GEE监督分类全流程详解：从样本构建到精度验证的关键技术

做遥感的人，早晚都要过监督分类这一关。Google Earth Engine（GEE）把这扇门开得比别人都大——官方示例里三四十行代码就能出一张分类图，看起来相当唬人。但真正上手你就会发现，同样一套流程，换一个区域、换一景影像、换一套样本，精度可能直接从80%跌到60%，然后你就开始怀疑是不是分类器选错了，或者某个参数没调好。其实大多数问题都出在更前面：对"监督分类到底在算什么"这件事没理解透，样本准备和特征工程做得太糙。

这篇我就把GEE里的监督分类（Classification）从头到尾拆开讲：影像数据怎么准备、训练样本怎么采、特征怎么构建、三类主流分类器怎么用、精度怎么验，最后把我实际跑过的坑一并交代清楚。适合刚接触GEE的初学者，也适合那些已经抄过示例、但精度始终提不上去的朋友。

1. 先把监督分类的底层逻辑理清楚：GEE里的分类到底在算什么

1.1 监督分类的数学本质：从样本到决策边界

一句话版本：监督分类就是拿"已知答案"的样本去训练一个模型，然后用这个模型去预测"未知答案"的像素。每个像素在算法眼里只是一串特征值——比如Sentinel-2的12个波段，就是一个12维向量。你提供的训练样本，就是一堆"带标签的向量"。分类器要做的，是在这个多维特征空间里切出几块区域，让每一块尽量只包含同一个类别的样本。

打个比方：你想教小孩分辨苹果和橙子，不用给他描述"苹果皮是红的、橙子皮是橙的"这种规则，只需要给他一堆切好的水果、挨个告诉他哪个是苹果、哪个是橙子。孩子自己会总结出颜色、大小、纹理的规律。分类器也一样，给它足够多、足够准的带标签样本，它自己学出一套规则。这套规则写出来可能很抽象，比如"当波段B4大于0.3且B11小于0.1且……"，但这不重要，重要的是它能正确分类新像素。

理解这一点，你就能明白一个常被忽略的道理：分类器本身不是精度的决定因素，样本才是。样本里的错误和偏差，算法再怎么调参也救不回来。这就是典型的"Garbage in, garbage out"。我见过太多人在GEE里跑分类，一上来就盯着RandomForest的决策树数量、SVM的核函数调参，却不肯花时间好好整理样本，方向从一开始就跑偏了。

1.2 GEE分类的完整数据流水线

GEE里做一次监督分类，代码结构极其固定，几乎可以当成流水线模板：

// 1. 影像数据 var image = ...; // 2. 样本数据（带类别标签的FeatureCollection） var samples = ...; // 3. 在样本点位上提取影像特征 var training = image.sampleRegions({ collection: samples, properties: ['class'], scale: 10 }); // 4. 训练分类器 var classifier = ee.Classifier.smileRandomForest(100).train({ features: training, classProperty: 'class', inputProperties: image.bandNames() }); // 5. 预测全图 var classified = image.classify(classifier); // 6. 精度验证 var accuracy = training.classificationAccuracy();

后面所有花样，都是在替换或丰富这六个环节中的某几个：影像怎么选、样本怎么采、特征加不加、分类器用哪个、验证怎么做。把这行模板刻进脑子里，学GEE分类就不乱了。

需要提醒的是，上面的training.classificationAccuracy()是拿训练集自己验证自己，属于"开卷考试"，精度通常会虚高。正规做法是留出一部分样本不参与训练，专门用来验证。这块我放到第5节详细讲，算是很多人忽略的核心细节。

2. 训练样本的质量决定精度上限：样本采集与FeatureCollection构建

2.1 样本数量、纯度和均衡性，三条铁律

我自己的经验是，样本至少要满足三条：够多、够纯、够均衡。

够多，是指每一类最少要有几十个独立样本。别小看这个数字，GEE官方示例里经常用"30个点"这种演示数据，那是为了跑通流程，不是给你当精度标准的。我自己做一般每类100到300个样本起步。另外，"独立样本"很关键——相邻像素高度相关，你要是把一个大的水体面分割成几十个点，这些点的信息量其实就相当于几个点，训练和验证的时候都会造成精度虚高，看起来很美，实际一塌糊涂。

