GEE 随机森林 vs CART vs SVM：3 种分类器在土地覆被任务中的性能对比

GEE 中三大监督分类器性能对决：随机森林 vs CART vs SVM 实战评测

当面对遥感影像土地覆被分类任务时，算法选型往往令人纠结。Google Earth Engine（GEE）平台内置了多种监督分类算法，其中随机森林（Random Forest）、分类回归树（CART）和支持向量机（SVM）是最常用的三种。本文将基于同一Sentinel-2数据集，从精度指标、运算效率、地物错分率等维度，为你呈现全面的横向对比测试。

1. 实验设计与数据准备

我们选取2020年长三角某区域Sentinel-2 L2A级地表反射率数据作为测试数据集，包含10m分辨率的可见光、近红外和短波红外波段。同时采集了该区域的水体、林地、农田、建筑四类样本点各200个，按7:3比例划分为训练集和验证集。

// Sentinel-2数据预处理函数 function preprocessS2(image) { var cloudMask = image.select('QA60').bitwiseAnd(1<<10).eq(0) .and(image.select('QA60').bitwiseAnd(1<<11).eq(0)); return image.updateMask(cloudMask) .divide(10000) .copyProperties(image, ['system:time_start']); } // 构建数据集 var s2Col = ee.ImageCollection('COPERNICUS/S2_SR') .filterDate('2020-01-01', '2020-12-31') .filterBounds(roi) .filter(ee.Filter.lt('CLOUDY_PIXEL_PERCENTAGE', 10)) .map(preprocessS2); // 计算中值合成影像 var composite = s2Col.median().clip(roi);

为增强分类特征，我们计算了NDVI、NDWI、NDBI三个典型指数：

var addIndices = function(image) { var ndvi = image.normalizedDifference(['B8', 'B4']).rename('NDVI'); var ndwi = image.normalizedDifference(['B3', 'B8']).rename('NDWI'); var ndbi = image.normalizedDifference(['B11', 'B8']).rename('NDBI'); return image.addBands([ndvi, ndwi, ndbi]); }; var finalImage = addIndices(composite);

2. 分类器原理与参数配置

2.1 随机森林分类器

随机森林通过构建多棵决策树进行集成学习，具有优秀的抗过拟合能力。在GEE中可通过ee.Classifier.smileRandomForest()调用，关键参数包括：

• numberOfTrees：决策树数量（默认100）
• variablesPerSplit：每节点考虑的特征数
• minLeafPopulation：叶节点最小样本数

var rf = ee.Classifier.smileRandomForest({ numberOfTrees: 50, variablesPerSplit: 4, minLeafPopulation: 1 });

2.2 CART分类器

CART是单棵决策树算法，计算效率高但容易过拟合。GEE实现为ee.Classifier.smileCart()，主要参数：

• minLeafPopulation：叶节点最小样本数
• minChildWeight：子节点最小权重和

var cart = ee.Classifier.smileCart({ minLeafPopulation: 5 });

2.3 SVM分类器

SVM通过寻找最优超平面实现分类，适合小样本场景。GEE提供ee.Classifier.libsvm()实现，核心参数：

• kernelType：核函数类型（RBF/线性/多项式）
• gamma：RBF核参数
• cost：惩罚系数

var svm = ee.Classifier.libsvm({ kernelType: 'RBF', gamma: 0.5, cost: 10 });

3. 分类实施与精度评估

使用相同训练数据分别训练三个分类器：

// 训练分类器 var trainedRf = rf.train({ features: trainingData, classProperty: 'class', inputProperties: ['B2','B3','B4','B8','NDVI','NDWI'] }); // 执行分类 var classifiedRf = finalImage.classify(trainedRf);

精度评估采用混淆矩阵计算总体精度（OA）、Kappa系数和各类别F1-score：

4. 性能对比与分析

基于验证集的测试结果如下表所示：

从分类效果看，随机森林在多数地物类别上表现最优，特别是在异质性较强的城市区域。CART虽然速度最快，但对水体与阴影的区分能力较弱。SVM在小样本类别（如建筑）上表现稳定，但需要精细调参。

各类别错分率对比（%）：

注意：建筑类别的错分率普遍较高，主要源于其光谱特征复杂且容易与道路混淆。在实际应用中可考虑增加纹理特征提升区分度。

5. 实战建议与技巧

根据测试结果，针对不同场景的选型建议：

1. 追求最高精度：选择随机森林，适当增加树的数量（50-100棵），配合特征选择
2. 快速原型开发：使用CART进行初步分析，后期可切换更复杂算法
3. 小样本场景：优先考虑SVM，注意调整gamma和cost参数

特征工程对分类效果影响显著，推荐尝试以下组合：

• 基础波段：B2(蓝)、B3(绿)、B4(红)、B8(近红外)
• 植被指数：NDVI、EVI
• 水体指数：NDWI、MNDWI
• 建筑指数：NDBI、IBI

// 特征重要性分析示例 var rfModel = ee.Model.fromClassifier(trainedRf); var importance = rfModel.explain().get('importance'); print('Feature importance:', importance);

在GEE中优化分类流程的几个实用技巧：

• 使用sampleRegions时设置适当scale参数匹配影像分辨率
• 对大型区域分类时采用Export避免浏览器内存限制
• 通过clip()精确控制处理范围提升效率
• 利用stratifiedSample确保样本均衡性

三种分类器在长三角城市群的实际分类效果显示，随机森林能更好地区分复杂的城市用地类型，而SVM在水体边界处理上更为精细。当处理高分辨率影像时，可考虑结合面向对象分类方法进一步提升效果。