Google Earth Engine（GEE）——使用机器学习进行金三角大米分布图

于 2024-06-08 15:00:00 发布
阅读量123 收藏 1
点赞数
分类专栏： GEE教程训练 文章标签： 机器学习 人工智能 金三角 大米 产量 分布图 gee
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/121235170
版权
本文指导如何通过Google Earth Engine (GEE)结合机器学习技术，分析并展示金三角地区的大米分布情况。首先在GEE代码编辑器中导入数据，接着过滤并可视化大米和非大米数据，然后进行区域复合采样用于训练，最后利用随机森林算法进行训练，并在地图上展示分类结果。
摘要由CSDN通过智能技术生成

第 1 步：转到https://code.earthengine.google.com/打开代码编辑器

第 2 步：使用以下代码从 Google Earth Engine Asset 导入数据

// 导入影像集合
var composites = ee.ImageCollection("projects/servir-mekong/yearlyComposites");
// 导入训练数据
var data = ee.FeatureCollection("projects/servir-mekong/referenceData/riceTraining");
// 导入矢量边界数据
var cambodia = ee.FeatureCollection("projects/servir-mekong/referenceData/cam_adm");

 第 3 步：从训练数据集中过滤大米和非大米数据以进行可视化并将图层添加到地图

// 选择有大米区域和没有的区域
var rice = data.filter(
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（GEE）——10种不同机器学习方法下的土地分类分析
此星光明博客
06-22 2210
要了解更多关于CART或其他基于树的算法的工作原理以及它们的不同之处，请阅读此https://www.analyticsvidhya.com/blog/2021/04/distinguish-between-tree-based-machine-learning-algorithms/。数据准备：在GEE中导入真实土地类型数据和相应的遥感数据，包括多光谱或高分辨率遥感数据等。半监督学习：结合监督和无监督方法的学习方法，适用于有限的标记数据和大量未标记数据的情况。监督学习：从已知的数据中学习并预测新的数据。
Google Earth Engine（GEE） ——多种机器学习方法（随机森林、cart、svm等）进行土地分类（安第斯高原为例）用光谱指数、植被、土壤、雪和烧毁区以及地形指数构建模型
此星光明博客
01-26 2418
我们的研究提出了在地形复杂的科迪勒拉山脉地形中的第一种方法，我们表明，GEE在快速变化和转换的山区生态系统的大规模土地覆盖制图和监测中特别有用，并可复制和扩展到具有类似特征的其他地区。我们的结果表明，使用基于云的计算和机器学习可以使我们建立一个开放的、准确的和相对无差距的方法，利用免费提供的Landsat图像在一个异质的大型安第斯生态系统中绘制土地覆盖地图。我们的工作强调了在区分分布在不同的、高度异质的地形中的复杂土地覆盖物时，纳入源于地形的指数的重要性，以提高分类的准确性，这与纳入光谱指数不同。
GEE机器学习——利用最短距离方法进行土地分类和精度评定
此星光明博客
01-14 1214
最短距离方法（Minimum Distance）是一种常用的模式识别算法，用于计算样本之间的相似度或距离。该方法通过计算样本之间的欧氏距离或其他距离度量，来确定样本之间的相似程度或差异程度。最短距离方法的具体步骤如下：1. 数据准备：收集并准备用于训练的数据集，确保数据集包含标记好的样本点。2. 特征选择：根据问题的特点选择合适的特征，并对特征进行预处理（如归一化、标准化等）。3. 计算距离：使用合适的距离度量方法（如欧氏距离、曼哈顿距离等），计算待分类样本与训练集中每个样本之间的距离。
机器学习算法地图
07-07
最全面透彻的算法合集，帮你快速构筑算法地图。最全面透彻的算法合集，帮你快速构筑算法地图。
Google Earth Engine（GEE）——机器学习（监督分类1）样本数据为点要素
此星光明博客
08-19 2319
监督分类 该Classifier包通过在 Earth Engine 中运行的传统 ML 算法处理监督分类。这些分类器包括 CART、RandomForest、NaiveBayes 和 SVM。分类的一般工作流程是： 收集训练数据。组合具有存储已知类标签的属性和存储预测变量数值的属性的特征。 实例化一个分类器。如有必要，设置其参数。 使用训练数据训练分类器。 对图像或特征集合进行分类。 使用独立的验证数据估计分类错误。 训练数据FeatureCollection具有存储类标签的属性和存储预测
Google Earth Engine（GEE）-机器学习分类后进行accuracy精度评定以及RMSE和R2的计算.pdf
08-14
Google Earth Engine（GEE）——机器学习分类后进行accuracy精度评定以及RMSE和R2的计算 本教程主要的目的就是利用随机森林分类和其它分类进行分析，这里主要的目的就是我们分析除了常规的土地分类，利用errorMatrix...
Google Earth Engine（GEE）——机器学习（监督分类）多边形为训练样本！
此星光明博客
08-19 1686
