GEE土地利用监督分类全流程：从样本设计到精度验证

谷歌地球引擎（Google Earth Engine，简称GEE）处理土地利用分类，我这两年几乎每个月都要用上几次。无论是做城市扩张分析、农业种植结构提取，还是给生态评估项目出基础底图，GEE加监督分类这套组合基本上是绕不开的标配。这篇博文我打算把整个流程从数据准备、样本设计、分类器选型到精度验证、结果导出完整串一遍，重点放在那些官方文档里不会明说的判断逻辑和容易踩坑的细节上。不管你是刚接触GEE的遥感方向研究生，还是已经能用filterDate、clip但还不太确定样本怎么布、分类器参数怎么调的从业者，这篇内容都能给你一个可以直接照做的方案。

先说结论：GEE做监督分类，核心不在代码，而在样本和特征。代码翻来覆去就是sample、train、classify这三板斧，真正的差距在于你喂给分类器的训练样本够不够准、够不够均衡，以及你给模型的波段特征能不能把地类区分开。这篇文章会顺着这个逻辑展开，把每一步拆开讲清楚。

1. 整体思路：GEE为什么适合做土地利用监督分类

1.1 监督分类的基本逻辑

监督分类说白了就是“教机器认地物”。你先在影像上圈出几块你确定是水体的地方、确定是农田的地方、确定是城市的地方，告诉算法“这些像素分别属于哪一类”，算法从这些样本像素上学习光谱特征的分布规律，然后拿这个规律去推测整幅影像上每一个像素属于哪一类。

这里面有个关键概念叫特征空间。每个像素不只是一个颜色值，它是很多波段数值组成的一个向量。比如Landsat-8有蓝、绿、红、近红外、两个短波红外这6个反射率波段，那每个像素就是一个6维向量。水体在可见光波段反射率低、近红外波段更低，而植被在近红外波段反射率高，这些差异就是分类器做决策的依据。

监督分类跟非监督分类的区别在于，非监督分类（比如K-Means、ISODATA）是算法自己找数据中的聚类结构，跑完你再给每个类贴标签；监督分类是你要先给出带标签的样本，算法学的是“某某标签对应的像素长什么样”。前者适合你对区域完全不了解的探索阶段，后者适合你有明确分类体系、需要出精确成果的应用场景。土地利用分类绝大多数情况下是有明确体系的任务，所以监督分类是主流的做法。

1.2 GEE在这个任务里解决了什么核心痛点

传统的土地利用分类流程是这样的：先下载遥感影像（可能几十个场景），然后在一个能跑得动的桌面GIS软件里做大气校正、影像镶嵌、样本勾选、分类、后处理。这个过程最大的问题是数据管理和计算效率。如果研究区域跨好几景影像，光是下载、拼接、裁剪就会消耗大量时间和硬盘空间；如果做年度时序分析，时间维度上的数据量更是天文数字。

GEE的核心价值在于它把“数据存储、计算资源、算法库”三者捆在了一起。所有影像数据都在云端，你的脚本直接在服务器端跑，不需要把数据下载到本地。处理一整个省份的Landsat影像，GEE在几秒到几十秒内就能完成。你写的是JavaScript或Python代码，调用的却是谷歌数据中心里成千上万的CPU核心。这种方式让“大规模、多时相、长时序”的土地利用分类变成了一件门槛很低的事情。

对于监督分类这个具体任务，GEE还有一个优势：你可以在交互式地图上直接勾选训练样本，所见即所得，样本做完直接喂给分类器，反馈非常快。这种“边看边改”的交互方式，比传统软件里“样本表和影像分离”的流程高效太多。

1.3 整体技术路线：从数据到成图的七个环节

我们这次要做的完整流程，我习惯拆成七个环节来规划：

1. 确定研究区域和时间范围：分类的目标区域在哪，用什么时间窗口的影像。
2. 数据源选择与预处理：选Landsat-8还是Sentinel-2，做云掩膜、影像合成。
3. 特征构建：在原始波段基础上加NDVI、NDWI等指数，提升地类区分度。
4. 训练样本采集：人工目视解译或者基于辅助数据生成带标签的样本点。
5. 样本拆分与分类器训练：按一定比例拆成训练集和验证集，训练随机森林等分类器。
6. 全图分类与后处理：把训练好的模型应用到整个研究区，必要时做平滑滤波。
7. 精度评估与结果导出：用独立验证样本计算混淆矩阵、Kappa系数，然后导出分类结果。

