十一

成的专题图。这可以通过对变化层进行阈值处理或使用机器学习算法等分类技术来相当简单地完成。使用差异层的简单阈值处理的一大挑战是了解如何选择合适的阈值来将变化区域与稳定类别分开。另一方面，使用机器学习算法的分类技术使用你提供的用于训练分类器的参考数据示例来划分景观。

在本章中，我们将使用简单的手动阈值方法将图像分类，这意味着我们将决定图像中像素何时被视为变化或不变的最佳值。找到理想值是一项艰巨的任务，并且对于每个用例和输入组来说都是唯一的（例如，SWIR2 单波段变化的阈值将与 NDVI 的阈值不同）

首先，你将为增益和损失的阈值定义两个变量。接下来，创建一个常量值为0的新图像。这将是我们分类的基础。使用where函数对新图像重新分类。将差异图像小于或等于损失阈值的损失区域分类为2。当差异图像大于或等于增益阈值时，将增益区域重新分类为1。最后，单独屏蔽图像并将分类图像添加到地图中。注意：没有必要对图像进行自我屏蔽，并且在许多情况下，你可能对未更改的区域和已更改的区域同样感兴趣。

// Classify change

var thresholdGain=0.10;

var thresholdLoss=-0.10;

var diffClassified=ee.Image(0);

diffClassified=diffClassified.where(diff.lte(thresholdLoss), 2);

diffClassified=diffClassified.where(diff.gte(thresholdGain), 1);

var changeVis={

palette: \''fcffc8,2659eb,fa1373\'',

min: 0,

max: 2

};

Map.addLayer(diffClassified.selfMask(),

changeVis,

\''change classified by threshold\'');

A）

b)

俄勒冈州南部用材林的变化检测，包括（从左到右）事件前假彩色或合成图、事件后假彩色合成图、差异图像和分类变化图使用□□橡胶；俄勒冈州南部火灾造成的变化示例采用相同的地图类型。假彩色地图以绿色突出显示植被，以棕色突出显示贫瘠的地面。差异图像显示粉红色的 NBR 增益和蓝色的 NBR 损失。分类变化图像以蓝色显示 NBR 增益，以红色显示 NBR 损失。