想知道如何用 GEE 随机森林回归模拟土壤氧化还原深度吗？

作者 

var VT_boundary = ee.FeatureCollection("projects/ee-yelu/assets/VT_boundary"),    VT_pedons = ee.FeatureCollection("projects/ee-yelu/assets/essex_pedons_all");

在步入高速数字化进程中，我们开辟了观览大地的全新视角——通过使用Sentinel空间卫星系统。该卫星阵列提供世界各地实时观测服务，揭示自然界各类奥秘。今日，让我们探讨如何对通过卫星获得的数据进行预处理和综合分析，直至呈现为用户手中感性的绿色画面。

Sentinel-1与Sentinel-2：地球的守护者

// 研究区var roi = VT_boundary.union(); Map.addLayer(roi, {}, 'shp', false);var crs = 'EPSG:4326'; // EPSG number for output projection. 32618 = WGS84/UTM Zone 18N. For more info- http://spatialreference.org/ref/epsg/

function maskS2clouds(image) {  var qa = image.select('QA60');
  // Bits 10 and 11 are clouds and cirrus, respectively.  var cloudBitMask = 1 << 10;  var cirrusBitMask = 1 << 11;
  // Both flags should be set to zero, indicating clear conditions.  var mask = qa.bitwiseAnd(cloudBitMask)    .eq(0)    .and(qa.bitwiseAnd(cirrusBitMask)      .eq(0));
  return image.updateMask(mask)    .divide(10000);}

Sentinel系列卫星犹如宇宙守卫者，在广袤无垠的星空中洞察地球。Sentinel-1与Sentinel-2，仿佛承载特殊力量的超级英雄，前者不受气候干扰高效拍摄，后者专精捕捉地球多彩面貌。两颗卫星的独特能力相辅相成，为我们带来珍贵无比的地球图像，如同时光瓶罐，详实记录地球每时每刻。

// NDVIfunction NDVI(img) {  var ndvi = img.expression(    "(NIR-R)/(NIR+R)", {      "R": img.select("B4"),      "NIR": img.select("B8"),    });  return img.addBands(ndvi.rename("NDVI"));}
// NDWIfunction NDWI(img) {  var ndwi = img.expression(    "(G-MIR)/(G+MIR)", {      "G": img.select("B3"),      "MIR": img.select("B8"),    });  return img.addBands(ndwi.rename("NDWI"));}
// NDBIfunction NDBI(img) {  var ndbi = img.expression(    "(SWIR-NIR)/(SWIR-NIR)", {      "NIR": img.select("B8"),      "SWIR": img.select("B12"),    });  return img.addBands(ndbi.rename("NDBI"));}

//SAVIfunction SAVI(image) {  var savi = image.expression('(NIR - RED) * (1 + 0.5)/(NIR + RED + 0.5)', {      'NIR': image.select('B8'),      'RED': image.select('B4')    })    .float();  return image.addBands(savi.rename('SAVI'));}
//IBI function IBI(image) {  // Add Index-Based Built-Up Index (IBI)  var ibiA = image.expression('2 * SWIR1 / (SWIR1 + NIR)', {      'SWIR1': image.select('B6'),      'NIR': image.select('B5')    })    .rename(['IBI_A']);
  var ibiB = image.expression('(NIR / (NIR + RED)) + (GREEN / (GREEN + SWIR1))', {      'NIR': image.select('B8'),      'RED': image.select('B4'),      'GREEN': image.select('B3'),      'SWIR1': image.select('B11')    })    .rename(['IBI_B']);
  var ibiAB = ibiA.addBands(ibiB);  var ibi = ibiAB.normalizedDifference(['IBI_A', 'IBI_B']);  return image.addBands(ibi.rename(['IBI']));}

//RVIfunction RVI(image) {  var rvi = image.expression('NIR/Red', {    'NIR': image.select('B8'),    'Red': image.select('B4')  });  return image.addBands(rvi.rename('RVI'));}
//DVIfunction DVI(image) {  var dvi = image.expression('NIR - Red', {      'NIR': image.select('B8'),      'Red': image.select('B4')    })    .float();  return image.addBands(dvi.rename('DVI'));}

