Google Earth Engine（GEE）—— 显示如何使用迁移的训练样本进行多年分类的脚本（sentinel-2影像为例）光谱差异（）

最新推荐文章于 2024-01-16 18:15:01 发布
最新推荐文章于 2024-01-16 18:15:01 发布
阅读量669 收藏 9
点赞数
分类专栏： GEE案例分析 文章标签： sentinel 分类 数据挖掘 gee 样本迁移
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/127860215
版权
本文介绍了如何利用Google Earth Engine（GEE）结合Sentinel-2影像，使用迁移的训练样本进行多年分类。通过HydroSHEDS矢量数据，计算光谱差异，并基于特定距离度量（如SAM）进行分析。文章涵盖了数据源、采样方法和随机化样本点的过程，旨在研究光谱变化小于0.2的情况。
摘要由CSDN通过智能技术生成

本文使用的矢量数据：

ee.FeatureCollection("WWF/HydroSHEDS/v1/Basins/hybas_7")

HydroSHEDS 是一种地图产品，它以一致的格式为区域和全球范围的应用程序提供水文信息。它提供了一套不同比例的地理参考数据集（矢量和栅格），包括河流网络、流域边界、排水方向和流量累积。HydroSHEDS 基于 2000 年美国宇航局航天飞机雷达地形测绘任务 (SRTM) 获得的高程数据。

该数据集基于 15 角秒（赤道约 500 米）分辨率栅格数据提供嵌套的分层分水岭多边形。分水岭范围从 1 级（粗略）到 12 级（详细），使用 Pfastetter 代码。

