在 gee 中无法直接用单类样本训练传统监督分类器（如 cart、random forest），必须为“非目标类”补充代表性样本，才能构建有效的二分类模型。
在 gee 中无法直接用单类样本训练传统监督分类器（如 cart、random forest），必须为“非目标类”补充代表性样本，才能构建有效的二分类模型。
Google Earth Engine（GEE）的监督分类器（如 ee.Classifier.smileCart、ee.Classifier.smileRandomForest）本质上是多类判别模型，其训练逻辑依赖于不同类别间的特征分布差异。当仅提供单一类别的训练样本（例如仅有“森林”点位，无“非森林”样本）时，分类器无法学习决策边界——因为缺少对比基准，算法会报错：EEException: Classifier training failed: 'Only one class.'。这并非 GEE 的限制，而是监督学习的基本前提：至少两个类别、且每类需有足够区分性的训练样本。
✅ 正确做法：将问题重构为二分类任务，主动定义并采集“背景类”（background / non-target class）样本。例如：
- 目标类：已知的森林调查点（forest_points）；
- 背景类：从典型非森林区域（如裸地、农田、城市建成区、水体）人工选取或通过规则生成的代表性点位（non_forest_points）；
// 示例：构建二分类训练集合
var forestPoints = ee.FeatureCollection('users/yourname/forest_survey'); // 1类样本
var nonForestPoints = ee.FeatureCollection('users/yourname/non_forest_screenshots')
.merge(ee.FeatureCollection.randomPoints(
ee.Geometry.Polygon([[[-120, 35], [-118, 35], [-118, 34], [-120, 34]]]),
500, 0, 1000000 // 在指定区域随机采500个背景点
));
// 合并并添加标签（1=forest, 0=non_forest）
var training = forestPoints
.map(function(f) { return f.set('class', 1); })
.merge(nonForestPoints.map(function(f) { return f.set('class', 0); }));
// 提取影像特征（以Landsat 8为例）
var image = ee.Image('LANDSAT/LC08/C02/T1_L2').select(['SR_B[2-7]']).divide(10000);
var bands = ['SR_B3', 'SR_B4', 'SR_B5', 'SR_B6', 'SR_B7'];
var trainingWithFeatures = image.sampleRegions({
collection: training,
properties: ['class'],
scale: 30,
geometries: true
});
// 训练与分类
var classifier = ee.Classifier.smileRandomForest(10).train({
features: trainingWithFeatures,
classProperty: 'class',
inputProperties: bands
});
var classified = image.classify(classifier).rename('prediction');⚠️ 关键注意事项：
- 背景样本需具有空间与光谱代表性：避免全部选自单一地类（如全选水体），否则模型泛化能力差；建议覆盖多种典型非目标地物；
- 样本平衡性建议：两类样本数量不宜极度悬殊（如 10 vs. 10000），可使用 training.shuffle().limit(200) 均衡；
- 不可依赖“自动负采样”：GEE 不支持类似 PyTorch 的 one-class SVM 或 GAN-based anomaly detection；若严格限定仅有一类真值数据，应转向异常检测思路（如计算马氏距离、使用孤立森林等离线方法预处理后导入 GEE）；
- 验证务必独立：测试集必须完全独立于训练采样过程，推荐使用时空分离策略（如用2020年点训练，2022年点验证）。
总结：GEE 的监督分类器不是“单类探测器”，而是“类别区分器”。所谓“One-Class Classification”在 GEE 中必须落地为精心设计的二分类建模——核心不在于算法选择，而在于对背景知识的显式编码与样本工程的严谨性。