影像预处理：给地球拍照前的准备

// 创建
var inStack = ee.Image()for (var i = 0; i < 3; i += 1) {  var start = ee.Date('2019-03-01')    .advance(30 * i, 'day');  print(start)  var end = start.advance(30, 'day');

  var dataset = ee.ImageCollection('COPERNICUS/S2_SR')    .filterDate(start, end)    .filterBounds(roi)    .filter(ee.Filter.lt('CLOUDY_PIXEL_PERCENTAGE',75))    .map(maskS2clouds)    .map(NDVI)    .map(NDWI)    .map(NDBI)    .map(SAVI)    .map(IBI)    .map(RVI)    .map(DVI);
  var inStack_monthly = dataset.median()    .clip(roi);  // 可视化  var visualization = {    min: 0.0,    max: 0.3,    bands: ['B4', 'B3', 'B2'],  };
  Map.addLayer(inStack_monthly, visualization, 'S2_' + i, false);

  // // 纹理特征  var B8 = inStack_monthly.select('B8')    .multiply(100)    .toInt16();  var glcm = B8.glcmTexture({    size: 3  });  var contrast = glcm.select('B8_contrast');  var var_ = glcm.select('B8_var');  var savg = glcm.select('B8_savg');  var dvar = glcm.select('B8_dvar');  inStack_monthly = inStack_monthly.addBands([contrast, var_, savg, dvar])
  // Sentinel-1   var imgVV = ee.ImageCollection('COPERNICUS/S1_GRD')    .filter(ee.Filter.listContains('transmitterReceiverPolarisation', 'VV'))    .filter(ee.Filter.listContains('transmitterReceiverPolarisation', 'VH'))    .filter(ee.Filter.eq('instrumentMode', 'IW'))    .filterBounds(roi)    .map(function(image) {      var edge = image.lt(-30.0);      var maskedImage = image.mask()        .and(edge.not());      return image.updateMask(maskedImage);    });
  var img_S1_asc = imgVV.filter(ee.Filter.eq('orbitProperties_pass', 'ASCENDING'));  var VV_img = img_S1_asc.filterDate(start, end)    .select("VV")    .median()    .clip(roi);  var VH_img = img_S1_asc.filterDate(start, end)    .select("VH")    .median()    .clip(roi);

  inStack_monthly = inStack_monthly.addBands([VV_img, VH_img])

  print("img_S2_monthly", inStack_monthly)
  inStack = inStack.addBands(inStack_monthly.select(inStack_monthly.bandNames()))}
inStack = inStack.select(inStack.bandNames().remove("constant"))print(inStack)

拍摄地球美景需经历一系列繁琐准备，即影像预处理环节，也被喻为是向公众展示地球唯美一面的“化妆”环节。此阶段涵盖多项复杂操作，如画面修正、噪音去除及对比度增强等流程，犹如细心雕琢艺术珍品，直至影像清晰且色彩浓郁，呈现完美效果。

print("Predictor Layers:", inStack);inStack.reproject(crs, null, 30);Map.centerObject(inStack)

上传矢量数据：数字化地球的纹理

接续投入任务如下，我们需把各类图像资料上传至地球工程（EarthEngine）——这一庞大的数字化地球引擎，能高效处理与解析海量地球观测数据。同时，此项操作亦须添加矢量数据，以作为地球纹理，详细描述诸如河流、森林及城市等地表特性。通过这些数据的复合与运用，使我们得以更加全面地洞察地球的每个细微之处。

EPSG代码_代码EPC是什么意思_代码EP080

逐月合成影像：时间的画卷

var trainingFeatureCollection = ee.FeatureCollection(VT_pedons, 'geometry');

关于逐日合成图像的神奇之处在于，犹如让时间凝固为摄影艺术的画卷，每月元素精妙组合成一个连贯的时间序列。该过程运用for循环技术完成，根据需求自动生成特定时段的图像。这些图像不仅美丽动人，更具有极高科研价值，有助于研究地球气候变迁、植被生长情况等自然现象。

ee.Image().select("波段名称")

计算植被指数：绿色的密码

var bands = inStack.bandNames(); //All bands on included here

在诸如此类的模拟图像中，最为引人深思的即是植被指数的精确计算。如绿色密码般的植被指数，能揭示出植被的健康程度及发展节奏等隐秘信息。借助此等指数，我们得以深度认识地球的生态体系，乃至预测未来环境变迁的走向。整个过程复杂缤纷，然而每一个计算都代表着对于地球绿色生命的一次震撼视界。