够纯，是说标注的像素必须"纯粹"。比如你要分水体，就找完全被水覆盖的像素，别找半水半岸的过渡带像素。分类器训练的是像素级特征，你给它一个五成水、五成岸的混合信号，它就只能学到一条模糊的决策边界，分类结果自然是一带糊一片。这个道理放之四海皆准：纯样本训练出来的分类器，边界清晰；混合样本训练出来的分类器，处处和稀泥。

够均衡，是指各类别样本量不要悬殊太大。做过二分类的人都有体会，负样本是正样本十倍，模型会本能地倾向把所有东西都判成负类。遥感分类一模一样：水体样本300个、建筑样本只有30个，最后建筑类别很可能被水体吃掉一截。这时候要么补建筑样本，要么做样本加权，要么分层抽样控制比例，总之不能让类别数量差距过于夸张。

2.2 从矢量到FeatureCollection：样本数据的准备细节

GEE里的训练样本本质是ee.FeatureCollection，每个Feature的属性里至少要有一个字段表示类别，比如class。值用整数（0、1、2……）还是字符串（'water'、'forest'）都行，但整数跑起来更省心，也更容易处理混淆矩阵的输出。

构建方式无非三种：

1. 直接在GEE的Code Editor里用画图工具画点或画多边形，再把geometry转成FeatureCollection；
2. 从本地上传Shapefile或GeoJSON到Assets，然后加载；
3. 用已有的公开分类产品当参照，通过规则筛选和随机撒点生成样本。

第三种方式在实操中用得最多。比如我要在某个区域做高精度土地利用分类，会先加载一个公开的粗略分类产品，按类别随机撒点，再人工抽查一部分点位确认无误后保留，作为训练样本。这比纯手工画点效率高得多，尤其适合大范围制图。

从geometry转FeatureCollection的写法：

// 假设你已经用画图工具画了两个多边形：水体采样区、植被采样区 var water = ee.FeatureCollection([waterPolygon]); var forest = ee.FeatureCollection([forestPolygon]); // 给每个Feature打上类别标签 water = water.map(function(f) { return f.set('class', 1); }); forest = forest.map(function(f) { return f.set('class', 2); }); var samples = water.merge(forest); Map.addLayer(samples, {color: 'blue'}, 'samples');

上传Shapefile的话，记得在导出时选WGS84坐标系，并带一个整型的类别字段。这个环节的坑很隐蔽：有人上传后忘记检查属性表，字段名带了个看不见的空格，训练时GEE直接报"Property does not exist"，查了半天才发现是字段名编码问题。所以样本一加载进来，先print(samples.limit(5))看一眼属性表，这是最低成本的排错方式。

2.3 训练集/验证集划分的正确姿势

样本集建好以后，第一件事不是拿去做训练，而是先切成训练集和验证集。切的方式要随机，最好还能兼顾空间分布——别让验证点和训练点挤在同一个图斑里，否则验证等于开卷考试。

实操中大多数人用randomColumn()随机分，简单够用：

// 加一列随机数，用固定种子保证结果可复现 samples = samples.randomColumn('random', 7); var trainingSet = samples.filter(ee.Filter.lte('random', 0.7)); var validationSet = samples.filter(ee.Filter.gt('random', 0.7)); print('训练样本数：', trainingSet.size()); print('验证样本数：', validationSet.size());

randomColumn的第二个参数是随机种子，固定它才能让每次运行的结果一致，否则你每次调参看到的精度波动都来自随机性，根本没法判断是参数变好了还是运气变好了。三七开、二八开都可以，关键是验证集从训练开始到精度评估结束都不能露面。

3. 特征工程：选波段、加指数、防过拟合

3.1 波段选择不是越多越好

很多新手拿到Sentinel-2，恨不得把二十多个波段全部塞进分类器。这么做不但精度未必提升，训练时间还翻了好几倍，甚至出现过拟合——分类器把训练样本里的噪声都背下来了，换一景影像就崩。

选波段的核心逻辑是：这些波段对你关心的类别有没有区分度。水体、植被、建筑、裸地这几个大类，用可见光加近红外基本就分得开了。水体在近红外波段吸收极强，植被在红边和近红外波段有典型高反射，建筑和裸地在短波红外上比较接近，需要靠指数或纹理辅助区分。

