Google Earth Engine（GEE）——Kmeans聚类快速进行土地分类(双for循环快速调参)

k均值聚类算法（k-means clustering algorithm）是一种迭代求解的聚类分析算法，其步骤是，预将数据分为K组，则随机选取K个对象作为初始的聚类中心，然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本，聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。终止条件可以是没有（或最小数目）对象被重新分配给不同的聚类，没有（或最小数目）聚类中心再发生变化，误差平方和局部最小。

我们本次是研究通过不同的参数调整来实验我们的研究对象，当然可以叠加多层for循环查看结果，这次我们分别对分类的个数各所选择的初始化的分类方法进行for循环，剩下的所有参数都采用默认状态进行。

ee.Clusterer.wekaKMeans(nClusters, init, canopies, maxCandidates, periodicPruning, minDensity, t1, t2, distanceFunction, maxIterations, preserveOrder, fast, seed)
使用k means算法对数据进行聚类。可以使用欧氏距离（默认）或曼哈顿距离。如果使用曼哈顿距离，那么中心点将被计算为分量上的中位数而不是平均值。更多信息见。

参数。
nClusters（整数）。
集群的数量。

init（整数，默认：0）。
使用的初始化方法。0=随机，1=k-means++，2=canopy，3=farthest first。

canopies（布尔值，默认：false）。
使用canopies来减少距离计算的次数。

maxCandidates（整数，默认：100）。
使用树冠聚类时，任何时候在内存中保留的候选树冠的最大数量。T2距离加上数据特性，将决定在进行定期和最终修剪之前形成多少个候选树冠，这可能会导致内存消耗过大。这个设置可以避免大量的候选树冠消耗内存。

periodicPruning（整数，默认：10000）。
当使用树冠聚类时，多久修剪一次低密度树冠。

minDensity（整数，默认为2）。
使用树冠聚类时的最小树冠密度，低于该密度的树冠将在定期修剪中被修剪。

t1（Float，默认：-1.5）。
使用树冠聚类时要使用的T1距离。一个<0的值被当作T2的正数倍。

t2（浮点数，默认为-1）。
使用冠层聚类时要使用的T2距离。值<0会导致使用基于属性标准差的启发式方法。

distanceFunction（字符串，默认为 "欧几里得"）。
要使用的距离函数。选项是。欧几里得和曼哈顿

maxIterations（整数，默认为空）。
迭代的最大次数。

preserveOrder（布尔值，默认为false）。
保留实例的顺序。

fast（布尔值，默认为false）。
启用更快的距离计算，使用切分值。禁用平方误差/距离的计算/输出。

seed（整数，默认为10）。
随机化种子。

返回。聚类器

引用：

D. Arthur, S. Vassilvitskii: k-means++: the advantages of careful seeding. In: Proceedings of the eighteenth annual ACM-SIAM symposium on Discrete algorithms, 1027-1035, 2007.

​

 这里我们看结果：

​编辑​编辑

1次聚类的结果：

​编辑

 分类结果为5的结果：

​编辑

 分类为10的结果​编辑

 分类17的结果：​编辑

代码：(823条消息) Google Earth Engine（GEE）——Kmeans聚类快速进行土地分类(双for循环快速调参)_此星光明2021年博客之星云计算Top3的博客-CSDN博客

​