样本数据的加载与转换：回归的基础

var training = inStack.reduceRegions({  collection:trainingFeatureCollection,  reducer :ee.Reducer.mean(),  scale:100,  tileScale :5,  crs: crs});print(training)var trainging2 = training.filter(ee.Filter.notNull(bands));

在开展回归研究前的第一步是收集样本数据，这是回归分析的基石。首先，我们将具有资产价值的样本数据VT_pedons.shp从GEE上传至云端，并将其转化为可在GEE环境下调用的ee.FeatureCollection()格式。这样不仅能保证回归模型具有稳固的基础，也使得我们在后续的分析操作中能够更加精准和有效率。


// 在training要素集中增加一个random属性，值为0到1的随机数var withRandom = trainging2.randomColumn({  columnName:'random',  seed:2,  distribution: 'uniform',});

var split = 0.8; var trainingData = withRandom.filter(ee.Filter.lt('random', split));var validationData = withRandom.filter(ee.Filter.gte('random', split));

提取影像数据：寻找地球的脉络

// train the RF classification modelvar classifier = ee.Classifier.smileRandomForest(100, null, 1, 0.5, null, 0).setOutputMode('REGRESSION')    .train({      features: trainingData,       classProperty: 'REDOX_CM',       inputProperties: bands    });print(classifier);

接下来，需根据样本点坐标，从影像中抽取各层波段数据。此步骤如同探索地球奥秘，每个波段均揭示了地球独特面貌。透过数据提取，我们能更深入洞察地球动态，为后续回归预测提供丰富依据。

设置空间分辨率：精细化的视角

代码EP080_EPSG代码_代码EPC是什么意思

在进行回归分析前，正确地设定空间分辨率至关重要，此次设定的分辨率为30米，目的在于以精密化角度深入洞察地球。此分辨率的选取是出于与前期运用过的预测层重投影的一致性考虑，从而保障我们得到的分析结果具备极高精确度。

分类器的创建与应用：绿色的预测

// Classify the input imagery.var regression = inStack.classify(classifier, 'predicted');print(regression);

此刻，我们已做好创建分类器的准备，以先前准备的数据为依据，针对图像进行分类。此过程如同进行绿色前景预测，有助于我们深入了解地球未来状况，并借助分类器探知其各个角落及其变化情况。

回归模型的应用：绿色的魔法

接下来，我们将运用新构建的回归模型对影像进行划分。此过程宛如神奇的绿色魔法，将精准的预测数据转为生动的图像显示。这些画面精美且蕴含丰富科学信息，助我们深化理解地球生态系统。

var palettes = require('users/gena/packages:palettes');

调色板的定义：绿色的艺术

为了实现可视化功能，我们必须创建色调调节板。犹如绿色艺术的色调调节工具，可以运用预测数据生成美观的图片，让大地所有的变动和细微之处尽在眼底。

var palette = palettes.crameri.nuuk[25];

结果的添加与展示：绿色的画卷

终章，将所得成果融入至地图之中加以公示。此举犹如挥动画笔展现翠绿山水图景，切实将预测数据以最为直观精确之形式呈现。透过各式图像，使得全球各地之微妙变迁与详细信息皆一览无遗，尽收眼底。

// Display the input imagery and the regression classification.// get dictionaries of min & max predicted valuevar regressionMin = (regression.reduceRegion({  reducer: ee.Reducer.min(),  scale: 100,  crs: crs,  bestEffort: true,  tileScale: 5,  geometry: roi}));var regressionMax = (regression.reduceRegion({  reducer: ee.Reducer.max(),  scale: 100,  crs: crs,  bestEffort: true,  tileScale: 5,  geometry: roi}));
// Add to mapvar viz = {  palette: palette,  min: regressionMin.getNumber('predicted')    .getInfo(),  max: regressionMax.getNumber('predicted')    .getInfo()};Map.addLayer(regression, viz, 'Regression');

直方图的制作：绿色的统计

除图像展示外，我们亦可利用直方图深入剖析模型拟合度。通过编制的绿色彩色图表，我们能精确洞察地球各项变更及其详细信息。

任务的导出：绿色的分享

最终，我们将任务成果导出，便于与公众共享我们的绿色魔法。此操作犹如一次绿色理念的传承，能以通俗易懂且易于理解的形式展现预测结果。借助这一共享平台，我们有望更为全面地洞悉地球生态体系，更加精准地捕捉地球上的微妙变化以及每一处细微之处。

代码EPC是什么意思_代码EP080_EPSG代码

发表评论