GEE导入无人机遥感影像数据光谱特征，指数特征，纹理特征，树高特征提取融合随机森林分类代码

以下是一个基于GEE的无人机遥感影像数据光谱特征、指数特征、纹理特征、树高特征提取和融合随机森林分类的代码示例：

// 首先导入无人机遥感影像数据
var image = ee.Image('无人机遥感影像数据ID');

// 提取光谱特征
var bands = ['B1', 'B2', 'B3', 'B4', 'B5', 'B6', 'B7']; // 选择需要使用的波段
var spectra = image.select(bands); // 选择对应波段的像元值

// 计算指数特征
var ndvi = image.normalizedDifference(['B5', 'B4']); // NDVI指数
var evi = image.expression(
    '(2.5 * (nir - red)) / (nir + 6 * red - 7.5 * blue + 1)',
    {
        'nir': image.select('B5'),
        'red': image.select('B4'),
        'blue': image.select('B2')
    }
); // EVI指数
var indices = ndvi.addBands(evi); // 指数特征合并

// 计算纹理特征
var texture = image.reduceNeighborhood({
    reducer: ee.Reducer.stdDev(),
    kernel: ee.Kernel.square(5)
}); // 纹理特征

// 计算树高特征
var dem = ee.Image('地形数据ID'); // 导入地形数据
var slope = ee.Terrain.slope(dem); // 计算坡度
var aspect = ee.Terrain.aspect(dem); // 计算坡向
var canopyHeight = ee.Image('树高数据ID'); // 导入树高数据

// 特征融合
var featureStack = spectra.addBands(indices)
    .addBands(texture)
    .addBands(slope)
    .addBands(aspect)
    .addBands(canopyHeight);

// 导入训练样本
var training = ee.FeatureCollection('训练样本ID');

// 随机森林分类
var classifier = ee.Classifier.randomForest(10)
    .train(training, '类别属性');

// 应用分类器
var classified = featureStack.classify(classifier);

// 可视化分类结果
Map.addLayer(classified, {}, '分类结果');

需要注意的是，代码中的数据ID、训练样本ID等需要根据实际情况进行替换。另外，代码中的随机森林分类器参数可以根据情况进行调整，以达到更好的分类效果。