这个流程看着常规，但每个环节的选择都会直接影响最终精度。后面我按这个顺序详细展开。

2. 数据源与特征构建：分类精度的地基

2.1 Landsat-8还是Sentinel-2：尺度、时间与波段的取舍

做土地利用分类，第一步要选对影像源。现在最常用的就是Landsat-8/9和Sentinel-2，两者各有适用场景。我从几个维度对比一下：

我的经验是：如果你做的是省级以上大范围、或者要做2015年以前的历史回溯，选Landsat系列，因为它的存档时间最长且连续；如果你的研究区不大（比如一个县或者一个流域），又特别在意空间细节，用Sentinel-2的10米分辨率做出来的图会干净很多。这篇文章的实操部分我用Landsat-8 Collection 2 Tier 1 Surface Reflectance数据来演示，因为它在GEE里处理最简单、计算快，而且对新手理解流程最友好。需要换Sentinel-2的话，把影像集合的ID换掉，特征波段做相应调整即可。

2.2 光谱波段与指数的组合：不要只用原始反射率

很多教程跑到分类这一步就直接把原始6个波段丢进分类器。这样做能出结果，但精度往往会差一口气。原因很简单：有些地类的区分不能靠单一波段的绝对值，而要靠波段之间的比值关系。

举个例子，水体和阴影在可见光波段的反射率都很低，单看蓝、绿波段很难区分，但水体在近红外波段的吸收比阴影更强，这就让归一化差异水体指数（NDWI）成为区分水和阴影的利器。再比如植被覆盖度高的农田和自然林地，原始波段形态相似，但增强型植被指数（EVI）对高植被覆盖区更敏感，加上它对大气和土壤背景的抗干扰能力，经常能让两类分开。

我在实际项目中常用的特征组合是：

• 6个原始反射率波段：蓝、绿、红、近红外、短波红外1、短波红外2。
• 3个光谱指数：NDVI（绿度）、NDWI（湿度/水体）、EVI（抗饱和植被指数）。
• 2个地形因子：高程和坡度，来自SRTM DEM数据。

为什么加入地形因子？因为土地利用分类不只是看植被和水体，还要区分山地林地和山脚农田，甚至阴坡和阳坡的植被长势完全不同。加上高程和坡度后，分类器可以利用“地形位置”这个极强先验信息。在山区项目里，加不加地形因子，分类精度能差5到10个百分点。

2.3 影像合成：用“一年中最清爽的一帧”来分类

还有一个容易忽略的问题：到底用哪一天的影像分类？单景影像往往有云、有阴影，而且同一种地类在不同季节长相完全不同。我的做法是选一个物候相对稳定的时间窗口，把窗口内的所有影像做中值合成。

中值合成的意思是，对每个像素，取这个时间窗口内所有有效观测值的中位数作为最终值。这样既去掉了云和异常噪声，又保留了这个时间段地物的普遍光谱状态。比如做华北平原的农耕区分类，我通常会选5月到9月这个窗口，因为这个时段植被覆盖度高、农田作物长势明显，各地类光谱差异最大。

代码实现上，filterDate之后先map一个云掩膜函数，再median()合成，就能得到一幅干净的无云影像。如果没有做云掩膜直接median，云和云的阴影虽然会被中值削弱，但还是会有一部分残留在结果里，所以云掩膜这一步不能省。

3. 训练样本设计与分类器选型：决定精度上限的关键

3.1 样本点怎么采集才不坑自己

这是整个监督分类流程里最需要耐心的环节。很多人把分类精度不高归结于算法不行，实际上八成是样本出了问题。我梳理了几个必须遵守的原则。

第一，样本必须有代表性。每个类别的样本要覆盖该类别在整个研究区内的光谱变异范围。比如“林地”这个类别，如果研究区里有针叶林、阔叶林、混交林，它们的反射率差异明显，你就不能只在一片针叶林里取样本，必须在不同林分类型里都取。从这个意义上说，样本的“面”比样本的“量”更重要。

第二，样本量要够但不要畸多。经验值是每个类别至少50到100个样本点，类别多或者光谱变异大的地区要更多。样本太多也未必好，如果同类样本之间高度相关，相当于给分类器灌入了冗余信息，反而可能造成过拟合。

