1. 京津冀土地利用分类实战入门
第一次接触Google Earth Engine（GEE）做土地利用分类时，我被它强大的云端计算能力震撼到了。不用下载海量遥感数据，直接在浏览器里就能完成从数据处理到模型训练的全流程。这次我们就用京津冀地区作为案例，手把手带你完成一个完整的随机森林分类项目。
京津冀作为我国重要的城市群，土地利用类型复杂多样。我们选用2023年的Landsat 9数据，因为它的空间分辨率（30米）和光谱特性非常适合中尺度土地利用分类。整个流程可以分为五个关键步骤：数据准备、样本采集、特征工程、模型训练和精度验证。最棒的是，所有操作都在GEE的云端完成，你的笔记本电脑再也不用担心跑不动大数据量了。
2. 数据准备与预处理
2.1 研究区与时间窗口设置
首先需要明确研究区域和时间范围。京津冀地区包含北京、天津和河北三个省级行政区，我们可以用GEE提供的行政区划数据来划定范围：
// 加载中国省级行政区划数据 var province = ee.FeatureCollection("users/cduthes1991/boundry/China_province_2019"); // 筛选京津冀地区 var beijing = province.filter(ee.Filter.eq('provinces','beijing')); var tianjin = province.filter(ee.Filter.eq('provinces','tianjin')); var hebei = province.filter(ee.Filter.eq('provinces','hebei')); // 合并三个区域 var roi = beijing.merge(tianjin).merge(hebei); Map.centerObject(roi, 7); Map.addLayer(roi.style({color:'red',fillColor:'00000000'}),{},'京津冀边界');时间窗口选择很关键，建议避开冬季（12月-2月）和雨季（7-8月）。我测试发现3-6月和9-10月的影像质量最好：
var startDate = '2023-03-01'; var endDate = '2023-10-01';2.2 Landsat 9数据处理
Landsat 9数据需要做三个预处理：辐射定标、去云和计算光谱指数。这三个步骤可以封装成函数链式调用：
// 辐射定标函数 function applyScaleFactors(image) { var opticalBands = image.select('SR_B.').multiply(0.0000275).add(-0.2); var thermalBands = image.select('ST_B.*').multiply(0.00341802).add(149.0); return image.addBands(opticalBands, null, true) .addBands(thermalBands, null, true); } // 去云函数 function rmL9Cloud(image) { var cloudBitMask = (1 << 3); var cloudShadowBitMask = (1 << 4); var qa = image.select('QA_PIXEL'); var mask = qa.bitwiseAnd(cloudBitMask).eq(0) .and(qa.bitwiseAnd(cloudShadowBitMask).eq(0)); return image.updateMask(mask); } // 光谱指数计算函数 function addIndices(image) { var ndvi = image.normalizedDifference(['SR_B5','SR_B4']).rename('ndvi'); var ndbi = image.normalizedDifference(['SR_B6','SR_B5']).rename('ndbi'); var mndwi = image.normalizedDifference(['SR_B3','SR_B6']).rename('mndwi'); return image.addBands(ndvi).addBands(ndbi).addBands(mndwi); }3. 样本点采集与处理
3.1 样本采集策略
样本质量直接影响分类效果。建议每类至少采集100个样本点，均匀分布在整个研究区。在GEE中可以通过手动绘制或导入已有样本：
// 示例：创建水体样本 var water = ee.FeatureCollection([ ee.Feature(ee.Geometry.Point([116.3, 39.9]), {landcover: 1}), ee.Feature(ee.Geometry.Point([117.2, 38.8]), {landcover: 1}), // 更多样本点... ]); // 建筑用地样本 var urban = ee.FeatureCollection([ ee.Feature(ee.Geometry.Point([116.4, 39.9]), {landcover: 2}), // 更多样本点... ]); // 林地样本 var forest = ee.FeatureCollection([ ee.Feature(ee.Geometry.Point([115.5, 40.2]), {landcover: 3}), // 更多样本点... ]);3.2 样本划分与平衡
