干货分享 | AI EARTH获取Landsat影像QGIS制作解译样点R语言机器学习土地覆被分类

记录一下课上演示的一个遥感云计算+机器学习土地覆被解译的例子。

数据获取

使用AI EARTH下载Landsat9影像数据，自己随意指定一个研究区即可。

• AI EARTH：https://engine-aiearth.aliyun.com/#/portal/open-data

R语言机器学习土地覆被解译

前面给大家分享过一个实例，R语言机器学习土地覆被分类实例，不过推文里面由于倏忽，少粘了点代码，完整代码请看原文：

• https://mlr-org.com/gallery/technical/2023-02-27-land-cover-classification/

QGIS制作样本点

使用QGIS建一个GeoPackage，然后点样本点，详细操作看B站视频，不赘述

R语言机器学习土地覆被解译代码

简单说一下需要注意的点：

• 机器学习的样本数据，类型必须使用因子型factor
• 机器学习的样本字段，必须和影像字段完全对应

不理解没关系，看视频

代码直接全部放上来：

library(mlr3verse)
library(mlr3spatial)
library(terra, exclude = "resample")
library(sf)
library(tidyverse)
library(tidyterra)

Kunming_raster = rast("./Raster/KunmingLandsat9.tif")
Kunming_raster
plot(Kunming_raster)

Kunming_vector = read_sf("./Raster/ROI.gpkg", query = 'SELECT * FROM Kunming_vector2') %>% 
  mutate(land_cover = as.factor(land_cover))
Kunming_vector
plot(Kunming_vector)

#提取栅格像元值
km_vect = terra::extract(Kunming_raster, Kunming_vector)
km_vect
Kunming_vector = cbind(Kunming_vector, km_vect)
Kunming_vector = Kunming_vector %>% 
  dplyr::select(-ID)
Kunming_vector


ggplot() +
  geom_spatraster_rgb(data = Kunming_raster, r = 4, g = 3, b = 2, max_col_value = 20000) +
  geom_spatvector(data = Kunming_vector, aes(color = land_cover)) +
  scale_color_viridis_d(name = "Land cover", labels = c("Forest", "Farm", "Buildings", "Water")) +
  theme_minimal()

task = as_task_classif_st(Kunming_vector, target = "land_cover")
task

learner = lrn("classif.rpart")
learner$train(task)

# predict land cover map
land_cover = predict_spatial(Kunming_raster, learner)
land_cover
plot(land_cover)

常见问题

创建任务报错

创建分类任务的时候可能报错，如下图 task = as_task_classif_st(Kunming_vector, target = "land_cover") 错误于.__TaskClassifST__coordinate_names(self = self, private = private, : Assertion on 'rhs' failed: Must have length 2, but has length 3.

这是因为导入的点有高程信息，机器学习解译所需的点位不能有高程信息，只能有x,y坐标。

由于初始文件是使用两步路获取的照片点位，因此存储了高程Z信息，在进行R语言机器学习解译时，需要从QGIS中把点位中的Z去除，导出Points类型的矢量，并且把Z高程信息去掉。