第三，样本要尽量均匀分布。不要只集中在研究区一角，应该铺满整个研究区。分类模型学的是光谱特征，而同一个地类在不同区域因为土壤背景、大气状况、地形坡向的差异，光谱会有漂移，样本覆盖不全会导致没被覆盖到的地方分类出错。

第四，验证样本和训练样本必须独立。这一点我要特别强调。很多人图省事，把同一批样本既拿去训练又拿去验证，算出来的精度高得吓人（整体精度动辄90%以上），但一到真实应用就严重拉胯。正确的做法是先把样本整体做一次随机打乱，比如按70%和30%的比例拆成训练集和验证集。如果样本量充裕，更好的做法是训练样本和验证样本分别独立采集，互不关联。

3.2 分类器怎么选：CART、随机森林、SVM的取舍逻辑

GEE里内置了好几种监督分类器，最常用的就是CART（决策树）、随机森林（Random Forest）和支持向量机（SVM）。三者的区别可以从学习方式上理解。

CART就是一棵决策树，它通过一系列“如果某波段大于某阈值就分到某类”的规则把特征空间切分出来。优点是训练速度极快、结果可解释，缺点是单棵树的稳定性差——训练数据稍微变一点，树的结构就变，分类结果就会跟着波动。

随机森林是很多棵决策树的集成，每棵树用训练样本的一个随机子集和特征的一个随机子集来训练，最后让所有树投票决定类别。它对噪声和过拟合的抗性比单棵树强很多，训练速度也不算慢，是GEE里做土地分类性价比最高的选择。

SVM的思路是在特征空间里找一个“间隔最大”的超平面把不同类别分开。它对小样本、高维特征的表现很好，但缺点是训练时间长，对参数（比如核函数类型、惩罚系数）敏感，调参成本高。

我的使用经验是：默认优先用随机森林，它在绝大多数土地利用分类任务里精度和稳定性的平衡最好。CART可以用来做快速实验、看哪个特征对分类贡献大，但出正式成果我不会用它。SVM只有在样本量不大（比如几千个点以内）且对精度有极致要求时才考虑，样本量一大训练时间会让人崩溃。

3.3 随机森林关键参数：为什么是300棵树

GEE的随机森林算法对应函数是ee.Classifier.smileRandomForest(numberOfTrees)。官方的默认参数比较保守，实际使用中我一般手动设置几个关键参数。

树的数量（numberOfTrees）：我常用300。这个数值不是拍脑袋定的。理论上树越多模型越稳定，但超过一定数量后边际收益急速递减，训练时间和内存开销却线性增长。我用100、300、500做过对比，100棵时精度略低一点，300和500的精度几乎没有差别，所以300是个性价比很好的折中值。

其它几个参数也很关键：

• minLeafPopulation：叶子节点最少包含的样本数，默认1。设得太小容易过拟合，我一般设3或5。
• bagFraction：每棵树用的样本比例，默认0.5。这个参数让每棵树看到的样本不完全一样，是随机森林能抗过拟合的关键，一般不用动。
• maxNodes：单棵树的最大节点数，默认null也就是不限制。数据量大、特征多时可以限制一下，比如设到200，能明显加快训练速度。

需要明白的是，这些参数不是越复杂越好。随机森林本身就是“保持简单、依靠集成”的算法，多数情况下用合理的默认值就能拿到不错的结果。

3.4 特征重要性：让模型告诉你哪些特征在干活

GEE的分类器里有一个很实用的方法叫explain()，它能输出分类器在训练时用到的各项配置。但如果我们用的是随机森林，更值得看的其实是特征重要性。在GEE里可以用classifier.explain()获得，也可以基于训练好的模型输出每个特征的重要性属性。

我在项目里的做法是：第一次训练跑完之后，先去查看特征重要性排序，如果发现某个指数或波段的贡献度长期垫底（比如归一化差异水体指数在完全干旱区可能作用很小），就会考虑把它从特征列表里去掉。这个做法的意义在于减少特征维度，让模型更简洁、训练更快，有时候反而能提升精度。

这个环节不要省，它能让你的分类项目从“能用”进步到“好用”。

4. 完整代码实操：一步步跑通GEE监督分类

4.1 环境准备：区域、影像与云掩膜

打开 GEE Code Editor（code.earthengine.google.com），左边的搜索框可以搜索区域、数据、示例脚本。这一段我们先把研究区、影像集合、云掩膜函数准备好。

