GEE（CCDC-2）——根据以获取的研究区CCDC系数进行土地覆被分类分析

简介

根据研究区CCDC的土地分类影像和已选择的训练样本点，然后进行CCDC分割影像的获取和加载，这里相当于是进行CCDC的第二个部分，第一部分是获取长时序的多波段遥感应先给，第二部分是根据自己i的研究区和训练样本点获取指定区域的分类结果，本教程详细解释了第二部分应该注意的事项和如何添加自己的训练样本点，以及CCDCapp的详细教程。

CCDC APP

https://code.earthengine.google.com/?scriptPath=users%2Fparevalo_bu%2Fgee-ccdc-tools%3AAPPS%2Flandcover_app

在这个界面中我们可以在APP左侧实现逐个点的监测，主要实现的功能是我们可以点击任何一个点然后产看其变化突变情况。

 

研究数据导入 

对于区域面积的分析我们要进行右侧面板的使用，首先就是将我们在CCDC—1中下载好的文件，

GEE（ccdc-1）——利用Landsat系列影像获取研究区范围的多波段影像（包含ccdc中已经定义的多波段）-CSDN博客导入到上面的文件夹路径中，注意这里是单波段的影像，而这里预设的是影像集合，同时还有矢量集合的选项可供选择，所以我们需要进行修改，当然这里还提供了三种时间格式的选择，第一个是天，第二是年，第三是毫秒但闻的时间，根据自己所需要的进行选择，一般默认即可。

 分类参数选择

这里我们要进行分类器选择，这里提供了随机森林，支持向量机和欧氏距离三种分类器，然后再模型构建过程中，我们可以选择众多变量参与，这里根据自己的情况进行选择即可。

 

导出范围设定

这里我们可以选择多种方式进行研究区画法和规定，如果我们有自己的研究区的话，就可以选择featurecollection，然后根据自己的研究区范围来导出结果。同时我们还可以选择其它方法，单一瓦片和多瓦片叠加的方式进行输出范围选择。

 单一瓦片需要输入行列号和所在的州，这个网格介绍再上一节博客中进行了介绍

 感兴趣的点选取

多瓦片选择

 按照国家边界选择

按照生态区选择

 

将自己的assets的研究路径上传到此处，当你上传到此处后，地图上会自动显示你的研究区范围。

 

训练数据上传

这里我么可以看到最后训练数据的上传，首先就是训练数据策略，这里我们一般选择研究区指定的范围即可，然后上传我们的训练样本点路径，然后选择我们的分类属性名称，然后选择指定的训练样本点的年份。 

 

这里我们可以打印查看文中提供的原始样本点数据包括哪些，以方便我们上传正确的土地分类样本点，这里它包含了所有的波段和已选择的数据，当然还有属性信息，这里切记输入landcover作为分类的属性，也就是分土地分类中属性名称

var ss = ee.FeatureCollection('users/bullocke/ccdc/public/EastAfrica_Training_Example_Data')
 print(ss.limit(10))
 Map.addLayer(ss,{},'samples')

原始的样本点 

 

这里我们将自己研究区的样本点筛选好放进去，训练样本点的代码类似于下面的代码，然后将其导出到自己的Google资产中，然后填入上面的路径空格即可。

//在GEE中筛选好的样本点进行合并
var newfc = corp
                    .merge(grass)
                    .merge(building)
                    .merge(bare)
                    .merge(coniferious)
                    .merge(broadleaf)
                    .merge(mining);
//var training = ee.FeatureCollection(training)
print("newfc",newfc)

//CCDC SAMPLES/
// 添加指定的属性信息，这里这么做的主要目的就是能让软件读取你的信息，然后顺利的进行分类分割影像的监测。
var trainingData  = newfc.map(function(feat) {
  return feat.set('lc_numeric',feat.get('landcover'))})
  .remap([0,1,2,3,4,5,6],[1,2,3,4,5,6,7],'lc_numeric')
print(trainingData.limit(10))
// 添加时间属性
var trainingData  = trainingData.map(function(feat) {
  return feat.set('year',2022)})
print(trainingData.limit(10))
  
Export.table.toAsset({collection:trainingData, description:'hexinkuangqu'})

 在显示上这里还会有一个是否使用glance 土地分类的分类的图例构建你的分类结果

GlanCE 数据

Characteristics

Collection and Granule

Collection

Characteristic	Description
Collection	MEaSUREs GLanCE
DOI	10.5067/MEaSUREs/GLanCE/GLanCE30.001
File Size	~250 MB
Temporal Resolution	Yearly
Temporal Extent	2001-07-01 to 2019-07-01
Spatial Extent	Global
Coordinate System	Lambert Azimuthal Equal Area
Datum	World Geodetic System (WGS84)
File Format	GeoTIFF
Geographic Dimensions	Global

Granule

Characteristic	Description
Number of Science Dataset (SDS) Layers	7
Columns/Rows	5000 x 5000
Pixel Size	30 m

Layers

SDS Name	Description	Units	Data Type	Fill Value	No Data Value	Valid Range	Scale Factor
LC	Integer identifier for class in the current year	Class	8-bit unsigned integer	255	N/A	1 to 7	N/A
ChgDate	Estimated day of year of change; N/A if no change	Day	16-bit unsigned integer	32767	N/A	1 to 365	N/A
PrevClass