Google Earth Engine（GEE）——制作土地覆盖图并验证其结果

最新推荐文章于 2024-09-30 16:56:08 发布
最新推荐文章于 2024-09-30 16:56:08 发布
阅读量51 收藏
点赞数
分类专栏： GEE教程训练 Google Earth Engine gee土地分类专栏 文章标签： 随机森林 classifier 机器学习 监督分类 精度评定 gee javascript
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_31988139/article/details/121213455
版权

简介

作土地覆盖图并验证地图结果。

描述：
此脚本完成多项任务：
1. 设置研究区域
2. 加载 LC8 SR 图像以进行预测
3. 创建训练数据和验证数据的样本数据
4. 训练随机森林 (RF) 并将其分类为植被、水、雪、和其他
5. 进行准确性评估

 

 

了解本专栏 订阅专栏 解锁全文 超级会员免费看
此星光明
关注
专栏目录
订阅专栏
Google Earth Engine ——土地分类/覆盖制图混淆矩阵（验证2）
此星光明博客
10-28 1384
模型验证是在测试数据集上评估训练模型的过程。这提供了训练模型的泛化能力。我们用不同的验证方法来衡量我们模型的有效性。其中常用的是混淆矩阵。这就是混淆矩阵成为众人瞩目的地方。混淆矩阵是机器学习分类的性能度量。它对于测量召回率、精确度、特异性和准确度非常有用。 如何计算混淆矩阵？ 混淆矩阵是对分类问题的预测结果的汇总。正确和错误预测的数量用计数值汇总并按每个类别细分。这是混淆矩阵的关键。混淆矩阵显示了分类模型在进行预测时混淆的方式。它不仅让我们深入了解分类器所犯的错误，更重要的是让我们了解正在犯的错误类型。
Google Earth Engine（GEE）——如何通过F-fold完成交叉验证
此星光明博客
09-13 1036
创建一个子数组，沿着给定的轴从 "开始"（包括）到 "结束"（不包括）以 "步长 "的增量切出每个位置。结果将有和输入一样多的维度，并且在所有方向上都有相同的长度，除了切片轴，长度将是沿'轴'的输入数组长度范围内的从'开始'到'结束'的'步'的位置数。负数用于定位相对于数组末端的切片开始，其中-1开始于轴上的最后一个位置，-2开始于倒数第二个位置，等等。从'开始'（包括）到'结束'（不包括），每一个整数倍的'步长'都会有一个切片。对一个集合中的对象的给定属性进行聚合，计算出一个所选属性的所有值的列表。
Google Earth Engine（GEE）——土地分类/覆盖案例分析含各类土地面积统计和精度评定（印度班加罗尔为例）
此星光明博客
03-07 2322
这里有一个函数需要重新回顾一下：这个函数只适用于TOA影像 ee.Algorithms.Landsat.simpleComposite(collection,percentile,cloudScoreRange,maxDepth,asFloat) 从陆地卫星原始场景的集合中计算出陆地卫星TOA合成。它应用标准的TOA校准，然后使用SimpleLandsatCloudScore算法给每个像素分配一个云分。它在每个点上选择可能的最低云分范围，然后从被接受的像素中计算出每个波段的百分位值。该算法还...
Google Earth Engine（GEE）——监督分类（加入验证样本）
此星光明博客
01-04 1179
通过比较集合的两列来计算集合的二维误差矩阵：一列包含实际值，一列包含预测值。这些值应该是小的连续整数，从 0 开始。轴 0（行）矩阵对应于实际值，轴 1（列）对应于预测值。如果未指定此参数，则假定这些值是连续的并且跨越 0 到 maxValue 的范围。如果指定，则仅使用与此列表匹配的值，并且矩阵将具有与此列表匹配的维度和顺序。上一次我们讲到了监督分类案例，但是并没有进行验证子集的评定，这次加入了验证精度来进行分析。包含实际值的属性的名称。包含预测值的属性的名称。
Google Earth Engine（GEE）——全球1公里分辨率下12种土地覆盖
此星光明博客
06-01 478