研究区域我这里先用一个点加缓冲区的方式演示，方便直接运行。如果是实际项目，你可以在左侧几何图形工具里画一个多边形，或者上传自己的Shapefile（通过Assets），然后读取ee.FeatureCollection("你的资产ID")。

// 定义研究区（示例：某地附近10公里范围） var studyArea = ee.FeatureCollection('USDOS/LSIB_SIMPLE/2017') .filterMetadata('country_na', 'equals', 'China') .geometry() .centroid() .buffer(20000); // 实际使用请换成自己的矢量范围 Map.centerObject(studyArea, 10); Map.addLayer(studyArea, {color: 'red'}, '研究区');

然后是Landsat-8 Collection 2 Level-2地表反射率数据集的引入和云掩膜。Collection 2 Level-2的影像自带QA_PIXEL波段，里面有云、云阴影、冰雪等质量标记，我们通常只保留像素质量干净的部分。

var l8 = ee.ImageCollection('LANDSAT/LC08/C02/T1_L2'); function maskL8Clouds(image) { var qa = image.select('QA_PIXEL'); var cloudBitMask = 1 << 3; // 云 var cloudShadowBitMask = 1 << 4; // 云阴影 var snowBitMask = 1 << 5; // 雪 var mask = qa.bitwiseAnd(cloudBitMask).eq(0) .and(qa.bitwiseAnd(cloudShadowBitMask).eq(0)) .and(qa.bitwiseAnd(snowBitMask).eq(0)); return image.updateMask(mask); }

这段代码里的位运算可能对不熟悉二进制的人来说有点绕。简单解释：QA_PIXEL是一个16位的整数，每一位用0或1表示一种质量标志。比如第3位（bit 3）表示是否云，第4位是否云阴影，第5位是否雪。1 << 3是把1左移3位，得到一个只有第3位是1的数字，跟QA值做 bitwiseAnd 之后，如果结果等于0，就说明这一位没有被置1，也就是没有云。三个条件用 and 串起来，就得到了“无云无阴影无雪”的掩膜。

接下来选择时间窗口并合成影像。这里我选择植被生长季的5月到9月，并加上一个简单的缓冲区（一年前后各多出一定天数，让数据更充分）。

var startDate = '2023-05-01'; var endDate = '2023-10-01'; var image = l8 .filterBounds(studyArea) .filterDate(startDate, endDate) .map(maskL8Clouds) .map(function(img) { // Collection 2 Level-2 地表反射率带有缩放系数 var scale = 0.0000275; var offset = -0.2; var optical = img.select('SR_B[2-7]').multiply(scale).add(offset).copyProperties(img, ['system:time_start']); return optical; }) .median() .clip(studyArea);

在这里我先把SR_B2到SR_B7六个反射率波段做了定标处理。Collection 2 Level-2的原始DN值需要经过缩放才能变成实际的反射率（范围大约0到1）。这个线性缩放不影响随机森林分类器的相对比较，但如果后面你要做阈值提取（比如NDVI大于0.5算植被），就必须先做这一步，不然阈值毫无意义。

4.2 光谱指数与地形特征：组合出最终的特征列表

接着构建NDVI、NDWI、EVI三个指数，并引入SRTM地形数据。

var ndvi = image.normalizedDifference(['SR_B5', 'SR_B4']).rename('NDVI'); var ndwi = image.normalizedDifference(['SR_B3', 'SR_B5']).rename('NDWI'); var evi = image.expression( '2.5 * ((NIR - RED) / (NIR + 6 * RED - 7.5 * BLUE + 1))', { 'NIR': image.select('SR_B5'), 'RED': image.select('SR_B4'), 'BLUE': image.select('SR_B2') }).rename('EVI'); var dem = ee.Image('USGS/SRTMGL1_003').select('elevation'); var slope = ee.Terrain.slope(dem).rename('slope'); // 合成最终特征影像 var featureImage = image .addBands(ndvi) .addBands(ndwi) .addBands(evi) .addBands(dem) .addBands(slope); var featureBands = [ 'SR_B2', 'SR_B3', 'SR_B4', 'SR_B5', 'SR_B6', 'SR_B7', 'NDVI', 'NDWI', 'EVI', 'elevation', 'slope' ]; Map.addLayer(featureImage, {bands: ['SR_B4', 'SR_B3', 'SR_B2'], min: 0, max: 0.3}, '真彩色影像');