我的习惯是先做一个波段敏感性测试：每次只用一个波段训练一个快速分类器，看单波段精度，把精度明显偏低的波段踢掉。这比盲目堆波段科学得多，特别是在样本量不够大的时候，宁少勿多。

3.2 常用指数特征：NDVI、NDWI、NDBI

把波段组合成指数，本质上是对特征做了一次非线性变换，能放大类别之间的差异。水体和植被在原始波段上可能差别不算大，但NDWI（归一化水体指数）一算，水体的值显著高于其他地物，分类器一下子就有了"杀手锏"。

// 假设image是多光谱影像，B4红光、B8近红外、B3绿光、B11短波红外 var ndvi = image.normalizedDifference(['B8', 'B4']).rename('NDVI'); var ndwi = image.normalizedDifference(['B3', 'B8']).rename('NDWI'); var ndbi = image.normalizedDifference(['B11', 'B8']).rename('NDBI'); image = image.addBands([ndvi, ndwi, ndbi]);

加上这三兄弟之后，用sampleRegions提取特征时，分类器能用的特征就多了三个。这是GEE分类里性价比最高的特征增强方案，几乎零成本，收益却很实在。

3.3 特征太多反而翻车：维度灾难与相关性

特征越多越好这个直觉，在机器学习里经常不成立。假设你有30个特征，每个特征都带一点噪声，样本量又不够大，分类器在高维空间里很容易找到一条恰好分开训练样本的复杂边界，但这条边界对未知数据毫无泛化能力——这就是维度灾难。简单说，特征多了以后，模型学会了"背答案"，而不是"懂规律"。

实操经验：先用print(image.bandNames())看看当前影像里到底有哪些波段，再把强相关的波段酌情去掉一个，比如Sentinel-2的B8和B8A高度相关，留一个就行。PCA做主成分降维是更高级的做法，但对初学者我建议先别急着上，把指数加上、剔除强相关波段、跑通整个流程，等精度瓶颈卡住了再回头考虑PCA。

下面这个片段演示了如何把原始波段和指数一起定义成特征列表，后续分类和验证都用它，保证特征一致：

var bands = ['B2', 'B3', 'B4', 'B8', 'B11', 'NDVI', 'NDWI', 'NDBI']; // 提取训练特征时指定波段，而不是用image.bandNames()全选 var training = image.select(bands).sampleRegions({ collection: trainingSet, properties: ['class'], scale: 10 });

这里有个关键细节：sampleRegions时用的scale要跟影像分辨率匹配，Sentinel-2用10米，Landsat用30米。有人图省事不写scale，GEE会用影像默认分辨率，问题不大；但如果影像做了重采样，这里就必须显式指定，否则特征值的空间范围是错位的。

4. 分类器实战：RandomForest、SVM、CART的代码实现与调参

4.1 RandomForest随机森林：上手就能打的默认王者

RandomForest是我在GEE里用得最多的分类器，没有之一。它抗过拟合能力强，对特征尺度不敏感，不需要归一化，默认参数就能跑出不错的精度，特别适合遥感这种"特征杂、样本分布不完美"的场景。

var classifier = ee.Classifier.smileRandomForest({ numberOfTrees: 100, variablesPerSplit: null, // 默认取特征数的平方根 minLeafPopulation: 1, // 每个叶子节点最少样本数 bagFraction: 0.5, // 每棵树用多少比例的样本 outOfBagMode: true // 开启袋外误差估计 }).train({ features: training, classProperty: 'class', inputProperties: bands }); var classified = image.select(bands).classify(classifier, 'classification'); Map.addLayer(classified, classPalette, 'RandomForest 分类结果');

参数说明就两句：numberOfTrees从100加到500，精度提升通常很有限，训练时间却线性增长，默认100到250之间就够用了；minLeafPopulation如果结果图碎得像芝麻粒，可以调到5到10，让每个叶子节点多几个样本兜底，图面会干净不少。别迷信"参数越多越好"，随机森林真正吃功夫的地方在样本和特征。

4.2 SVM支持向量机：小样本高维特征的利器，但小心尺度

SVM在GEE里对应ee.Classifier.libsvm，擅长处理小样本、高维特征的问题。但它有一个遥感新手经常踩的大坑：SVM对特征尺度极其敏感。如果你的一个波段值域是0到1，另一个波段值域是0到10000，SVM会默认后者更重要，前者的信息基本被忽略。

