作为一个常年跟遥感数据打交道的人我一直觉得土地利用分类是很多研究和工作的大前提你连一块地上长的是什么、被用来干什么都说不清楚后面谈生态评价、城市扩张、耕地监测、碳汇估算就都是空中楼阁。而GEEGoogle Earth Engine的出现把这件原本需要“下载影像—本地拼接—剪裁—分类—验证”的繁琐流程直接搬到了云端。只要浏览器能打开就可以处理整个省甚至全国的遥感影像。今天我就用监督分类这个最常见的路子完整走一遍土地利用分类的流程把里面的门道和踩过的坑一并讲清楚。这篇内容适合刚接触GEE不久、对遥感分类有基本概念但没系统跑通过完整流程的人也适合已经在本地用ENVI、ArcGIS做过分类、想搬到云端提升效率的从业者。我会直接给可运行的代码、每一步的思路解析、以及我实际测试中反复琢磨出来的参数和避坑经验争取让你看完就能自己上手跑出一个像样的分类结果。1. 整体设计思路为什么在GEE里做监督分类最顺手1.1 监督分类和它的两个兄弟遥感影像分类本质上就是一个“像元归属”问题每个像素都有几十上百个波段的反射率值我们要根据这些值的组合判断它属于“水体”“林地”“建筑”“农田”中的哪一类。分类方法大致分三派监督分类、非监督分类、基于规则/指数的方法。非监督分类如ISODATA、K-Means全靠算法自己从数据分布里找聚类优点是省人工缺点是你得事后给每一类“起名字”而且聚类结果往往和真实地类对不上。基于指数的方法如NDVI阈值划分植被/非植被简单直接但只擅长一两类地物的分离做不到真正的多类别土地利用制图。监督分类则是“先学习、再预测”我先人工圈出一批我非常确信的样本点比如我明确知道这块像素是水面那块是屋顶然后把这些带标签的样本喂给分类器常见的有随机森林、CART决策树、SVM支持向量机分类器在光谱特征空间里学出一套判别规则最后把规则应用到整幅影像上给每一个像素打上类别标签。这也是这三派里最容易上手、精度最稳、最不依赖人工调参的路线。在GEE里做监督分类还有一个其他平台比不了的巨大好处不需要把影像下载到本地。传统本地路线是先把Landsat或Sentinel影像下载下来拼接、裁剪、大气校正再导入ENVI或者ArcGIS里做样本勾绘和分类。这一套流程耗时极长而且本机硬盘和内存就是天花板处理一个大区域经常直接卡死。GEE把影像数据、计算资源、算法库都放在云端你只需要写几十行JS代码几百万公顷的区域也能几分钟内出结果而且所有历史存档数据都在服务器上不需要自己找数据源。1.2 我用GEE做分类的固定套路经过几次实际项目测试我自己总结了一套比较稳定的监督分类流程后面整个文章的脉络也会按这个来确定分类体系和类别数先想清楚分出哪几类每一类的光谱特征是否可区分筛选合适的数据源和时段合成一个少云、时相一致、光谱信息完整的影像集合构建训练和验证样本这是最需要耐心的部分样本质量几乎决定结果上限选择分类特征不仅是原始波段还要加入NDVI、NDWI等地学指数甚至地形特征训练分类器与精度验证用随机森林训练并做混淆矩阵分析后处理与可视化导出用众数滤波去掉椒盐噪声最后导出GeoTIFF用于后续分析。这个流程每一步改起来都不是孤立的前面样本选得烂后面分类器再强也救不回来这是我在实操里最深的一个感受。2. 监督分类的核心原理与参数选择2.1 随机森林入门为什么我首选它GEE的smile分类器库里有随机森林Random Forest、CART、SVM、朴素贝叶斯等多个分类器我90%的情况下首选随机森林。随机森林的底层思想是“三个臭皮匠顶个诸葛亮”它不是训练一棵决策树而是用bootstrap抽样有放回随机抽样产生多份子样本每份子样本训练一棵树同时每次分裂时只随机挑选一部分特征参与最优切分。最终分类时所有树投票票数最多的类别胜出。这种集成机制有效降低了单棵树的过拟合风险对数据噪声和波段间相关性很稳健。你不需要手动做特征归一化不需要太担心参数灾难几乎开箱即用。我实测同样的样本CART往往会出现分类结果支离破碎的情况SVM在小样本时效果不错但超大区域推理耗时很长随机森林是精度、鲁棒性、速度三者平衡最好的选择。在GEE里训练一个随机森林分类器只需要一行核心代码var classifier ee.Classifier.smileRandomForest({ numberOfTrees: 100, minLeafPopulation: 1, bagFraction: 0.5, seed: 42 });这里numberOfTrees我一般取100不是越大越好。我对比过50、100、200、500棵树的结果100到200之后精度提升基本可以忽略但计算时间却明显拉长。minLeafPopulation是叶节点最小样本数默认1就行如果训练样本足够多可以设成5稍微限制一下树的成长避免过拟合。bagFraction设为0.5表示每棵树只用50%的样本来训练这是随机森林的默认方式保证树与树之间有足够的差异。2.2 特征工程别只知道往分类器里塞波段很多人刚开始做分类就只把影像的RGB波段或者多光谱原始波段丢进去训练效果往往一般。