GEE中遥感数据光谱特征，指数特征，纹理特征，树高特征提取融合随机森林分类代码

以下是使用GEE提取遥感数据光谱特征，指数特征，纹理特征，树高特征并进行融合随机森林分类的代码示例：

// 导入影像
var s2 = ee.ImageCollection('COPERNICUS/S2_SR')
              .filterBounds(geometry)
              .filterDate('2020-01-01', '2020-12-31')
              .sort('CLOUD_COVERAGE_ASSESSMENT')
              .first();

// 定义光谱波段
var bands = ['B2', 'B3', 'B4', 'B8', 'B11', 'B12'];

// 计算指数
var ndvi = s2.normalizedDifference(['B8', 'B4']);
var ndwi = s2.normalizedDifference(['B3', 'B8']);
var evi = s2.expression(
    '(2.5 * (b("B8") - b("B4"))) / (b("B8") + 6 * b("B4") - 7.5 * b("B2") + 1)'
);

// 计算纹理特征
var texture = s2.select('B8').glcmTexture();

// 导入高程数据
var dem = ee.Image('USGS/SRTMGL1_003');

// 计算树高
var treeHeight = ee.Image.cat(
  dem.select('elevation').subtract(s2.select('B11')).rename('treeHeight')
);

// 合并特征数据
var features = ee.Image.cat(s2.select(bands), ndvi, ndwi, evi, texture, treeHeight);

// 导入训练数据
var trainData = ee.FeatureCollection('users/username/training_data');

// 定义分类器
var classifier = ee.Classifier.randomForest(10);

// 训练分类器
var trainedClassifier = classifier.train({
  features: features,
  classProperty: 'class',
  inputProperties: features.bandNames()
}, trainData);

// 对影像进行分类
var classified = features.classify(trainedClassifier);

// 可视化分类结果
Map.addLayer(classified, {min: 0, max: 3, palette: ['blue', 'green', 'orange', 'red']}, 'Classification');

需要注意的是，在上述代码中，需要将`username`替换为你的用户名，并且在代码执行前需要先在GEE中准备好训练数据。