// 先对特征波段做归一化到0~1 var min = image.select(bands).reduceRegion({ reducer: ee.Reducer.min(), geometry: roi, scale: 10, maxPixels: 1e9 }); var max = image.select(bands).reduceRegion({ reducer: ee.Reducer.max(), geometry: roi, scale: 10, maxPixels: 1e9 }); var imageNorm = image.select(bands).unitScale(min, max); var svm = ee.Classifier.libsvm({ kernelType: 'RBF', gamma: 0.5, // RBF核的宽度参数 cost: 10 // 惩罚系数 }).train({ features: training, classProperty: 'class', inputProperties: bands }); var svmClassified = imageNorm.select(bands).classify(svm, 'classification');

gamma和cost都要靠实验调。gamma太小，决策边界过于平滑；gamma太大，又会过拟合。cost是错分惩罚，越大越严格。说实话，SVM调参比随机森林麻烦，我不会一上来就推荐它，只有当样本量小、特征维度高、随机森林精度又不理想的时候才换SVM试。

4.3 CART决策树：快是快，但裸树容易过拟合

CART即分类与回归树，GEE里对应ee.Classifier.smileCart。它训练速度极快，结果可解释性最好，你能直接看到每层按哪个波段、哪个阈值切分。但裸决策树很容易过拟合，实际项目里很少单独用。

var cart = ee.Classifier.smileCart({ maxNodes: null, // 不限制节点数 minLeafPopulation: 5 // 叶子最小样本数，适当调大防止过拟合 }).train({ features: training, classProperty: 'class', inputProperties: bands });

minLeafPopulation调大是防止过拟合最直接的手段。不过说实话，在GEE里用CART更多是为了理解数据和做快速试验，生产级别的分类图，我还是建议随机森林或者SVM。CART真正的价值是告诉你"哪个波段最重要"——GEE里可以打印变量重要性，这个后面讲。

4.4 三类分类器对比与选型建议

我整理了一张实测对比表（同一组Sentinel-2样本，四分类，验证集独立评估），方便你直观选型：

我的默认建议：先用RandomForest跑通全流程，拿到一个基准精度；如果样本少、特征多，再试SVM；CART用来做探索性分析。这个策略省时间，也不容易踩坑。

变量重要性在GEE里可以这样看：

var importance = ee.Dictionary(classifier.explain()); print('变量重要性：', importance.get('importance'));

classifier.explain()输出的是一个字典，里面的importance字段就是各个特征的重要性排序。用这个结果反过来做特征筛选，比拍脑袋选波段靠谱得多。

5. 精度验证与分类后处理：别把初分类图直接拿去用

5.1 混淆矩阵的正确读法

分类图出来以后，第一件事不是看它好不好看，而是用事先留出的验证集做精度评估。核心工具是混淆矩阵，GEE里用errorMatrix计算。

// 在验证样本点位提取预测类别 var valPred = classified.sampleRegions({ collection: validationSet, scale: 10 }); // 计算混淆矩阵 var cm = valPred.errorMatrix({ actual: 'class', predicted: 'classification' }); print('混淆矩阵：', cm); print('整体精度：', cm.accuracy()); print('Kappa系数：', cm.kappa());

混淆矩阵的行是真实类别，列是预测类别，对角线是正确分类的个数。它透露的信息比一个整体精度数字多得多。举个例子，矩阵里"真实水体"那一行如果有很多样本被分到了"建筑"列，说明水体和建筑的光谱特征混叠严重，光调分类器没用，你得回去加特征或者补样本。

两个逐类别的指标必须会看：生产者精度（Producer's Accuracy）对应漏分误差，衡量"真实是A类的像素有多少被判对了"；用户精度（Consumer's Accuracy）对应错分误差，衡量"被分成A类的像素里有多少真的是A类"。一个类别的生产者精度低，说明漏分多；用户精度低，说明错分多。两者要放在一起看，单看哪一个都会被带偏。

5.2 分类后处理：众数滤波、小图斑剔除与面积统计

初分类图通常是"椒盐状"的，单个像素这里冒一个、那里冒一个，这在制图上是不能接受的。最轻量的降噪手段是focalMode，也就是众数滤波，用周围邻域里出现次数最多的类别替代中心像素：

var filtered = classified.focalMode({ radius: 2, kernelType: 'circle', iterations: 1 }); Map.addLayer(filtered, classPalette, '滤波后分类结果');

radius是滤波半径，单位是像素。半径太大，细小地物（比如窄河沟、小路）会被抹掉；半径太小，又压不住噪声。我一般从2开始试，结合你的研究区地物尺度调整。滤波前后对比一下，你会发现图面干净很多，精度通常也会有小幅提升。