我踩过这个坑之后才意识到特征工程在遥感分类中的重要性。所谓“特征”就是喂给分类器的每一维输入。对于Landsat 8除了Blue、Green、Red、NIR、SWIR1、SWIR2这6个原始波段我还会加入一批派生特征NDVI归一化植被指数用来重点区分植被与非植被NDWI归一化水体指数用来锁定水体MNDWI改进型水体指数对建筑干扰下的水体识别更友好BSI裸土指数对裸地和低植被覆盖区域敏感以及常见的大气顶部反射率各波段的比值或差值用于强化松林地、裸岩和建设用地之间的微小差异。为什么加这些特征有用因为原始波段反映的是绝对反射率容易受大气、光照、地形阴影影响而指数通过波段间的比值运算把光照的乘性干扰给约掉了一部分更稳定地反映地物的物理属性。比如同一块森林在阳坡和阴坡的绝对反射率差异很大但NDVI差异就小得多。把这些特征合成一个多波段影像是用ee.Image.addBands完成的var features image .addBands(image.normalizedDifference([NIR, Red]).rename(NDVI)) .addBands(image.normalizedDifference([Green, SWIR1]).rename(NDWI)) .addBands(image.normalizedDifference([Green, SWIR2]).rename(MNDWI)) .addBands(image.expression(((SWIR1 Red) - (NIR Blue)) / ((SWIR1 Red) (NIR Blue)), { SWIR1: image.select(SWIR1), Red: image.select(Red), NIR: image.select(NIR), Blue: image.select(Blue) }).rename(BSI));不过我也要提醒一句特征不是越多越好过于冗余的特征反而会让分类器学到噪声。一般我的习惯是原始波段加上NDVI、NDWI、MNDWI、BSI总共10个左右的特征维度就够了。如果你处理的是山地复杂区域还可以用GEE的ee.Terrain计算高程和坡度作为附加特征对区分阴影植被和裸岩很有帮助。2.3 样本设计分类精度的隐形天花板这大概是整个监督分类流程里最不该马虎的一环但却是最容易翻车的地方。我见过有人随便点几个点就跑分类出来的结果跟马赛克一样然后反过来怪算法不行。样本设计有几个铁律。第一每类样本数量不能太少我一般每类至少50个样本点宁多勿少。第二每类样本必须在空间上覆盖该类的典型光谱变化范围。比如“林地”这一类不能只在山脊线采山谷、阴坡、阳光直射坡都要有否则分类器只知道山脊线那片“林地”长什么样山谷里的真实林地就被漏分了。第三样本要均匀分布在研究区内不能扎堆在某个局部区域这会直接导致模型在空间上过拟合。在GEE里勾样本有两种常用方式。一种是直接用Map界面手动添加点通过几何图形图层的Drawing工具我一般把每一类建一个FeatureCollection给每个样本点赋予class值和className属性像这样var classNames [水田, 旱地, 林地, 草地, 建设用地, 水体]; var trainingSample waterField.merge(dryField).merge(forest).merge(grass).merge(building).merge(water);另一种方式是“目视解译采样结合”先用高分辨率影像如高分二号、天地图影像作为底图参考它去影像上定位纯净像元来打点。GEE的底图默认自带卫星影像分辨率在部分区域已经足够你找到一块非常纯的建筑屋顶或池塘水面。2.4 GEE里跑通一次分类的最小代码骨架在正式开始分步实操之前我先给一个最小可运行的骨架让心里有个整体概念。因为我下面要讲的每个步骤都会基于这个骨架展开你只要把研究区边界roi替换成自己的矢量就行var roi ee.FeatureCollection(users/your_username/your_region); var startDate 2023-01-01; var endDate 2023-12-31; var l8 ee.ImageCollection(LANDSAT/LC08/C02/T1_L2) .filterBounds(roi) .filterDate(startDate, endDate) .filter(ee.Filter.lt(CLOUD_COVER, 10)) .map(applyScaleFactors); var image l8.median().clip(roi); var features image.addBands(ndvi).addBands(ndwi); var training samplePoints.sampleRegions({ collection: samplePoints, properties: [class], scale: 30 }); var classifier ee.Classifier.smileRandomForest({numberOfTrees: 100}).train({ features: training, classProperty: class, inputProperties: features.bandNames() }); var result features.classify(classifier);这里的applyScaleFactors是我自定义的缩放函数因为Collection 2 Level-2的反射率数据默认要乘以0.0000275才能变成实际反射率值后面我会专门解释。3. 完整实操流程从数据准备到分类结果输出3.1 数据源选择与预处理选择数据源是决定分类细节的关键一步。Landsat 8/930米分辨率适合大范围、中尺度的土地利用分类比如一个县、一个地级市。Sentinel-210米分辨率适合需要更细碎地物边界的区域比如城市内部土地利用、小农破碎地块。推荐的处理方式是大范围用Landsat小范围和复杂地块用Sentinel-2。今天演示我以Landsat 8 Collection 2 Tier 1 Level-2为例因为Level-2已经是地表反射率产品不需要你手动做大气校正而且GEE里直接调用非常方便。代码中的applyScaleFactors指的是处理Collection 2特有的缩放因子function applyScaleFactors(image) { var opticalBands image.select(SR_B.).multiply(0.0000275).add(-0.2); var thermalBands image.select(ST_B.*).multiply(0.00341802).add(149.0); return image.addBands(opticalBands, null, true) .addBands(thermalBands, null, true); }实际上Collection 2 Level-2产品官方给出的缩放是反射率乘以0.0000275然后加上-0.2。这个-0.2的偏移量主要是为了处理部分负值保证其物理合理性。这一步不做或者做错了后面所有基于反射率的指数计算全部失真分类精度直接崩掉。然后是影像合成。我习惯按年合成因为土地利用分类看重的是全年的综合覆盖状态单时相影像会被季节性作物光谱搞乱。比如一块地在8月是水稻田在12月是收割后的裸地你单拿12月影像就会把它分成裸地。合成方式是取年内所有影像按像元取中位数median中位数能有效去除云和云影异常值。如果你想聚焦夏季地物状态也可以只选6到9月的影像合成。时间范围不要选得太长我一般就用目标年份的当年影像。太长的时段会导致地物已经发生真实变化但这种变化正是我们做土地利用现状调查时想要规避的干扰。3.2 分类体系设定与样本采集实操分类体系直接决定你的结果有什么使用价值。最简单的分成林地、草地、耕地、建设用地、水体、裸地六类已经能满足绝大多数宏观分析。如果项目要求更细比如要区分水田和旱地或者要区分常绿林和落叶林那么你在样本采集阶段就必须保证这两类有足够清晰的样本差别否则会让分类器崩溃。我在GEE里的样本采集习惯是把每一类别单独放到一个Geometry图层里用多边形或者点的方式逐类采集。有人会用“面样本”即在典型区域内画一个多边形然后把多边形内所有像元都作为样本。这个效率更高但要非常小心——你的多边形边界必须避开水体边缘、建筑阴影、混合像元否则会把不纯的像元也当成训练样本。我自己的习惯是“点为主、面为辅”先用点状样本覆盖光谱变化再用一些小范围面样本补充代表性。这里我给你一个我常用的采样策略样例水田找图像上纹理平滑、边界清晰、位置低平的田块沿田块中心区域均匀打点避开田埂和沟渠旱地找有明显垄沟纹理的地块兼顾不同墒情下颜色深浅不同的地块林地按阴坡和阳坡分别采样天然林和人工林也尽量都覆盖建设用地重点采集大片屋顶、道路、停车场等光谱特征明确的地块避免采集到零散的小房子混合像元水体采水库中心、河流宽河面、坑塘不采细支流因为支流宽度低于一个像元时会出现混合光谱裸地采工地裸土、河滩沙地、裸露岩石覆盖不同颜色的土。打点数量我一般控制在每类60到120个总样本500个左右。不要以为样本越多越好超过1000个以后边际收益就非常低了反而增加你的人工标注成本。样本打完以后我可以快速用Map.addLayer查看一下点位的空间分布确保没有明显扎堆或空缺。这一步虽然简单但异常重要特别是做区域级分类时如果某个地类在影像边缘部位没有样本分类器在边缘部位的预测很容易失控。3.3 训练样本光谱特征预处理这一步的核心是提取训练样本点对应位置的特征值供分类器学习。GEE的sampleRegions方法会自动把每个样本点落到对应的像元上然后把该像元在所有特征波段上的取值提取出来生成一张“特征表”。