifier.smileRandomForest(10).train(...);

// 4. 分类与输出
var classified = features.classify(classifier);
Export.image.toDrive(...);

实际部署时发现，用clip替代filterBounds能减少边缘锯齿现象。另外建议将训练好的分类器保存到Asset，方便后续调用：

javascript复制// 保存模型
ee.batch.Export.table.toAsset({
  collection: ee.FeatureCollection(classifier),
  description: 'model_export',
  assetId: 'users/yourname/classifier_model'
});