如果训练数据是代表同质区域的多边形，则每个多边形中的每个像素都是一个训练点。您可以使用多边形进行训练，如下例所示： 函数：classify() classify(classifier,outputName) 对图像进行分类。 Classifies an image. Arguments: 图像（图像）： 要分类的图像。波段是按名称从该图像中提取的，它必须包含分类器模式中命名的所有波段。 分类器（Classifier）： 要使用的分类器。 输出名称（字符串，默认值：“分类”）： 要添加的.
Google Earth Engine（GEE）——机器学习（非监督分类）
此星光明博客
08-19 1674
无监督分类（聚类） 该ee.Clusterer包处理Earth Engine 中的无监督分类（或聚类）。这些算法目前基于Weka 中的同名算法。Clusterer代码编辑器中的参考文档中提供了有关每个的更多详细信息。 聚类器的使用方式与地球引擎中的分类器相同。聚类的一般工作流程是： 组合具有数字属性的特征以在其中查找聚类。 实例化一个聚类器。如有必要，设置其参数。 使用训练数据训练聚类器。 将聚类器应用于图像或特征集合。 标记集群。 训练数据是一个FeatureCollection将输入到.
一张机器学习算法地图背后
机器熊的技术大杂烩
03-29 393
国内机器学习课程经常会引用一篇名为“机器学习算法地图”的文章来说明机器学习领域的知识范畴，其原图如下。 图片来源：https://blog.csdn.net/SIGAI_CSDN/article/details/80924985 本图清晰明了地将机器学习/深度学习涉及的算法归纳总结，实为入门数据挖掘/分析等相关领域的干货。“图的左半部分列出了常用的机器学习算法与它们之间的演化关系，分为有监...
机器学习算法地图图片全景
09-09
一张机器学习算法地图，包括所有的监督学习，无监督学习算法损失函数、优化目标等
GEE：为机器学习方法（随机森林、支持矢量机等）添加时间序列特征
养乐多的博客
05-16 1727
在 Google Earth Engine (GEE) 平台上，可以使用时间序列特征来为随机森林分类算法提供更多的信息。时间序列特征可以捕捉地表变化随时间的动态模式，从而提高分类的准确性和可靠性。本文将介绍时间特征的定义，以及在GEE上的获取方法，并可以将其添加到机器学习分类算法中作为分类特征使用。
GEE：基于k折交叉验证的机器学习模型性能评估
养乐多的博客
05-08 1180
本文将介绍在Google Earth Engine（GEE）平台上应用k折交叉验证方法，来综合评估机器学习模型的整体表现。
GEE：使用迁移样本进行机器学习分类
养乐多的博客
04-08 556
CSDN@_养乐多_当在 Google Earth Engine（GEE）平台上进行机器学习分类时，由于每一年的光谱亮度都不一样，或者发生了地表覆盖变化，所以第一年标记的样本点可能不适用于第二年的影像分类，就需要每年标记大量的样本点，这个过程耗费人力物力。为了节省成本和时间，一些人基于永久地类标记样本点，利用地类不变的样本点来训练多个时期的遥感数据。本文将介绍一种不一样的方法，即使用迁移样本点进行机器学习分类的方法，使用距离度量方法，筛选地类没有发生变化的可用样本点对不同时期的影像进行机器学习分类。
GEE：2行代码实现机器学习分类器模型的导出和复用
养乐多的博客
01-05 1295
CSDN@_养乐多_这篇博客将详细介绍如何执行机器学习分类器的导出和复用这一任务，并提供相应的代码示例。相比其他方法，我们只需两行代码即可完成导出和调用任务。且可以导出 GEE 上所有机器学习算法训练的模型，包括随机森林、支持矢量积、k近邻等。
Google Earth Engine（GEE）——分类和机器学习的简介
此星光明博客
08-19 2009
Earth Engine 中的机器学习 (ML) 支持： 在EE API方法ee.Classifier，ee.Clusterer或ee.Reducer包地球引擎内的训练和推理。 TFRecord 文件的导出导入功能，方便 TensorFlow 模型开发。该ee.Model软件包支持使用 Earth Engine 中的数据和托管在 Google 人工智能平台上的训练模型进行推理。 EE API 方法 使用ee.Classifier或 的训练和推理ee.Clusterer通常在最大大约 100 ...
GEE：基于GEDI-4A 级（L4A）数据和机器学习方法预测地上生物量密度（AGBD；单位为 Mg/ha）
最新发布
养乐多的博客
04-10 1547
CSDN@_养乐多_本文将介绍在 Google Earth Engine （GEE）平台上使用GEDI-4A 级（L4A）数据和机器学习方法（随机森林回归/CART/最小距离/梯度提升树）预测地上生物量密度（AGBD；单位为 Mg/ha）的方法和代码。
Google机器学习笔记 4-6 分类器相关
梦里风林的专栏
08-17 1627
Google机器学习笔记 4-6 分类器相关
GEE：支持矢量机（SVM）分类教程
养乐多的博客
04-09 1453
在Google Earth Engine平台上，使用支持向量机（SVM）进行土地利用分类是一种强大的技术。在本文中，我们将介绍如何使用GEE和SVM算法进行土地利用分类。
Google Earth Engine 初学者教程：快速掌握GEE基础
"EE34 Joins.docx 是一个针对Google Earth Engine (GEE) 初学者的基础教程，涵盖了从影像和像素基础知识到时间、数组、列表等高级概念的38个教程。教程内容权威且易于理解，适合新手快速入门GEE的云平台和云计算应用...
评论 2
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