【GEE笔记】随机森林特征重要性计算并排序_随机森林重性排序

随机森林是一种基于多个决策树的集成学习方法，可以用于分类和回归问题。在gee中可以使用ee.Classifier.smileRandomForest()函数来创建一个随机森林分类器，并用它来对影像进行分类。

随机森林分类器有一个重要的属性，就是可以计算每个特征（或者说波段）的重要性，即该特征对分类结果的贡献程度。特征重要性可以帮助我们选择最有效的特征，从而提高分类的准确性和效率。

在本文中，将使用gee平台上的哨兵二号影像（COPERNICUS/S2）作为数据源，对区域内的土地覆盖进行分类，并计算并排序每个波段的重要性。具体分类过程可见：
【GEE笔记】在线分类流程，标注样本点、分类和精度评价

代码如下：

var geometry = ee.Geometry.Polygon(
        [[[121.81940156260009, 40.92383488850036],
          [121.81940156260009, 40.73887826797227],
          [121.99998933115478, 40.73887826797227],
          [121.99998933115478, 40.92383488850036]]], null, false)

// 定义年份和波段列表
var year=2020
var bandlist=['B2','B3','B4','B8','B11','B12']

// 定义时间范围
var start = ee.Date(year+'-4-1');
var finish = ee.Date(year+'-7-1');

// 从gee平台上加载哨兵二号影像，并按照时间、空间和云量进行过滤
var dataset = ee.ImageCollection('COPERNICUS/S2')
                  .filterDate(start, finish)
                  .filterBounds(geometry)
                  .filter(ee.Filter.lt('CLOUDY_PIXEL_PERCENTAGE', 20))
                  
// 从影像集中选择需要的波段                  
dataset=dataset.select(bandlist);            
// 定义RGB波段和显示范围
var rgbVis = {
  min: 0.0,
  max: 3000,
  bands: ['B4', 'B3', 'B2'],
};

// 将地图中心定位
Map.centerObject(geometry)
// 打印影像集的信息
print(dataset)

// 对影像集进行中值合成，并裁剪到西城区范围
var image=dataset.median().clip(geometry)
// 在地图上显示合成影像
Map.addLayer(image,rgbVis)

// 加载样本数据，包括淡水、海水、建盆、农田、芦苇、建筑、潭土和草地等八个类别
var sample=danshui.merge(haishui).merge(jianpeng).merge(nongtian).merge(luwie).merge(jianzhu)
.merge(tantu).merge(caodi)

// 为样本数据添加一个随机数列，用于划分训练集和测试集
var withRandom = sample.randomColumn('random');
// 定义训练集和测试集的比例，大约70%的样本用于训练，30%的样本用于测试
var split = 0.7;  
var trainingPartition2 = withRandom.filter(ee.Filter.lt('random', split));
var testingPartition = withRandom.filter(ee.Filter.gte('random', split));

// 从合成影像中提取训练集的像素值，包括波段值和类别标签
var trainingPartition=image.sampleRegions({
    collection: trainingPartition2,
    scale:10,
    properties: ['Map'],
    })
// 创建一个随机森林分类器，使用100棵树，并用训练集进行训练
var classifier = ee.Classifier.smileRandomForest(100).train({
  features: trainingPartition,
  classProperty:'Map',
  // inputProperties :['B4', 'B3', 'B2']
});
// 从分类器的explain()方法中获取特征重要性的字典
var dict = ee.Dictionary(classifier.explain().get('importance'));
// 打印特征重要性的字典
print('Explain:',dict);
// 将特征重要性的字典转换为数组，并按照重要性的值进行排序
var tttt=ee.Dictionary(classifier.explain().get('importance')).toArray().toList();
print('重要性排序:',ee.Dictionary(classifier.explain().get('importance')).keys().sort(tttt))

// 使用ui.Chart.feature.byProperty()函数，将特征重要性的字典绘制成柱状图，并显示在控制台中
var variable_importance = ee.Feature(null, ee.Dictionary(dict2).get('importance'));
var chart =
ui.Chart.feature.byProperty(variable_importance)
.setChartType('ColumnChart')
.setOptions({
title: 'Random Forest Variable Importance',
legend: {position: 'none'},
hAxis: {title: 'Bands'},
vAxis: {title: 'Importance'}
});
 
print(chart);
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83

从输出结果可以看到，B8波段（近红外波段）的重要性最高，达到了410.5263331047649，说明该波段对土地覆盖分类的影响最大。

通过计算并排序特征重要性，可以对影像进行特征选择，即只保留最重要的波段，从而减少数据的维度，提高分类的速度和准确性。当然，特征选择的效果还需要通过分类精度评估来验证，这是下一步的工作。