有一个细节要注意：normalizedDifference函数里两个波段的顺序。比如NDVI是（近红外 - 红）/（近红外 + 红），所以要写成['SR_B5', 'SR_B4']；NDWI常见定义是用绿光和近红外，即（绿 - 近红外）/（绿 + 近红外），所以是['SR_B3', 'SR_B5']。写反了结果完全不对，这类小错误非常容易在熬夜写代码时出现，建议把指数和波段对应关系先写在注释里。

4.3 训练样本：手工勾选变体与自动生成示例

训练样本在GEE里有两种常见获取方式。一种是你直接在左侧地图工具里手动画点，然后每个点通过属性赋类别标签；另一种是用随机点生成工具，再人工目视判别。

我这里用第二种方式做一个可复现的示例。它的逻辑是：在研究区内随机撒点，然后基于高分辨率影像（这里用Sentinel-2做参考）和你的经验，给每个点指定类别。当然，实际项目更推荐你直接动笔圈画多边形，把每个类别的地块完整勾出来再转成点，这样样本更纯、边界更干净。

// 方式1：手工sampling——在Map上手动添加点，并在属性里填class // 示例中用随机点近似（实际使用请删掉这段随机点逻辑，改为你的真实样本） var samples = ee.FeatureCollection([ ee.Feature(ee.Geometry.Point([116.391, 39.907]), {class: 0}), // 水体 ee.Feature(ee.Geometry.Point([116.458, 39.931]), {class: 1}), // 建设用地 ee.Feature(ee.Geometry.Point([116.312, 39.883]), {class: 2}), // 农田 ee.Feature(ee.Geometry.Point([116.215, 39.975]), {class: 3}), // 林地 ee.Feature(ee.Geometry.Point([116.178, 40.021]), {class: 4}) // 裸地 ]);

除了手工点，我在项目里还有一种效率很高的做法：先用非监督分类（如K-Means）跑一版初步结果，然后基于初步结果来“指导”样本采集。比如非监督分类把一块区域分成5个光谱簇，你对照高分辨率影像逐个确认这些簇分别对应什么地类，然后把这些簇的代表性点直接吸收为监督分类的训练样本。这种方法比纯手工撒点快很多，而且样本在光谱特征空间的代表性更均匀。

无论用哪种方式，最终都要确保每个样本点都带有class这个数值型属性。类别编号建议从0开始连续编号（0, 1, 2, ...），因为GEE的分类器对类别编号有连续性要求，缺号会导致混淆矩阵显示不完整。

4.4 拆分训练集/验证集与训练分类器

样本准备好之后，用randomColumn方法给每个样本分配一个0到1之间的随机数，然后按0.7和0.3的比例拆分。

var samplesWithRandom = samples.randomColumn('random', 0); var trainingSet = samplesWithRandom.filter(ee.Filter.lt('random', 0.7)); var validationSet = samplesWithRandom.filter(ee.Filter.gte('random', 0.3));

这里拆分的意义是：训练集用来训练模型，验证集用来评估模型在“没见过”的数据上的表现。如果验证精度和训练精度差距过大，说明模型过拟合了。注意randomColumn如果不给随机种子（第二个参数），每次运行时生成的随机数不同，结果会略有波动。如果你希望结果可复现，就把种子固定下来，比如randomColumn('random', 42)。

接下来训练随机森林分类器。

var classifier = ee.Classifier.smileRandomForest({ numberOfTrees: 300, minLeafPopulation: 3, bagFraction: 0.5, seed: 42 }).train({ features: trainingSet, classProperty: 'class', inputProperties: featureBands });

这一步是整个流程里最核心的“学习”环节。.train()会遍历训练集里每一个样本点，提取对应位置上的特征波段值，跟样本的类别标签放在一起，交给随机森林算法训练出一组决策规则。训练完成后，这个分类器对象就包含了全部的规则信息，可以随时拿来对任意影像做分类。

4.5 执行分类与结果可视化

训练完成之后，分类就简单了，一句classify搞定。

var classified = featureImage.classify(classifier); var palette = [ '1d6fd9', // 0 水体 'd91d1d', // 1 建设用地 'f0d94c', // 2 农田 '2d8a3e', // 3 林地 '9c7c5b' // 4 裸地 ]; Map.addLayer(classified, {min: 0, max: 4, palette: palette}, '监督分类结果');

这里有一个可视化上的小细节：分类结果的调色板，min和max一定要设置成类别编号的最小值和最大值，不要用默认拉伸。如果不设，GEE会按影像的直方图自动拉伸颜色，结果就是不同类别显示的颜色完全错乱，看起来一团糟。

