在數字影象處理中最多的就是應該對影象進行土地利用分類，因此下面是監督分類的流程以及程式碼案例。

1.首先分類最開始應該建立樣本資料集，在這裡我分了四類，然後就開始自己的取樣吧。

設立好分類後，對目標進行分類。

然後對每個樣本進行顏色選擇和屬性定義

2.下面就開始進行程式設計啦

//選擇需要裁剪的向量資料 
var cc = ee.FeatureCollection("users/wangchengcong/CC_5ring");
//去雲函式 
function maskL8sr(image) {
  var cloudShadowBitMask = (1 << 3);
  var cloudsBitMask = (1 << 5);
  
 
var qa = image.select('pixel_qa');
  var mask = qa.bitwiseAnd(cloudShadowBitMask).eq(0)
                 .and(qa.bitwiseAnd(cloudsBitMask).eq(0));
  return image.updateMask(mask);
}
//選擇柵格資料集 
var cc2019 = ee.ImageCollection('LANDSAT/LC08/C01/T1_SR')
                  .filterDate('2019-05-01', '2019-9-30')
                  .map(maskL8sr)
                  .median();
 
//定義光譜指數                  
var mndwi = cc2019.normalizedDifference(['B3', 'B6']).rename('MNDWI');//計算MNDWI
var ndbi = cc2019.normalizedDifference(['B6', 'B5']).rename('NDBI');//計算NDBI
var ndvi = cc2019.normalizedDifference(['B5', 'B4']).rename('NDVI');//計算NDVI
cc2019=cc2019.addBands(ndvi).addBands(ndbi).addBands(mndwi)
 
// 使用下列波段作為特徵
var classNames = building.merge(water).merge(tree).merge(crop);
var bands = ['B2', 'B3', 'B4', 'B5', 'B6', 'B7','MNDWI','NDBI','NDVI'];
// 通過要素集在Landsat-8中選取樣本，把landcover屬性賦予樣本
var training = cc2019.select(bands).sampleRegions({
  collection: classNames,
  properties: ['landcover'],
  scale: 30
});
//精度評價 
var withRandom = training.randomColumn('random');//樣本點隨機的排列
// 保留一些資料進行測試，以避免模型過度擬合。
var split = 0.7; 
var trainingPartition = withRandom.filter(ee.Filter.lt('random', split));//篩選70%的樣本作為訓練樣本
var testingPartition = withRandom.filter(ee.Filter.gte('random', split));//篩選30%的樣本作為測試樣本
//分類方法選擇smileCart() randomForest() minimumDistance libsvm
var classifier = ee.Classifier.libsvm().train({
  features: trainingPartition,
  classProperty: 'landcover',
  inputProperties: bands
});
//對Landsat-8進行分類
var class_img = cc2019.select(bands).classify(classifier);
//運用測試樣本分類，確定要進行函式運算的資料集以及函式
var test = testingPartition.classify(classifier);
//計算混淆矩陣
var confusionMatrix = test.errorMatrix('landcover', 'classification');
print('confusionMatrix',confusionMatrix);//面板上顯示混淆矩陣
print('overall accuracy', confusionMatrix.accuracy());//面板上顯示總體精度
print('kappa accuracy', confusionMatrix.kappa());//面板上顯示kappa值

Map.centerObject(cc)
Map.addLayer(cc);
Map.addLayer(class_img.clip(cc), {min: 0, max: 4, palette: ['orange', 'blue', 'green','yellow']});

3.分類好啦