面积统计是分类后最常见的应用，配合ee.Image.pixelArea()按类别汇总：

var areaImage = ee.Image.pixelArea().addBands(filtered); var areaStats = areaImage.reduceRegion({ reducer: ee.Reducer.sum().group({ groupField: 1, groupName: 'class' }), geometry: roi, scale: 10, maxPixels: 1e9 }); print('各类别面积：', areaStats);

pixelArea()会生成一个表示每个像素实际面积（平方米）的波段，按类别分组求和就得到了各类面积。注意scale必须跟分类影像一致，否则面积数值会偏差。结果除以10000就是公顷，除以1e6就是平方公里。

5.3 结果导出与可视化

分类结果存到你自己的Google Drive，用Export.image.toDrive，记得设置影像类型和坐标系：

Map.addLayer(filtered, classPalette, '最终分类'); Export.image.toDrive({ image: filtered.int16(), // 转成整型省空间 description: 'landcover_result', scale: 10, region: roi, maxPixels: 1e9, crs: 'EPSG:32650', // 替换成你研究区所在的UTM分带 fileFormat: 'GeoTIFF' });

classPalette是一个颜色列表，每个类别对应一种颜色。可视化调色板至少要以一区分，比如水体蓝色、植被绿色、建筑红色、裸地黄色，方便直观检查。

6. 踩过的坑与调优经验：这几个细节决定成败

6.1 样本不均衡：少数类被吃掉

我第一次做五分类的时候就吃过这个亏。当时建筑样本只标了不到30个，其他四类都上百，跑出来的结果显示建筑类别大面积缺失，绿地和水体向外扩张。看混淆矩阵才发现，真实建筑那一行的生产者精度只有45%，大部分被分到了裸地。后来我补标了80个建筑样本，重新训练，建筑的生产者精度立刻跳到82%。教训就一句话：先看混淆矩阵再归因，九成精度问题出自样本而非算法。

6.2 过拟合的典型症状与应对

如果你的训练精度高达98%，验证精度却只有65%，大概率过拟合了。这时候别急着换分类器，先做三件事：检查样本纯度，把跨类别边界上的模糊点删掉；减少冗余特征，用变量重要性挑出前五六个特征重新跑；把随机森林的minLeafPopulation调大，限制树的生长。我实测过，这三步组合拳通常能把验证精度拉回七八个点。

6.3 多时相合成的坑

做分类之前大部分人都会用median()合成一段时间的影像，比如夏季三个月的Sentinel-2中值合成。这个做法本身没问题，但农作物和落叶林在季节变化下光谱差异巨大——同一个农田像素，六月份是绿色作物，九月份已经收割变成裸土，中值合成可能得到一个"既不像作物也不像裸土"的光谱。这种像素不管分类器怎么调都很难分对。

我的建议是：分类之前先明确你的"分类时相"是什么。如果是夏季土地利用，就用夏季一景或较短窗口的合成；如果关心的是年内稳定地物（水体、不透水面），用全年合成反而更稳。时间窗口选得越贴合地物实际状态，分类精度越容易上去。

6.4 我给监督分类工作流的最终建议

如果你只记住一条工作流，我希望是这套：小区域快试、看混淆矩阵、补样本调特征、全图预测、滤波后处理、导出。先用一个几平方公里的子区域跑通全流程，精度达标了再扩大到整个研究区，这能省掉大量反复 Export 的时间。

我个人还有一个习惯：每跑一组实验，就在代码里固定随机种子、记录下样本数、特征列表和精度指标，形成一个简单的实验日志。别小看这个动作，调参最怕的不是参数不对，而是你不知道上一次的"好结果"是怎么跑出来的。

最后再分享一个小技巧：验证样本的采集，尽量采用随机分层抽样，保证每类都有足够验证点；分类完成后，把被错分的样本地块单独导出来快速看一眼影像对比，你能直观看到是哪几类在打架——这个可视化检查，往往比任何精度数字都更能告诉你下一步该往哪使劲。