这里需要重点关注的是scale参数的设置。sampleRegions取样时的scale必须与你的数据分辨率一致。Landsat是30米Sentinel-2如果是10米就填10。如果填错了比如Landsat数据你填了10GEE会按10米的空间分辨率去重采样取样虽然它也能出结果但取到的光谱值可能来自与原始像元不同的邻居混合影响样本代表性。我也习惯在训练前对样本做一步“清洗”就是把特征值中存在异常值的样本去掉。做法很简单用训练表的基本统计信息查看每个波段的最小值、最大值如果有样本点在某个波段出现极端负值或异常高的值比如超过了有效反射率范围0到1大概率是云或热异常的残留像元直接过滤掉。var training samplePoints.sampleRegions({ collection: samplePoints, properties: [class], scale: 30 }); training training.filter(ee.Filter.gte(NDVI, -0.5)) .filter(ee.Filter.lte(NDVI, 1)) .filter(ee.Filter.gte(B2, -0.1)) .filter(ee.Filter.lte(B2, 1.2));这个清洗看起来不起眼但有时候能给你带来3到5个百分点的精度提升。因为分类器拟合的是一个光滑的决策曲面极端离群值会严重扭曲曲面走向。3.4 训练与验证的精确操作有了特征表后我一般会把样本随机分成两份70%做训练30%做验证。这步很关键GEE里我们是先训练、再抽取验证样本去验证而不是先随机分离。我直接给你一个通行的操作模板var training samplePoints.sampleRegions({ collection: samplePoints, properties: [class], scale: 30 }); var classifier ee.Classifier.smileRandomForest({ numberOfTrees: 100 }).train({ features: training, classProperty: class, inputProperties: features.bandNames() }); var result features.classify(classifier);这样跑完之后训练精度可能会非常好看因为随机森林对训练数据拟合能力强但训练精度不是说给你听的真正的裁判是验证数据集。用验证样本去测试未见过数据的分类效果才算触及真实精度。要算验证精度你需要额外留一部分样本不参与训练或者用另一个独立采集的验证样本集。在GEE里一般的做法是var split training.randomColumn(split, 42); var trainSet split.filter(ee.Filter.lte(split, 0.7)); var valSet split.filter(ee.Filter.gt(split, 0.7)); var classifier ee.Classifier.smileRandomForest({ numberOfTrees: 100 }).train({ features: trainSet, classProperty: class, inputProperties: features.bandNames() }); var valClassified valSet.classify(classifier); var confusionMatrix valClassified.errorMatrix({ actual: class, predicted: classification }); print(验证精度矩阵, confusionMatrix); print(总体精度, confusionMatrix.accuracy()); print(Kappa系数, confusionMatrix.kappa());别小看randomColumn的seed参数它保证每次运行都生成相同的随机划分这对后续复现结果非常重要。3.5 分类结果的后处理与可视化分类结果刚出来时往往有大量“椒盐噪声”——个别像元是异物类别的孤立点。原因是单个像元的光谱很容易受到噪声、混合像元的影响。GEE里的常用处理方式是做聚焦众数滤波focalMode。虽然这会造成地物边界轻度平滑但视觉和制图效果会好非常多。我的使用比例是先跑一个半径为3像素的圆形核的focalMode然后配合减少多边形碎片的方式再做一次聚类消除connectedComponents size过滤。