4.6 精度评估：混淆矩阵、Kappa与各类精度

分类结果做完之后，最重要的一步是拿验证集算精度。做法是：把验证集样本对应的实际类别和分类结果类别放在一起，生成混淆矩阵。

var validationClassified = classified.sampleRegions({ collection: validationSet, properties: ['class'], scale: 30 }); var testAccuracy = validationClassified.errorMatrix('class', 'classification'); print('混淆矩阵', testAccuracy); print('总体精度', testAccuracy.accuracy()); print('Kappa系数', testAccuracy.kappa()); print('用户精度', testAccuracy.consumersAccuracy()); print('生产者精度', testAccuracy.producersAccuracy());

混淆矩阵怎么读？行通常代表参考类别（真实类别），列代表分类结果类别。对角线上的数字是分类正确的样本数，非对角线上的数字是混淆的样本数。两类之间的混淆在矩阵里一目了然，这是排查分类问题的第一手信息。

几个精度指标的含义也需要理解清楚：

• 总体精度（Overall Accuracy）：所有样本中分类正确的比例。
• Kappa系数：排除了随机一致性的影响之后的一致性度量，一般0.8以上算很好，0.6到0.8算可用。
• 生产者精度（Producer's Accuracy）：某个真实类别被正确识别的比例，漏分类别的严重程度看它。
• 用户精度（Consumer's Accuracy）：某个分类结果在真实世界里确实属于该类的比例，误分类别的严重程度看它。

实际项目中，我会特别关注混淆矩阵里哪两类在互相混淆。比如农田和林地经常混，那多半是物候期选择不当；建设用地和裸地经常混，那多半是光谱太接近，需要考虑加纹理特征或者更换数据源。

4.7 导出分类结果到本地方便制图

分类结果在GEE里可以直接截图，但正式成果需要导出到本地方便后续制图和分析。用Export.image.toDrive可以导出为GeoTIFF。

Export.image.toDrive({ image: classified.int16(), description: 'LandUse_Classified_2023', folder: 'GEE_Export', scale: 30, crs: 'EPSG:4326', region: studyArea, maxPixels: 1e13 });

导出的几个参数要注意：classified.int16()是把分类结果的浮点标签转成整型，文件体积会小很多，也更符合分类产品的存储习惯；scale要根据你的数据源分辨率设置，Landsat是30米，Sentinel-2如果是用10米波段分类就写10；crs如果研究区在特定投影带内，建议用当地的高斯-克吕格投影或UTM投影，面积和形状畸变更小，不过对于普通的分类图导出，EPSG:4326也能用，主要看下游制图软件的需求。

启动导出任务后，到右侧的Tasks面板点击Run，等待处理完成后文件就会出现在你的Google Drive对应文件夹里。

5. 常见问题与排查技巧实录

5.1 分类结果“椒盐效应”明显怎么办

椒盐效应就是分类结果图里的地类像撒了一层盐和胡椒，明明是一大片连续农田，结果图里却密密麻麻混杂着零星的林地、裸地像素。这个问题的本质是像素级分类忽略了空间上下文信息——每个像元独立判断类别，没有考虑周围像元的类别。

有两种解决方案。第一种是结果后处理，对分类结果做众数滤波，也就是用一个窗口计算中心像元周围像元的众数，把中心像元的类别替换成众数类别。GEE里可以直接用focalMode：

var smoothed = classified.focalMode(30, 'square', 'average');

需要注意的是，滤波窗口的大小要跟你允许的最小图斑面积匹配。30米分辨率影像用90米窗口做一次focalMode，基本能抹掉大部分小碎斑，但如果你要保留很小的地物（比如宽度只有30米的水渠），就不要用太大窗口。

第二种更彻底的方案是在分类前使用面向对象的分割方法，先对影像做分割，把像素分成一个个对象，再对每个对象做分类。这不仅解决椒盐效应，还能保留地物边界，但GEE里做分割计算量较大，不是所有场景都适合。如果只是出一个基础图，先用focalMode就够了。