样本需要随机划分为训练集（70%）和验证集（30%）。我建议使用stratifiedSplit保持各类样本比例：
// 合并所有样本 var samples = water.merge(urban).merge(forest); // 添加随机数列 var samples = samples.randomColumn('random'); // 分层抽样 var training = samples.filter(ee.Filter.lte('random', 0.7)); var validation = samples.filter(ee.Filter.gt('random', 0.7)); print('训练样本数', training.size()); print('验证样本数', validation.size());4. 随机森林模型构建
4.1 特征选择与模型训练
除了原始波段，我们加入NDVI、NDBI和MNDWI三个指数作为特征。随机森林的关键参数包括树的数量（300）、每棵树考虑的特征数（默认sqrt）：
// 准备特征图像 var features = img.select(['SR_B2','SR_B3','SR_B4','SR_B5','SR_B6','SR_B7', 'ndvi','ndbi','mndwi']); // 训练随机森林分类器 var classifier = ee.Classifier.smileRandomForest(300) .train({ features: training, classProperty: 'landcover', inputProperties: features.bandNames() }); // 执行分类 var classified = features.classify(classifier);4.2 分类结果可视化
为不同地类设置合适的颜色：
// 定义可视化参数 var visParams = { min: 1, max: 3, palette: ['blue', 'red', 'green'] }; Map.addLayer(classified, visParams, '分类结果'); Map.addLayer(foods, {color: 'yellow'}, '验证样本');5. 精度评估与结果导出
5.1 精度验证指标
使用混淆矩阵计算各项精度指标：
// 验证集预测 var validated = validation.classify(classifier); // 计算混淆矩阵 var confusionMatrix = validated.errorMatrix('landcover', 'classification'); // 输出精度指标 print('总体精度', confusionMatrix.accuracy()); print('Kappa系数', confusionMatrix.kappa()); print('用户精度', confusionMatrix.consumersAccuracy()); print('生产者精度', confusionMatrix.producersAccuracy());5.2 结果导出
分类结果可以导出到Google Drive或GEE Assets：
// 导出到Google Drive Export.image.toDrive({ image: classified, description: '京津冀土地利用分类', fileNamePrefix: 'LUCC_京津冀_2023', region: roi, scale: 30, maxPixels: 1e13, fileFormat: 'GeoTIFF', formatOptions: { cloudOptimized: true } });6. 常见问题与优化建议
在实际项目中，有几个容易踩的坑需要注意：
- 样本不平衡问题：如果某类样本过少，可以设置classWeights参数平衡各类权重
- 特征相关性：高相关性的特征会影响模型表现，可以用ee.Reducer.correlation()检查
- 过拟合问题：增加树的数量不一定能提高精度，建议通过交叉验证找到最优参数
- 季节性影响：可以尝试加入多时相数据提高分类精度
一个实用的技巧是在模型训练前对特征进行标准化：
// 特征标准化 var meanStd = features.reduceRegion({ reducer: ee.Reducer.mean().combine({ reducer2: ee.Reducer.stdDev(), sharedInputs: true }), geometry: roi, scale: 30, maxPixels: 1e13 }); var featuresScaled = features.map(function(image) { return image.subtract(meanStd.get('mean')).divide(meanStd.get('stdDev')); });7. 进阶扩展思路
完成基础分类后，还可以进一步：
- 后处理：使用ee.Kernel.square()进行多数滤波，消除小斑块
- 变化检测：比较不同年份的分类结果分析土地利用变化
- 精度提升：加入高程数据、夜间灯光数据等辅助特征
- 自动化：将整个流程封装为函数，方便应用到其他区域
比如加入DEM数据：
var dem = ee.Image('CGIAR/SRTM90_V4').clip(roi); var slope = ee.Terrain.slope(dem); var featuresWithDEM = features.addBands(dem).addBands(slope);