var classified result.connectedComponents({ connectedness: 8, maxSize: 256 }); var areaCount classified.select(labels).reduceConnectedComponents({ reducer: ee.Reducer.countEvery() }); var filtered classified.updateMask( areaCount.gte(10) );步骤解释connectedComponents会把相邻且类别相同的像元聚成连通组reduceConnectedComponents计算每个连通组的面积像元个数最后把面积小于10个像元的小碎块mask掉。这个操作比单独focalMode更能保留细长地物边界同时有效消除碎片。然后设置一个类别调色板并添加到地图上var palette [ #a6ca24, // 水田 亮绿 #e6b422, // 旱地 黄 #1a5e1a, // 林地 深绿 #cfeca1, // 草地 浅绿 #cb2c2c, // 建设用地 红 #2d6bdb // 水体 蓝 ]; Map.addLayer(filtered, {min: 0, max: 5, palette: palette}, 土地利用分类结果);如果还要导出结果直接Export.image.toDrive导出为GeoTIFF这样后续交给ArcGIS或QGIS做专题图、面积统计都很方便Export.image.toDrive({ image: filtered, description: LandUse_Classified, folder: GEE_Export, fileNamePrefix: landuse_2023, region: roi, scale: 30, maxPixels: 1e13 });4. 常见问题与排查技巧实录4.1 分类结果全是“噪点”或“斑块”最常见的原因是分类特征太少或样本质量不高。如果你只用了RGB三个可见光波段很多地物特别是建设用地和裸土在可见光区间近乎重合分类器只能靠运气猜结果就是一块块杂色。解决方案把SWIR波段和NDVI、MNDWI加进来。SWIR波段对植被含水量、建筑物材质非常敏感是区分建设用地和裸地的利器。如果加了特征还是“花”那就要检查样本了。我建议你直接在地图上把样本点渲染出来检查是否和底图吻合是否存在样本点落到了云影、山体阴影里。4.2 水体大面积漏分或误分水体漏分很多时候是MNDWI没用上或者影像合成时用了太多含云影像里被云影覆盖的区域。云影和山体阴影在水域里和水的光谱很像你把它们都分成水体或者都漏掉都有可能。如果是山体阴影加入地形特征坡度和高程后能大幅改善如果是云影可以给合成前的影像先做一遍云掩膜而不是完全依赖中位数合成。4.3 抽样样本数量很大但训练精度居高不下这是典型的“空间自相关”问题。如果样本点之间距离太近比如采样时在一块几百米的田里打了一堆点这些点共享相同的光谱背景训练精度自然虚高验证样本因为来源相近也会虚高但一到真实空间上泛化就崩。解决的思路只有一个让样本点之间有足够空间间隔。我一般用最小距离控制法——点采完以后用ee.FeatureCollection的distance运算检查任意两个样本点之间是否小于一定距离比如Landsat是150米如果小于就把其中一个删掉。这个操作虽然繁琐但能显著提高模型的泛化能力。4.4 分类结果面积与真实情况差异明显这往往是混合像元导致的。每个像元30米×30米如果地类是碎块分布的比如农村里的零星树林、城市里的小花坛这些像元本身就是混合光谱分类器无论多强都会误分。你需要先评估研究区的地块破碎程度。这个问题的缓解方式有两种第一如果你的研究区是城区或复杂地形直接换用Sentinel-2的10米数据第二在分类时加入纹理特征比如灰度共生矩阵GLCM里的Contrast、Entropy纹理特征对平滑地物和粗糙地物的区分有奇效。在GEE里可以通过glcmTexture方法快速生成var texture image.select(B2).glcmTexture({size: 3, average: true});然后把这些纹理波段作为特征一并发给分类器。这个操作每次必效强烈推荐。4.5 导出GeoTIFF后颜色跟地图上不一致这是新手特别容易疑惑的问题。地图上的分类结果之所以有颜色是因为你给了它一个调色板palette。如果你把分类结果直接导成GeoTIFF本质上导出的只是一张单波段、数值为类别编号012345的栅格它本身没有颜色信息。在ArcGIS里打开时你需要手动做一个符号化——把像素值0到5分别映射到你想要的颜色上。如果直接在GEE里导出的是彩色图那通常是用了image.visualize再把视觉化结果导出操作上也没问题但我个人建议导出原始类别栅格因为后续统计分析时数值型栅格最方便。5. 精度优化技巧提升分类结果的实战心得5.1 用年度物候特征提升复杂区域精度像我这个教程里用单期合成影像做分类已经在大部分区域够用。但如果你做的是农业主导区水田和旱地之间在单期影像上其实非常难区分。