在遙感影像處理領域，非監督分類憑借其無需人工標注樣本的優勢，成為快速了解地物分布的得力助手。它能自動依據像素光譜特征的相似性完成聚類，這種“無師自通”的特性，讓地理空間分析變得更加高效。

今天，我們就來深入探討如何在Google Earth Engine（GEE）中實現4種經典的非監督分類算法。從基礎原理到具體代碼實現，再到結果分析，全方位為你講解，文中案例均可直接運行，參數也能靈活調整，非常適合新手入門學習。

一、GEE非監督分類基礎認知

1. 非監督分類的核心概念

非監督分類是一種無標簽的機器學習方法，它的核心原理是讓算法自主去發現影像中像素之間的內在聯系。簡單來說，就是把具有相似光譜特征的像素歸為同一類別，而這個過程不需要我們提前告訴計算機“這是耕地”“那是建筑”。

2. 為什么選擇GEE進行非監督分類？

GEE作為一個強大的云平臺，為非監督分類提供了諸多便利：

• 擁有海量的遙感影像數據，無需我們自己費力去收集和預處理數據。
• 集成了多種成熟的聚類算法，省去了我們自己編寫復雜算法的麻煩。
• 具備強大的計算能力，能快速處理大規模的遙感影像數據。

3. 非監督分類的核心優勢

• 節省時間成本：不需要人工標注大量樣本，大大減少了前期準備工作的時間。
• 快速探索未知區域：對于我們不熟悉的區域，能快速了解其地物分布規律。
• 適合大規模處理：可以高效地對大范圍的遙感影像進行自動化分類。

二、實戰案例：舊金山灣區土地覆蓋分類

本次實戰案例以舊金山灣區為研究區域，采用Landsat 8影像作為數據源，通過4種不同的非監督分類算法，對該區域的土地覆蓋情況進行分類，并對比分析它們的效果。

1. 數據準備詳情

研究區域：舊金山灣區，其地理坐標范圍為（-122.6, 37.4, -122.2, 37.8）。這個區域地物類型豐富，包含了城市建筑、植被、水體、裸地等多種類型，非常適合作為分類案例的研究區域。

數據源：選用Landsat 8 TOA反射率數據，時間范圍為2023年6月1日至2023年9月1日。選擇這個時間段的數據，是因為此時段該區域天氣相對晴朗，云量較少，能保證影像的質量。

特征波段選擇：選取了B4（紅波段）、B3（綠波段）、B2（藍波段）、B5（近紅外波段）、B6（短波紅外1波段）、B7（短波紅外2波段）這6個波段作為分類特征。這些波段能較好地反映不同地物的光譜特性，比如近紅外波段對植被的反射率較高，能很好地區分植被和其他地物。

樣本量確定：生成5000個隨機采樣點作為訓練樣本。樣本量的多少會影響分類結果的準確性，過少的樣本可能無法充分反映地物的特征，過多的樣本則會增加計算量，5000個樣本在保證分類效果的同時，也能兼顧計算效率。

// 定義研究區域
var region = ee.Geometry.Rectangle({coords: [-122.6, 37.4, -122.2, 37.8],proj: 'EPSG:4326'
});// 加載影像并篩選
var image = ee.ImageCollection('LANDSAT/LC08/C02/T1_TOA').filterBounds(region)  // 篩選出研究區域內的影像.filterDate('2023-06-01', '2023-09-01')  // 篩選出指定時間范圍內的影像.sort('CLOUD_COVER')  // 按照云量排序.first()  // 選取云量最少的影像.clip(region);  // 裁剪出研究區域// 選擇特征波段
var bands = ['B4', 'B3', 'B2', 'B5', 'B6', 'B7'];
var input = image.select(bands);// 生成訓練樣本
var training = input.sample({region: region,  // 采樣區域scale: 30,  // 采樣尺度，與Landsat 8影像分辨率一致numPixels: 5000,  // 采樣數量seed: 42,  // 隨機種子，保證結果可重復tileScale: 4  // 提高采樣效率
});

2. 4種算法實現與深度對比

（1）K-Means算法

算法原理：K-Means算法是一種經典的聚類算法，它首先隨機選擇k個初始聚類中心，然后將每個樣本分配到距離最近的聚類中心所在的類別中，接著重新計算每個類別的聚類中心，重復這個過程，直到聚類中心不再發生明顯變化。

特點：作為經典的聚類算法，它需要我們預先設定聚類數量，計算速度相對較快。

核心參數詳解：

• nClusters：聚類數，這個參數需要我們根據研究目標和地物類型的復雜程度來設定。
• init：初始化方式，選擇1表示使用k-means++優化初始化，這種方式能使初始聚類中心的分布更加合理，提高分類效果。
• seed：隨機種子，保證每次運行結果的一致性。

var kmeans = ee.Clusterer.wekaKMeans({nClusters: 4,  // 預設4類，可根據實際情況調整init: 1,       // 采用k-means++優化初始化seed: 42
}).train(training, bands);  // 用訓練樣本和特征波段訓練聚類器
var kmeansResult = input.cluster(kmeans);  // 對輸入影像進行分類

