引言
随着城市化快速发展，土地利用分类评价成为了重要的研究领域。咸宁市作为湖北省的一个重要城市，土地利用和规划对于城市可持续发展具有重要意义。本研究基于Google Earth Engine（GEE）平台，对咸宁市的土地利用分类进行评价和分析。本研究的主要内容包括：利用GEE平台获取咸宁市的高分辨率遥感影像数据，并进行预处理和影像分类。采用先进的分类方法和评价指标，对土地利用进行分类和评价。结合实地调查和验证，对分类结果进行精度评定和验证，并进行分析和讨论。
有监督分类基于已标记的样本数据进行分类。在有监督分类中，样本数据包括输入数据（例如遥感图像像素）和对应类别标签（即已知的地物类别）。有监督分类需要有大量的标记样本数据和正确的类别标签，以训练分类器模型。该方法广泛应用于遥感图像分类任务中，能够实现高精度的分类结果，但需要耗费大量的人力和时间来进行标记样本和训练分类器。在Google Earth Engine中进行监督分类可以使用以下两种方法：支持向量机（SVM）和随机森林（Random Forest）。这两种方法已经在Earth Engine中实现，可以直接使用。
无监督分类不依赖于预先定义的训练样本或类别标签。这种分类方法可以帮助我们探索数据集中的潜在模式和结构，而不需要事先了解或定义每个类别。在遥感影像分类中，常用的无监督分类方法包括聚类和非监督分类。
1 操作流程
随机森林是一种集成学习算法，通过组合多个决策树来进行分类。在Earth Engine中，可以使用ee.Classifier.randomForest()函数创建随机森林分类器。同样，需要提供训练数据集和相应的类别标签，并使用train()函数训练分类器模型。最后，使用classify()函数将分类器应用于需要分类的遥感影像。
1.1数据准备和处理
导入咸宁市矢量边界，加载矢量边框，以便于在边界内选取样本点，加载行政区矢量边界如图所示，卫星数据选择分辨率较高的Sentinel 2 影像集合；接着，使用filterDate()函数和filterBounds()函数分别限定影像的时间和空间范围；然后，使用filter()函数将云覆盖度小于5%的影像选出，保证影像质量；最后，将所有满足条件的影像经过map()函数应用maskS2clouds()函数，对云进行遮盖。
1.2计算各项指数
编写代码计算NDVI和NDWI指数并计算EVI和BSI指数，为后续操作做好准备。
1.3分类方法和精度评价
有监督分类方法选择随机森林法，计算混淆矩阵和Kappa系数作为精度评价指标并导出分类图。无监督分类方法选择KMeans聚类方法。
1.4设置分类类别并选取分类点
随机森林法类别设置为五类：water、forest、city、grassland、cropland并分别进行采样选取共计100余个样本点。KMeans聚类方法设置学习点数为5000。
2 实验结果与分析
图1 分类结果对比
3 结论
本研究基于Google Earth Engine（GEE）平台，利用卫星遥感影像数据和相关数据指标，对咸宁市的土地利用进行了分类评价。得出以下结论：咸宁市的土地利用类型主要包括耕地、林地、水域、城市和草地。其中，耕地面积较大，占总土地面积的比例较高，林地和水域面积适中，城市和草地相对较小。在遥感影像分类的精度评定方面，本研究采用了混淆矩阵的方法进行了精度评定。结果显示，两种分类方法具有较高的分类精度，能够较好地反映咸宁市的土地利用现状。
参考文献：
[1]郭羽羽,胡召玲. 基于GEE的徐州市土地利用分类研究[J]. 江苏师范大学学报(自然科学版),2022,41(01):17-21.
[2]张来红,秦婷婷,泽仁卓格,张海涛,佘长超,李军,张成业. 基于GEE和多维特征集的锡林浩特露天矿区近30 a土地利用分类[J]. 金属矿山,2022,(03):234-241.
[3]戴声佩,易小平,罗红霞,李海亮,李茂芬,郑倩,胡盈盈. 基于GEE和Landsat时间序列数据的海南岛土地利用分类研究[J]. 热带作物学报,2021,42(11):3351-3357.
作者简介：刘振宇（1999—），男，汉族，湖北省咸宁市人，学历：硕士在读，研究方向：遥感图像智能解译，单位：长江大学地球科学学院