这时候我强烈建议引入“物候特征”——即计算多个月份的NDVI时间序列把每月NDVI作为一个特征波段加入分类器。var months ee.List.sequence(1, 12); var monthlyNDVI ee.ImageCollection(months.map(function(m) { var image l8.filter(ee.Filter.calendarRange(m, m, month)).median(); return image.normalizedDifference([NIR, Red]).rename(NDVI_ m); })); var ndviStack monthlyNDVI.toBands();水稻田的生长曲线是“移栽后NDVI快速上升—峰值—收割后骤降”旱地则是“播种后逐步上升—成熟后维持高位”。这种时间维度的差异是单期光谱完全无法捕捉的。加入物候特征后水田旱地分类精度往往能提升10个百分点以上。5.2 结合地形特征处理山地阴影山地地形下阴坡和阳坡的光谱差异非常大同一片林子在阴坡反射率可能只有阳坡的一半。如果你只加光谱和指数特征阴坡林子极容易被分到水体或阴影类。我有一个很实用的方案把高程DEM和坡度、坡向作为特征加进分类器。做法很简单GEE里直接调用NASA SRTM数据var dem ee.Image(USGS/SRTMGL1_003).clip(roi); var slope ee.Terrain.slope(dem); var aspect ee.Terrain.aspect(dem); var topo ee.Image.cat([dem, slope, aspect]).rename([dem, slope, aspect]); var features image.addBands(ndvi).addBands(ndwi).addBands(topo);这个调整在山区效果立竿见影。原因也很简单分类器学习到了“阴坡的暗绿色一般还是树而不是水”这种先验关系。5.3 多分类器对比选出最优结果我一直强调随机森林是最稳妥的默认选择但你如果追求极致精度不妨在GEE里同时跑CART和SVM做对比。CART的优点是解释性极强缺点是单棵树容易过拟合结果边缘毛刺多。SVM在小样本条件下表现亮眼但大样本时会非常慢。我的对比方法是每次拿到新的数据集先跑随机森林和SVM两个分类器用同一个验证集算精度。如果SVM总体精度明显更高就认真怀疑一下是否是随机森林的树的数量或特征选择没调好。一个经验法则是当你的训练样本只有几百个级别时SVM有机会小胜随机森林当样本上千后随机森林的优势就会明显起来。6. 扩展思路从分类图到真正的土地利用分析分类完成并不是终点它只是“土地利用”研究的第一步。拿到分类结果之后我通常会做三件非常有价值的事在这里一起分享给你。首先是面积统计。按类别统计面积最快捷的方式是用reducer在分类影像上直接算把结果打印出来var areaStats filtered.multiply(ee.Image.pixelArea()).reduceRegion({ reducer: ee.Reducer.sum().group(1), geometry: roi, scale: 30, maxPixels: 1e13 });要注意的是这里用到了ee.Image.pixelArea()因为地球不同纬度上一个像元的真实面积不同直接统计像元数再乘以900平方米是有误差的。在高纬度地区这个误差大得离谱我强烈建议用pixelArea来做面积基底。然后是逐年对比。土地利用变化分析如“某区域十年间建设用地扩张了多少”是很多课题和项目的核心需求。实现方式就是把今年和十年前分别跑一遍分类流程然后把两张分类图做差值运算或者转移矩阵分析。在GEE里你可以很方便地导出两张分类图的叠加结果统计出从“林地”变成“建设用地”的像元占比。最后是成果共享。GEE里做好了分类图以后可以直接用ee.Image.getDownloadURL把结果生成一个临时下载链接分享给同事也可以用Export.table.toCloudStorage直接把面积统计表格导出到云端存储。作为团队协作来说这个比来回传GeoTIFF高效很多。在实际项目里GEE监督分类已经不是一个“可选项”而是处理大范围土地利用问题的标准起手式。它的核心价值不在于让你少写代码而是把“随时用最新历史卫星影像、任意尺度、快速迭代”变成了一件非常低成本的事。我自己跑过很多次之后最深的体会是GEE把算法门槛降得很低反而把样本质量、分类体系设计这些“数据侧”的工作推到了决定成败的位置。如果你准备上手我的建议很简单——不要一上来就追求复杂的分类器和花哨的特征组合先老老实实把六类样本采好用随机森林跑通一遍全流程再逐步往里面加物候特征、地形特征、纹理特征。每一步改动都看一眼验证精度有没有真的提升。这个循环走通之后你会发现GEE监督分类没什么神秘的你的土地利用数据也不再是张嘴问别人要而是自己就能造出来。