我们的产品提供了全球范围内每个标称的1公里像素内12种土地覆被类别流行程度的准确加权共识信息（南极洲除外）。因此，它在捕捉亚像素土地覆盖信息的能力和对物种分布建模的效用方面超过了单一的基础产品。每个数据集包含12个数据层，每个数据层提供关于一个土地覆盖类别的普遍性的共识信息。使用一个通用的分类方案和一个基于精度的整合方法，我们整合了四个全球土地覆盖产品。这些数据集整合了多个全球遥感衍生的土地覆盖产品，并提供了关于1公里分辨率下12种土地覆盖类别流行程度的共识信息。有关整合方法和数据集评价的其他信息。
Google Earth Engine（GEE）—— 快速进行农田作物土地分类和面积统计
此星光明博客
11-25 2695
复杂景观中的土地覆盖分类受到作物/植被类型固有的短距离转变的限制，尤其是在小农耕作系统中。地球观测图像的可用性和可访问性不断提高，为评估状态和监测土地覆盖变化提供了重要机会，但解锁这种能力取决于相关地面实况数据的可用性，以校准和验证分类算法。撒哈拉以南非洲农业系统通常无法获得急需的空间显式地面实况数据，这限制了相关分析工具的开发，以监测农田动态或对农业系统产生 [近] 实时洞察。
Google Earth Engine（GEE）——客户端python的安装与使用
此星光明博客
08-24 2817
包导入 Python API 包称为ee.必须为每个新的 Python 会话和脚本导入和初始化它： import ee 向 Earth Engine 服务器进行身份验证： ee.Authenticate() 您获取身份验证凭据的方式可能因您的环境而异。有关Colab和Conda 中身份验证的更多详细信息，请参阅链接。通常，本地安装的身份验证是生成持久授权令牌的一次性步骤，而诸如 Colab 之类的 VM 服务会限制令牌的生命周期。 初始化 API： ee.Initia...
Google Earth Engine（GEE）——土地分类精度分析randomColumn产生伪随机数然后进行混淆矩阵计算
此星光明博客
01-08 1365
我们在进行土地分类时，需要进行精度验证，但是之前我们要进行样本点的随机分类，也就是分出一部分作为训练样本另外一部分作为，这是我们要想产生随机种子赋值给我们所选定的训练样本，这样我们就可以随机将样本进行分成训练样本和验证样本，而我们使用的函数randomColumn函数后就可以给所有的训练样本添加一个随机数的种子。输出是双精度浮点数。除了常用的混淆矩阵之外，就是我们的两个分别的精度评定和kappa系数的总结和分析。换句话说，给定一个起始值（即种子），randomColumn 将始终提供相同的伪随机数序列。
Google Earth Engine（GEE）——Kmeans聚类快速进行土地分类(双for循环快速调参)
此星光明博客
06-17 1762
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
线性方程组的迭代方法
jk_101的博客
09-28 884
数值线性代数最重要也是最常见的应用之一是可求解以 A*x = b 形式表示的线性方程组。当 A 为大型稀疏矩阵时，您可以使用迭代方法求解线性方程组，使用这一方法，您可在计算的运行时间与解的精度之间进行权衡。本主题介绍 MATLAB® 中可用于求解方程 A*x = b 的迭代方法。
Rasa：开源的机器学习框架
Indra_ran的博客
09-27 1049
一、Rasa简介 Rasa是一套用来构建基于上下文的AI小助手和聊天机器人框架。 分为两个主要的模块： NLU：自然语言理解模块，实现意图识别以及槽值的提取，将用户的输入转化为结构性数据，在训练过程中，为了提高从用户信息的实体识别能力，采用了预先训练的实体提取器Pre-trained Entity Extractors，正则表达式Regexes，同义词Synonyms等 Rasa Core：对话管理模块，也是一个平台，用来预测决定下一步做什么，其中对话数据包括了stories以及rules 其中设计对
特征工程——一门提高机器学习性能的艺术
清图出版
09-30 429