5.2 为什么我的分类结果里建设用地和裸地分不开

建设用地和裸地的光谱特征确实非常接近——两者在可见光和短波红外波段都是高反射，NDVI都很低。这个问题我经常遇到，尤其在干旱半干旱区域。

解决办法从两个方向入手。第一个方向是增加特征：加入纹理特征，比如用灰度共生矩阵（GLCM）计算纹理，或者加入夜间灯光数据（NPP/VIIRS），因为建设用地有夜间灯光而裸地没有。第二个方向是改时间窗口：如果研究区有季节性的植被变化，建设用地全年不变，而裸地可能在雨季长出稀疏植被，用多个时相的影像做分类可以利用“时间轨迹”来区分它们。比如加入一个雨季NDVI和旱季NDVI的差值特征，往往能显著改善。

如果已经出了结果图且混分严重，还可以在分类后加一个规则处理：对“裸地”和“建设用地”这个两个类别，叠加夜间灯光数据，凡是灯光亮度超过一定阈值的裸地，就重编码为建设用地。这种“分类后处理”的思路在实践中非常有效。

5.3 训练时报错或内存溢出

GEE有一个“用户内存限制”的概念，每个计算任务可用内存是有限制的。当你处理大区域或者超高分辨率影像时，很容易遇到User memory limit exceeded错误。这个报错信息对新手来说很吓人，但解决办法其实不复杂。

常见诱因和解决办法：

• 研究区太大，特征影像的分辨率太高（比如直接用Sentinel-2的10米处理整个省）。解决：缩小研究区，或者先对影像做降采样，或者分块处理后再拼接。
• 导出时maxPixels设置太小。解决：显式设置maxPixels: 1e13。
• 样本数量太大，导致训练过程内存暴涨。解决：适当减少样本量，或者在训练前用stratifiedSample对样本做分层抽样，让每个类别的样本量控制在几百个以内。
• 分类器训练时带入了太多波段或数据维度。解决：精简特征，用特征重要性排序删除贡献低的波段。

遇到User memory limit exceeded，我的排错顺序是：先缩小region，再降分辨率，再减样本量，最后才考虑换更简单的模型。80%的情况都能在前两步解决。

5.4 验证精度虚高，结果却不对

这是一个比报错还隐蔽的问题。我接手过不少项目，对方说“我们精度95%呢”，但结果图明显不对——一条河道在中间断掉，一个山头被划成荒地。问题几乎都出在同一个地方：训练样本和验证样本不独立。

前面说过，如果验证样本就是从训练样本里随机抽出来的一部分，那分类器“见过”这部分样本了，验证精度自然虚高。这种情况下的总体精度没有参考意义。检验方法很简单：看一下你的混淆矩阵里每个类别是不是都高得离谱（比如都在95%以上），如果是，基本可以怀疑样本独立性出了问题。

正确的做法是：训练样本和验证样本分别采集，各用各的。如果样本量不够，至少也要用不同的地块分别采训练点和验证点，不要在同一块地里面既采样做训练又采样做验证。

5.5 不同年份分类结果不可比的坑

如果你的项目要做多期土地利用变化分析，还有一个大坑：不同年份的影像由于太阳高度角、大气条件、物候差异，反射率并不严格可比。这会导致你独立训练的两个年份分类器对“同一地物”的判断标准不一致，变化分析的结论就不可靠。

我的建议是：如果做多年份对比，尽量使用相同的影像源（比如都用Landsat-8），时间窗口尽量对齐（比如都用6月到9月），并且做相对辐射归一化，让两年影像的反射率分布匹配到同一基准。更进一步的做法是把多年份影像放在同一个分类器里训练，也就是把2018年、2021年、2023年的样本都放进同一个模型里，让模型学会“跨年份不变的光谱特征”。这个策略在多期制图项目中效果显著。

结尾一点个人体会

做GEE土地利用分类这几年，我最深的感触是：这个任务的技术门槛其实在快速降低，GEE把计算和数据都打包好了，任何人都能靠教程在半天内跑出一个结果。但真正的分水岭不在写代码，而在你对地物光谱、物候特征、区域背景的理解深度。你采样时有没有想过阴影里的水体怎么标？你选时间窗口时知不知道这个区域的作物什么时候成熟？这些知识才是决定成果质量的东西。所以我的建议是，在GEE里跑流程的同时，多花时间去看真彩色影像、看样本点的光谱曲线、跑完之后去野外或者用更高分辨率的影像抽查几个点。这个习惯比多调几次参数有用得多。如果你也在做类似的项目，欢迎拿这篇里的流程做底子，然后根据你的研究区特征去调整特征、样本和时间窗口——很快你就会有自己的一套成熟pipeline。