分類效果分析：分類結果的邊界清晰，能較好地將不同地物區分開來。非常適合已知目標類別數量的場景，比如在進行固定類型的土地利用分類時，我們可以根據經驗設定合適的聚類數，得到理想的分類結果。

（2）X-Means算法

算法原理：X-Means算法是K-Means算法的擴展，它在K-Means的基礎上，通過貝葉斯信息準則（BIC）來自動確定最優的聚類數量。它先從較少的聚類數開始，然后不斷嘗試分裂聚類，判斷分裂后的結果是否更優，直到找到最優的聚類數量。

特點：作為K-Means的擴展算法，它最大的優勢是可以自動確定最優聚類數量，不需要我們手動去嘗試和調整。

核心參數詳解：

• minClusters：最小聚類數，設定聚類數量的下限。
• maxClusters：最大聚類數，設定聚類數量的上限。
• useKD：是否啟用KDTree加速計算，啟用后能提高算法處理高維數據的效率。
• seed：隨機種子，保證結果的可重復性。

var xmeans = ee.Clusterer.wekaXMeans({minClusters: 2,  // 最小聚類數為2maxClusters: 6,  // 最大聚類數為6useKD: true,  // 啟用KDTree加速計算seed: 42
}).train(training, bands);  // 訓練聚類器
var xmeansResult = input.cluster(xmeans);  // 進行分類

分類效果分析：由于能自動確定聚類數量，它的分類結果能更好地適應數據的分布特征。適合進行探索性分析，當我們對研究區域的地物類型不太了解時，使用X-Means算法可以快速得到較為合理的分類結果。

（3）級聯K-Means算法

算法原理：級聯K-Means算法通過多輪迭代和多次重啟來尋找全局最優解。它在每一輪迭代中都會嘗試不同的初始聚類中心，通過多次重啟，避免算法陷入局部最優解，從而提高分類結果的穩定性和準確性。

特點：該算法通過多輪迭代優化，多次重啟尋找全局最優解，得到的結果穩定性高，抗噪聲能力強。

核心參數詳解：

• minClusters：最小聚類數。
• maxClusters：最大聚類數。
• manual：是否手動選擇聚類數，設為false表示自動選擇。
• restarts：重啟次數，重啟次數越多，找到最優解的可能性越大，但計算時間也會相應增加。
• init：是否使用優化的初始化方式。
• distanceFunction：距離函數，這里選擇歐幾里得距離。

var cascadeKmeans = ee.Clusterer.wekaCascadeKMeans({minClusters: 2,maxClusters: 6,manual: false,  // 自動選擇聚類數restarts: 10,  // 10次重啟優化，可根據計算資源調整init: true,distanceFunction: "Euclidean"  // 使用歐幾里得距離
}).train(training, bands);  // 訓練聚類器
var cascadeResult = input.cluster(cascadeKmeans);  // 進行分類

分類效果分析：分類結果的穩定性高，對于影像中存在的噪聲點有較強的抵抗能力。適合對分類精度要求較高的場景，比如在進行土地利用變化監測時，需要分類結果具有較高的一致性和準確性，級聯K-Means算法就能滿足這樣的需求。

（4）Cobweb算法

算法原理：Cobweb算法是一種增量式聚類算法，它通過構建分類層次結構來對數據進行聚類。在處理數據的過程中，它會不斷地調整分類結構，當新的數據進來時，會判斷其與現有類別之間的關系，決定是將其歸入現有類別，還是創建新的類別。

特點：作為增量式聚類算法，它可以生成層次化的分類結構，能很好地反映類別之間的層次關系。

核心參數詳解：

• acuity：敏銳度，值越小，算法對數據中的細微差異越敏感，越容易區分不同的類別。
• cutoff：新類創建閾值，值越小，越容易創建新的類別。
• seed：隨機種子，保證結果的可重復性。

var cobweb = ee.Clusterer.wekaCobweb({acuity: 0.1,    // 降低閾值，提高對差異的敏感度cutoff: 0.0001, // 降低新類創建門檻，使算法更容易生成新類seed: 42
}).train(training, bands);  // 訓練聚類器
var cobwebResult = input.cluster(cobweb);  // 進行分類

分類效果分析：分類結果呈現出類別間的層次關系，能很好地反映地物的嵌套結構。比如在分析城市-郊區-農村的梯度變化時，Cobweb算法可以清晰地展示出這種層次關系，幫助我們更好地理解地物的空間分布規律。

