​

var roi = pie.FeatureCollection("user/qianyouliang/chengguan").first().geometry();//调用上传的矢量边界数据
Map.centerObject(roi, 12);//显示界面定位至研究区，放大等级为12级
Map.addLayer(roi, { color: "red", fillColor: "00000000", width: 2 }, "研究区范围");//可视化研究区范围，边界颜色为红色，填充值透明，线宽为2

​

var bands = ['B2','B3','B4','B8'];//选择影像数据的四个波段，以此为B、G、R、NIR
var image = pie.ImageCollection("S2/L1C")//选择Sentinel2_L1C影像作为数据源
                                .filterBounds(roi)//选择与矢量边界相交区域的影像
                                .filterDate("2020-3-1","2020-9-1")//选择拍摄时间在2020年3-9月份之间的影像
                                .filter(pie.Filter.lt("cloudyPixelPercentage", 5))//选择云盖量小于5%的影像
                                .select(bands)//从中选择我们需要的四个波段
                                .mosaic()//将符合以上条件的影像进行拼接
                                .clip(roi);//根据矢量边界裁剪影像，使其轮廓与矢量边界一致
                                
Map.addLayer(image.select(["B4","B3","B2"]),{min:0,max:3000},"待分类影像");//以真彩色的方式可视化我们选择的影像，其中最大值最小值为像元值，不同的数据类型下值也不同。“待分类影像”为图层名

​

print(image)

​

var points = pie.FeatureCollection('user/qianyouliang/train_samples/chengguanpoint1');//导入样本点
Map.addLayer(points,{ color: "green"},"样本点");可视化样本点，颜色为绿色

var sampleFeatureCollection = image.sampleRegions(points, ["type"],10, "", "", true);

var sampleFeatureCollection = sampleFeatureCollection.randomColumn("random");//建立随机数字段
var sampleTrainingFeatures = sampleFeatureCollection.filter(pie.Filter.lte("random", 0.7));//以随机数字段划分训练集，lte代表(less than or equal)小于等于。过滤掉小于等于0.7的作为训练集
var sampleTestingFeatures = sampleFeatureCollection.filter(pie.Filter.gt("random", 0.3));//以随机数字段划分测试机，gt(greater than) 大于，过滤掉大于0.3的作为测试集

var classifer = pie.Classifier.rTrees().train(sampleTrainingFeatures, "type", bands);//
var class_image = image.classify(classifer).focal_min(2).focal_max(2);// 分类后处理：平滑影像，进行开闭运算剔除噪声影响.进行滤波运算
print("image_class",class_image);//输出分类影像的信息

​

// 评估训练样本的精度.
var checkM = classifer.confusionMatrix();//计算训练样本的混淆矩阵
print("混淆矩阵：",checkM);//输出混淆矩阵
print("训练矩阵-ACC系数：", checkM.acc());//输出ACC系数
print("训练矩阵-Kappa系数：", checkM.kappa());//输出Kappa系数

// 评估验证样本的精度.
var predictResult = sampleTestingFeatures.classify(classifer, "classification");//利用训练好的模型在测试集上进行预测
var errorM = predictResult.errorMatrix("type", "classification");//计算误差矩阵
print("验证矩阵-ACC系数：", errorM.acc());//输出测试集ACC系数
print("验证矩阵-Kappa系数：", errorM.kappa());//输出测试集Kappa系数

​

var data = {
    title: "土地利用分类图例",
    colors: ["#3fc412","#328217","#c9f297","#003300","#00B3FF","#f2f3dd"],
    labels: ["耕地", "林地", "草地", "人造地表","水域","其他土地"],
    step: 1, // 将每个单位色块均分为1个
    isvertical: false
};//配置图例内部的内容

var style = {
    right: "100px", // 图例框的右侧与屏幕最右端的距离
    bottom: "10px", // 图例框的底侧与屏幕底端的距离
    height: "100px", // 图例框的纵向高度
    width: "340px" // 图例框的横向长度
};//配置图例的布局

var legend = ui.Legend(data, style);//根据我们设置的参数实例化一个图例对象
Map.addUI(legend);//将该图例对象加入到页面UI中

​

// 分类结果显示
var visParam = {
        opacity: 1,
        uniqueValue: '1,3,4,5,7,8',//分类type值，根据分类结果的值进行配色
        palette: '#3fc412,#328217,#c9f297,#003300,#00B3FF,#f2f3dd'
    };
//加载分类后处理结果
Map.addLayer(class_image, visParam, "class_image");//使用上面的配色方案将分类结果可视化

​

let types = [1,3,4,5,7,8];//配置像元值
for (let i=0; i<types.length; i++) {
    let areaImage = pie.Image().pixelArea().multiply(class_image.eq(types[i]));//按类型提取分类影像中像元值为i的地物像元，并统计其面积；即提取各类别地物所占面积
    let data = areaImage.reduceRegion(pie.Reducer.sum(), roi, 30);//以30m分辨率提取盖类地物的面积，分辨率越高，输出速度越慢
    class_image = class_image.set("class_"+types[i], data.get("constant"));//以"class_"+types[i]为属性名，data.get("constant")为属性值，将各类地物的面积作为分类影像的属性字段。
}
print("imageclass",class_image);//输出分类影像，查看其属性

​

class_image.getInfo(function(data) {
    let properties = data.properties;
    let xValues = [];
    let yValues = [];
    let labels = [
        "耕地","林地","草地","人造地表","水体","未利用土地"
    ];
    for (let i=0; i<types.length; i++) {
        xValues.push(labels[i]);
        yValues.push(parseFloat((properties["class_"+types[i]]/1000000).toFixed(2)));//toFixed(n)中参数表示保留n位小数
    }
    let chart = pie.UI.Chart.PIEArray.values({
        array: yValues,//以地物面积作为饼图值
        axis: 0,
        xLabels: xValues//以地物类别作为标签
    });
    chart = chart.setChartType("pie")//图例类型为饼图
        .setSeriesNames(xValues)//以地物类别作为标签
        .setOptions({
            title: {
                name: "地物分类面积"//饼图标题
            },
            xAxis: {
                name: "土地类型"
            }
        });
    print(chart);//在任务栏打印出饼图
});

​

Export.imageToCloud({image:class_image,//选择需要导出的影像
                    description:"ExportToCloud",//任务名称设置，可自定义
                    region:roi,//导出范围为自定义研究区roi
                    scale:30})//导出分辨率为30m，太高可能导致导出失败，个人算力有限

​

​