你将学会清洗和转换数据，减轻偏见。通过“特征工程”技术，可优化训练数据，提升机器学习流程的输出效果！“特征工程”基于现有数据设计相关的输入变量，由此简化训练过程，增强模型性能。许多知名的 AI专家正在敦促数据科学家更关注以数据为中心的机器学习视角，而不是过于关注模型选择和超参数调整过程。当前围绕人工智能(AI)和机器学习(ML)展开的许多讨论以模型为中心，聚焦于 ML和深度学习(DL)的最新进展。类似MLOps的领域正迅速发展，通过系统性地训练和利用ML模型，尽量减少人为干预，以“释放”工程师的时间。
机器学习-KNN分类算法
qq_55882840的博客
09-26 1094
由于找到的结果中大多数是猫，则把这个新动物划分为猫类。如果k值太大，学习的近似误差会增大，导致分类模糊，即欠拟合。对图5.2中的动物进行分类，当k=3时，分类结果为“猫：狗=2：1”，所以属于猫；当k=5时，表决结果为“猫：狗：熊猫=2：3：1”，所以判断目标动物为狗。KNN分类算法的核心思想：如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。分类结果的确定往往采用多数表决原则，即由输入实例的k个最邻近的训练实例中的多数类决定输入实例的类别。
diffusion vs GAN
Kuekua的专栏
09-27 814
条件生成对抗网络（cGAN）是 Pix2pix 的基础架构。传统的 GAN（生成对抗网络）包括一个生成器（Generator）和一个判别器（Discriminator），生成器从噪声分布中生成假样本，判别器则尝试区分真假样本。cGAN 则在此基础上加入了条件信息，使得生成过程不仅依赖于噪声，还依赖于特定的条件输入，从而引导生成器生成符合条件的样本。
240925-GAN生成对抗网络
weixin_66378701的博客
09-27 965
GAN，顾名思义，gan……咳咳，就是干仗嘛（听子豪兄的课讲说这个名字还真的源于中文这个字），对应的就有两方，放在这里就是有两个网络互相对抗互相学习。类比武林高手切磋，都是高手惺惺相惜，打架只分胜负，不决生死，今天你打赢了，我回去总结一下复盘一下，想想怎么应对，明天我打赢了，你又回去总结经验，然后继续打下去。GAN其实是两个网络的组合，一个是生成器（，后文简称G），一个是判别器（，后文简称D），生成器负责生成模拟数据，判别器要保证自己判断的准确。
【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络（2）Keras
最新发布
2201_76026029的博客
09-30 525
本学习笔记 仅为以防自己忘记了，顺便分享给一起学习的网友们参考。如有不同意见/建议，可以友好讨论。本学习笔记 所有的代码和数据都可以从陈强老师的个人主页上下载陈强.机器学习及Python应用. 北京：高等教育出版社, 2021.数学原理等 详见陈强老师的PPT参考了：网友伪_装的CNN对 MNIST 数据集中的图像进行分类#定义一个用于构建网络的函数，便于后续调用。
深入探索 PyTorch 在机器学习中的应用
weixin_42132035的博客
09-27 819
PyTorch是由Facebook开发的开源深度学习框架，因其动态图计算特性和友好的API而受到研究人员和开发者的广泛欢迎。相较于其他框架，PyTorch更易于调试和实现复杂模型，使得其在学术研究和工业应用中都得到了广泛的应用。接下来，我们定义一个简单的CNN模型：pythonreturn x接下来，我们定义一个LSTM模型：python。
【机器学习(五)】分类和回归任务-AdaBoost算法
weixin_45141860的博客
09-26 1151
相比传统代码方式，利用Sentosa_DSML社区版完成机器学习算法的流程更加高效和自动化，传统方式需要手动编写大量代码来处理数据清洗、特征工程、模型训练与评估，而在Sentosa_DSML社区版中，这些步骤可以通过可视化界面、预构建模块和自动化流程来简化，有效的降低了技术门槛，非专业开发者也能通过拖拽和配置的方式开发应用，减少了对专业开发人员的依赖。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

此星光明

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值