1.介绍

主成分分析是将众多具有相关性的数据指标，重新组合成一组新的指标,新形成的指标互不相关，并且前几个主成分能代表原始数据的大部分信息。

在GEE中，可能会遇到波段数非常多的情况，这时就可以考虑使用主成分分析法只生成两、三个主成分，减少后续工作量。

2.代码思路

3.实操

3.1 数据筛选与预处理

这一步主要是选择研究区(四川省_资阳市_乐至县)的哨兵影像，并对筛选的数据按照行政边界进行镶嵌与裁剪

//筛选数据
var sentImages = ee.ImageCollection(Sentinel)
.filter(ee.Filter.lt('CLOUDY_PIXEL_PERCENTAGE', 10))
.filterDate("2021-08-01", "2021-08-08")
.filterBounds(LeZhiXian);//镶嵌与裁剪数据
var sentmosaic = sentImages.mosaic();
var sentImage = sentmosaic.clip(LeZhiXian);//加载研究区影像图层
Map.addLayer(sentImage, trueColor, "乐至县真彩色");

3.2 数据筛选与预处理

选择需要进行主成分分析的原始影像波段，并且设置主成分分析影像的分辨率等。在进行主成分分析之前，进行预处理（协方差缩减等）。

//需要进行主成分分析的波段选择
var bands=["B1","B2","B3","B4","B5","B6","B7","B8","B9","B11","B12"]
sentImage =sentImage.select(bands)// 输入到主成分函数的参数设置
var region = LeZhiXian;
var image =  sentImage.select(bands);
var scale = 10;
var bandNames = image.bandNames();//数据平均
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

这部分的代码是从Google earth engine官方文档中copy过来的，针对输入影像，进行转为数组、计算正交矩阵、计算主成分载荷等操作。

//主成分分析函数
var getPrincipalComponents = function(centered, scale, region) {// 图像转为一维数组var arrays = centered.toArray();// 计算相关系数矩阵var covar = arrays.reduceRegion({reducer: ee.Reducer.centeredCovariance(),geometry: region,scale: scale,maxPixels: 1e9});// 获取“数组”协方差结果并转换为数组。// 波段与波段之间的协方差var covarArray = ee.Array(covar.get('array'));// 执行特征分析，并分割值和向量。var eigens = covarArray.eigen();// 特征值的P向量长度var eigenValues = eigens.slice(1, 0, 1);//计算主成分载荷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("各个主成分载荷比", percentageVariance)  // PxP矩阵，其特征向量为行。var eigenVectors = eigens.slice(1, 1);// 将图像转换为二维阵列var arrayImage = arrays.toArray(1);//使用特征向量矩阵左乘图像阵列var principalComponents = ee.Image(eigenVectors).matrixMultiply(arrayImage);// 将特征值的平方根转换为P波段图像。var sdImage = ee.Image(eigenValues.sqrt()).arrayProject([0]).arrayFlatten([getNewBandNames('sd')]);//将PC转换为P波段图像，通过SD标准化。principalComponents=principalComponents// 抛出一个不需要的维度，[[]]->[]。.arrayProject([0])// 使单波段阵列映像成为多波段映像，[]->image。.arrayFlatten([getNewBandNames('pc')])// 通过SDs使PC正常化。.divide(sdImage);return principalComponents};
//进行主成分分析，获得分析结果
var pcImage = getPrincipalComponents(centered, scale, region);
// 主要成分可视化
Map.addLayer(pcImage, {bands: ['pc3', 'pc2', 'pc1'], min: -2, max: 2}, 'Sentinel 2 - PCA');

3.4 数据导出

选择需要导出的主成分波段，这里导出的是前三个波段，因为前三个波段累计贡献率超过95%，完全够用了。

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

点击Run进行数据下载，一个县的研究区大概10分钟就能得到预期影像。

将下载的影像，导入到arcgis或envi中，进行你所需要的分析。这里稍微提一下，在深度学习中，也可以用主成分分析法处理多波段影像，获得三个波段，用于训练与预测。

GIS实战应用案例100篇（一）-GEE主成分分析（含代码）相关推荐

GIS实战应用案例100篇（十五）-CASS插件应用：如何控制点属性与点名统一
前言图面上有100+控制点,图上点名注记和点的属性值不一致(下图所示),要怎么操作才能统一? 图上的点名注记是统一编号,手工修改的.也是最终确定的控制点点名.属性面板中看到"点名" ...
GIS实战应用案例100篇（二十一）-全国分省、市、县净初级生产力NPP数据制作实战（附代码）
前言净初级生产力(Net primary productivity, NPP)是研究陆地生态系统中物质和能量转换的重要指标,NPP的空间分布与区域气候.植被生长以及人类活动等因素息息相关,其变化能反 ...
GIS实战应用案例100篇（十六）-CASS道路横断面线，如何折线变直线？
前言 CASS绘制的道路横断面线是一条垂直纵断面线的直线.而实地采集的断面点连线,是一条折线.应该采用折线还是直线?如何将折线变成直线? 怎么解决折线变曲线的操作步骤: 1.绘制纵断面线在命令行输入 ...
GIS实战应用案例100篇（八）-桩号相同，坐标不同，RTK怎么输入曲线要素？
前言平曲线表输入RTK手簿前,我们需要先分析平曲线表,判断数据,该工程平曲线表适合用元素法还是交点法? 分析:该工程平曲线表中,JD4和JD5桩号相同,坐标不同:JD8和JD9,桩号也相同,坐标不同 ...
GIS实战应用案例100篇（七）-基于GIS和ENVI的矢量化提取水体边界
一.影像准备本期以威宁草海为例,用到的影像为2020年11月13日覆盖草海地区的一景高分一号宽幅(WFV4)影像,景序列号为5191489. 二.影像预处理因本期内容不涉及到定量遥感,所以只需对该 ...
GIS实战应用案例100篇（三）-基于NDVI指数的绿地信息提取
NDVI的计算 (1) 打开预处理后的影像 (2) band math工具打开ENVI 5.3 band math工具,输入公式:float(b4-b3)/float(b4+b3) ,点击OK,定义 ...
GIS实战应用案例100篇（二）-元胞自动机模拟城市扩张过程
前言 CA模型:CA(Cellular Automat)即元胞自动机模型,元胞自动机是一种具有时空计算特征的模型框架,从局部到整体的建模思想被广泛的应用于空间上离散.时间上也离散的复杂性系统模拟.标准 ...
机器学习实战应用案例100篇（二）-蚁狮优化算法从原理到实战应用案例
蚁狮优化算法(原理) 1 简介蚁狮(Antlions,蚁蛉)属于蚁蛉科和神经翅目(网翅昆虫).蚁狮的生命周期包括两个主要阶段:幼虫和成虫. 自然的总寿命可达3年,主要发生在幼虫(成虫期只有3 - 5 ...
机器学习实战应用案例100篇（十四）-飞蛾扑火优化算法从原理到实战应用案例
飞蛾扑火优化算法(原理) 1 算法简介飞蛾是一种奇特的昆虫,与蝴蝶家族非常相似.基本上,自然界有超过16万种不同种类的这种昆虫.它们一生中有两个主要的里程碑:幼虫和成虫.幼虫在茧中变成蛾. 关于飞蛾 ...

GIS实战应用案例100篇（一）-GEE主成分分析（含代码）