3. 結果可視化代碼詳解

// 真彩色影像顯示
Map.addLayer(image, {bands: ['B4', 'B3', 'B2'], min: 0, max: 0.3}, '真彩色影像'); 
// 這里設置了紅、綠、藍三個波段，以及顯示的最小值和最大值，使影像能以真彩色顯示，方便我們直觀地觀察研究區域的地物情況// 分類結果添加到地圖
Map.addLayer(kmeansResult, {min:0, max:3, palette: ['#0000FF','#00FF00','#FF0000','#FFFF00']}, 'K-Means分類');
// 為K-Means分類結果設置了顏色 palette，每個顏色代表一個類別，min和max對應聚類數的范圍Map.addLayer(xmeansResult, {min:0, max:5, palette: ['#FF5733','#33FF57','#3357FF','#F3FF33','#FF33F3','#33FFF3']}, 'X-Means分類');
Map.addLayer(cascadeResult, {min:0, max:5, palette: ['#8B4513','#228B22','#87CEFA','#FFD700','#FF6347','#9370DB']}, '級聯K-Means分類');
Map.addLayer(cobwebResult, {min:0, max:11, palette: ['#FFA500','#008000','#000080','#800080','#00FFFF','#FF0000','#808080','#FFFF00','#00FF00','#0000FF','#FF00FF','#C0C0C0']}, 'Cobweb分類');

結果展示：
真彩色影像

K-means

X-mean

級聯K-means

CobWeb

三、完整代碼獲取與詳細使用指南

1. 代碼使用步驟

1. 打開GEE編輯器：在瀏覽器中輸入code.earthengine.google.com，進入GEE代碼編輯器頁面。
2. 復制代碼：將本文提供的完整代碼復制到編輯器中。
3. 運行代碼：點擊編輯器上方的“Run”按鈕，等待代碼運行完成，地圖會加載出分類結果。
4. 查看結果：在地圖窗口可以切換不同的分類結果圖層進行查看，控制臺會顯示聚類數量統計等信息，幫助我們評估分類效果。
5. 導出結果：如果需要保存分類結果，在左側的“Tasks”面板中找到對應的導出任務，點擊“Run”按鈕，按照提示設置導出參數，即可將結果導出到Google Drive中。

2. 參數調節詳細建議

（以下為基礎參考值，實際應用中需根據具體數據特征進行調整）

• 樣本量：一般建議在3000-10000個像素之間。當研究區域的數據量較大時，可以適當減小樣本量，以提高計算速度；當數據量較小時，可增加樣本量，保證分類的準確性。
• 聚類數量：對于土地利用分類，建議設置5-10類；如果需要進行更精細的分類，比如區分不同種類的植被，可以適當增加聚類數量。
• Cobweb參數：acuity的取值范圍建議在0.1-1之間，cutoff的取值范圍建議在0.0001-0.01之間。這兩個參數值越小，分類結果越精細，但也可能會導致過度分類。
• 波段選擇：除了本文選用的波段外，還可以添加NDVI（歸一化植被指數）、NDBI（歸一化建筑指數）等指數作為特征波段，這些指數能增強不同地物之間的差異，提高分類效果。

四、注意事項與常見問題解決

1. 研究區域更換

如果要將案例應用到其他區域，需要修改region的坐標值。可以通過GEE編輯器中的繪圖工具，繪制新的研究區域，然后獲取其坐標范圍進行修改。

2. 數據源更換

當使用不同傳感器的數據（如Sentinel-2）時，需要對應調整bands參數。不同傳感器的波段設置不同，要選擇適合分類的波段。例如，Sentinel-2的波段更多，分辨率更高，可以根據研究需求選擇合適的波段。

3. 分類結果解讀

聚類結果的顏色只是為了區分不同的類別，并不代表實際的地物類型。在解讀分類結果時，需要結合實地調研數據、高分辨率影像等進行驗證，才能準確判斷每個類別對應的地物類型。

4. 分類效果提升

在復雜的場景中，僅依靠光譜特征可能無法得到理想的分類結果。此時，可以考慮增加紋理特征（如均值、方差等）或多時相數據。紋理特征能反映地物的空間結構信息，多時相數據能反映地物的動態變化，這些都能幫助提高分類的精度。

通過對這4種算法的分類結果進行對比，我們可以根據不同的研究目標選擇合適的算法：如果追求分類效率，K-Means算法是不錯的選擇；如果需要探索未知區域的地物分布，X-Means算法能自動確定聚類數量，非常方便；如果對分類結果的穩定性要求較高，級聯K-Means算法更合適；如果要分析地物的層次關系，Cobweb算法能滿足需求。

在實際應用中，建議先通過非監督分類對研究區域的數據規律進行探索，了解地物的大致分布情況，然后結合少量的樣本進行監督分類優化，這樣既能提高分析效率，又能保證分類精度。希望本文能幫助你更好地掌握GEE中的非監督分類方法，為你的地理空間分析工作提供有力支持。

若您認為本文的技術方法對研究或實踐有參考價值，歡迎關注并推薦給更多從事遙感應用的同行，以便共同交流完善相關技術體系。