GEE 随机森林算法代码

以下是使用 Google Earth Engine (GEE) 实现随机森林算法的示例代码：

// 导入 Landsat 8 表面反射率和地物类型数据集
var l8sr = ee.ImageCollection('LANDSAT/LC08/C01/T1_SR');
var landcover = ee.Image('ESA/GLOBCOVER_L4_200901_200912_V2_3');

// 定义ROI（感兴趣区域）
var roi = ee.Geometry.Polygon(
        [[[5.233154296875, 50.41633841101418],
          [5.233154296875, 49.95121990866204],
          [6.1944580078125, 49.95121990866204],
          [6.1944580078125, 50.41633841101418]]], null, false);

// 选择 Landsat8 数据集中的波段
var bands = ['B2', 'B3', 'B4', 'B5', 'B6', 'B7'];

// 定义一个函数，用于为每个像素添加一个类别标签
var addLandcover = function(image) {
  return image.addBands(landcover);
};

// 对 Landsat8 数据集中的每个影像执行函数
var landsat = l8sr.filterBounds(roi)
                  .filterDate('2018-01-01', '2018-12-31')
                  .map(addLandcover)
                  .select(bands.concat(['landcover']));

// 定义训练集和测试集
var training = landsat.sample({
  region: roi,
  scale: 30,
  numPixels: 5000
});

var testing = landsat.sample({
  region: roi,
  scale: 30,
  numPixels: 1000
});

// 使用训练集训练随机森林分类器
var classifier = ee.Classifier.randomForest(10).train({
  features: training,
  classProperty: 'landcover',
  inputProperties: bands
});

// 对测试集进行分类并评估精度
var classified = testing.classify(classifier);
var accuracy = classified.errorMatrix('landcover', 'classification');

// 输出分类精度
print('Accuracy:', accuracy);

这段代码中，我们首先导入了 Landsat 8 表面反射率和地物类型数据集，然后选择了 Landsat 8 数据集中的一些波段，定义了一个函数用于为每个像素添加一个类别标签，接着定义了训练集和测试集，使用训练集训练了一个随机森林分类器，并对测试集进行分类并评估精度，最后输出分类精度。