1.介紹

主成分分析是將眾多具有相關性的數據指標，重新組合成一組新的指標,新形成的指標互不相關，并且前幾個主成分能代表原始數據的大部分信息。

在GEE中，可能會遇到波段數非常多的情況，這時就可以考慮使用主成分分析法只生成兩、三個主成分，減少后續工作量。

2.代碼思路

3.實操

3.1 數據篩選與預處理

這一步主要是選擇研究區(四川省_資陽市_樂至縣)的哨兵影像，并對篩選的數據按照行政邊界進行鑲嵌與裁剪

//篩選數據 var sentImages = ee.ImageCollection(Sentinel) .filter(ee.Filter.lt('CLOUDY_PIXEL_PERCENTAGE', 10)) .filterDate("2021-08-01", "2021-08-08") .filterBounds(LeZhiXian);//鑲嵌與裁剪數據 var sentmosaic = sentImages.mosaic(); var sentImage = sentmosaic.clip(LeZhiXian);//加載研究區影像圖層 Map.addLayer(sentImage, trueColor, "樂至縣真彩色");

3.2 數據篩選與預處理

選擇需要進行主成分分析的原始影像波段，并且設置主成分分析影像的分辨率等。在進行主成分分析之前，進行預處理（協方差縮減等）。

//需要進行主成分分析的波段選擇 var bands=["B1","B2","B3","B4","B5","B6","B7","B8","B9","B11","B12"] sentImage =sentImage.select(bands)// 輸入到主成分函數的參數設置 var region = LeZhiXian; var image = sentImage.select(bands); var scale = 10; var bandNames = image.bandNames();//數據平均 var meanDict = image.reduceRegion({reducer: ee.Reducer.mean(),geometry: region,scale: scale,maxPixels: 1e9 }); var means = ee.Image.constant(meanDict.values(bandNames)); var centered = image.subtract(means);

3.3 主成分分析

這部分的代碼是從Google earth engine官方文檔中copy過來的，針對輸入影像，進行轉為數組、計算正交矩陣、計算主成分載荷等操作。

//主成分分析函數 var getPrincipalComponents = function(centered, scale, region) {// 圖像轉為一維數組var arrays = centered.toArray();// 計算相關系數矩陣var covar = arrays.reduceRegion({reducer: ee.Reducer.centeredCovariance(),geometry: region,scale: scale,maxPixels: 1e9});// 獲取“數組”協方差結果并轉換為數組。// 波段與波段之間的協方差var covarArray = ee.Array(covar.get('array'));// 執行特征分析，并分割值和向量。var eigens = covarArray.eigen();// 特征值的P向量長度var eigenValues = eigens.slice(1, 0, 1);//計算主成分載荷var eigenValuesList = eigenValues.toList().flatten()var total = eigenValuesList.reduce(ee.Reducer.sum())var percentageVariance = eigenValuesList.map(function(item) {return (ee.Number(item).divide(total)).multiply(100).format('%.2f')})print("各個主成分載荷比", percentageVariance) // PxP矩陣，其特征向量為行。var eigenVectors = eigens.slice(1, 1);// 將圖像轉換為二維陣列var arrayImage = arrays.toArray(1);//使用特征向量矩陣左乘圖像陣列var principalComponents = ee.Image(eigenVectors).matrixMultiply(arrayImage);// 將特征值的平方根轉換為P波段圖像。var sdImage = ee.Image(eigenValues.sqrt()).arrayProject([0]).arrayFlatten([getNewBandNames('sd')]);//將PC轉換為P波段圖像，通過SD標準化。principalComponents=principalComponents// 拋出一個不需要的維度，[[]]->[]。.arrayProject([0])// 使單波段陣列映像成為多波段映像，[]->image。.arrayFlatten([getNewBandNames('pc')])// 通過SDs使PC正常化。.divide(sdImage);return principalComponents}; //進行主成分分析，獲得分析結果 var pcImage = getPrincipalComponents(centered, scale, region); // 主要成分可視化 Map.addLayer(pcImage, {bands: ['pc3', 'pc2', 'pc1'], min: -2, max: 2}, 'Sentinel 2 - PCA');

3.4 數據導出

選擇需要導出的主成分波段，這里導出的是前三個波段，因為前三個波段累計貢獻率超過95%，完全夠用了。

//選擇導出的波段 var pcImage_output =pcImage.select(['pc1', 'pc2', 'pc3']) //導出函數 Export.image.toDrive({image: pcImage_output,description: 'LeZhiXian_Sentinel_PAC',folder:'LeZhiXian',scale: 10,region:LeZhiXian,maxPixels: 1e10 });

點擊Run進行數據下載，一個縣的研究區大概10分鐘就能得到預期影像。

將下載的影像，導入到arcgis或envi中，進行你所需要的分析。這里稍微提一下，在深度學習中，也可以用主成分分析法處理多波段影像，獲得三個波段，用于訓練與預測。

總結

以上是生活随笔為你收集整理的GIS实战应用案例100篇（一）-GEE主成分分析（含代码）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。