技术文档：

HydroBASI

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）——如何用Sentinel-1和Sentinel-2影像融合为多波段影像做分类
此星光明博客
10-17 4567
这里有一点大家需要知道，我们使用filter一般筛选的是影像的属性信息，所以我们这里看到，在进行sentinel-1筛选的时候我们需要进行相应的属性筛选，我们这里先列出s1中包含的属性信息，大家可以通过属性去筛选所需要的信息。本教程的理念就是通过分别加载S2和S1影像，并且根据要求筛选出我们所需要的影像时间、位置以及波段及属性，我们就可以完成对整个影像的的添加，而这个影像的添加一般是通过波段的形式让其中一个影像集合添加到另外一个影像集合之上。如果省略名称，srcImg中的所有条带都将被复制过来。
如何在Google Earth Engine中实现年际样本动态迁移(附完整代码）
adhuahd的博客
12-29 652
GEE学习室是一群由认真学习和使用GEE等遥感大数据平台的高校博士生（含在读和已毕业）组建的团队，致力于GEE等大数据原创和优质算法开发，希冀通过团队的努力为遥感大数据智能处理普及和广大学子科研之路提供。再次说明，本文只实现了简单的过程，具体效果和原文有偏差可以理解，诸君自行甄别。当然，这种迁移从现有技术标准等角度来看还是一种朴素的方法，但是这篇论文作为样本迁移研究的pioneer，还是很值得学习的。，这些没有变化的数据则可以用于目标年份的分类研究，从而完成了年际迁移任务。
GEE好文推荐——利用样本点迁移方法快速实现全球范围内1984年至今基于Landsat影像的土地分类
此星光明博客
12-13 1790
长时间系列土地覆盖分类信息是对城市扩张、植被变化和碳循环等方面的科学研究的基础。云计算平台的快速发展，如谷歌地球引擎（GEE），以及从陆地卫星和哨兵-2中对多源卫星图像的访问，使机器学习算法在图像分类中的应用成为可能。在此，我们使用随机森林算法，基于从2022年获得的图像中选择固定的土地分类样本点，以及样本点的年光谱差异，快速实现不同尺度的时间序列土地覆盖分类。利用合成孔径雷达（SAR）和数字高程模型（DEM）等多源遥感数据，提高了分类精度。
Deep Learnig(迁移学习)
u014168855的博客
04-19 168
迁移学习一 需要迁移学习的原因二 迁移学习分类1.原始数据有标签-目标数据有标签(1) Model Fine-­‐tuning(2) Multitask Learning2.原始数据有标签-目标数据无标签（1）Domain-­‐adversarial training（2）Zero-­‐shot learning 一 需要迁移学习的原因 1.使用深度学习技术解决问题的过程中，最常见的障碍在于，因为...
《迁移学习》chap02 基于样本的迁移学习
Joselynzhao
04-09 1317
文章目录内容框架系列文章Chap 02 基于样本的迁移学习2.1 引用2.2 NTL2.3 ITL 内容框架 系列文章 《迁移学习》chap01 绪论 Chap 02 基于样本的迁移学习 2.1 引用 基于样本的迁移学习的两个关键问题： 如何筛选出源域中与目标域数据具有相似分布的有标签样本。 如何利用这些“相似”的数据训练处一个更准确的目标域上的学习模型。 如果源域和目标域的边缘分布不同，但条件概率分布相同，则将问题称为** 非归纳式迁移学习（NTL）** 如果源域和目标域的边缘分布不同，且条件概率分
GEE学习笔记 七十七：GEE学习方法简介
02-17 734
这是一篇关于学习方法的思考探索。
Google Earth Engine（GEE）——利用光谱距离函数实现滑坡监测以sentinel-2数据为例
此星光明博客
08-19 1566
当你想要检测多波段图像的变化时，一种有用的技术是计算两个图像之间的光谱距离和光谱角度。与未发生变化的像素相比，发生较大变化的像素将具有更大的距离。当没有合适的索引来检测变化时，这种技术特别有用。它可用于检测自然灾害或人为冲突后的变化。红色部分形变很大，白色部分形变较小，形变角度。...
Google Earth Engine（GEE）——Sentinel-2 多光谱影像加载和不同颜色展示
此星光明博客
11-11 1910
本实验的目的是加强您对图像可视化原理的理解，并培养绘制波段组合和探索表面元素反射特性的实用技能。 加载 Sentinel-2 多光谱图像 在本实验室中，我们将使用欧洲航天局 Sentinel-2 卫星收集的多光谱图像。Sentinel-2 是一个宽幅、高分辨率、多光谱成像任务，支持哥白尼土地监测研究，包括监测植被、土壤和水覆盖，以及观察内陆水道和沿海地区。我们将使用在澳大利亚卡卡杜国家公园收集的图像。 让我们通过将下面的代码复制到代码编辑器并单击“运行”来导航到感兴趣的区域 (Kakadu
Google Earth Engine（GEE）——sentinel-2 NDVI多时相影像展示
此星光明博客
09-02 1011
注意：提供一个大的或复杂的集合作为几何参数会导致性能不佳。使用最小的集合（或几何体）来实现所需的结果。这相当于this.filter(ee.Filter.metadata(..))。使用 filter() 与 ee.Filter.eq(), ee.Filter.gte() 等。通过与几何体相交来过滤一个集合的快捷方式。集合中的项目如果没有与给定的几何体相交，就会被排除。这等同于this.filter(ee.Filter.bounds(..))。要与之相交的几何体、特征或集合。name（字符串）。...
(附代码)详解使用Pytorch和预训练数据(pretrained)进行迁移学习(Transfer Learning)
一起学习 | Study Together
02-21 9301
迁移学习代码，Pytorch，使用Python的真实项目中利用转移学习的所有知识.使用pytorch和预训练数据进行迁移学习——附案例详解.Deep Learning for Everyone: Master the Powerful Art of Transfer Learning using PyTorch
遥感影像深度学习样本对制作教程3——从GEE下载训练数据
weixin_44785184的博客
05-26 553
上一篇文章介绍了遥感影像深度学习样本对制作的常用技巧，但实际使用中并不是所有数据都是那么的规整的，比如输入数据和标签可能存在空间范围不一致的情况。关注公众号，回复20230526获取示例数据和代码，这个系列的代码都放在一起，上手运行一下代码更容易弄懂。所以总的来说关键的步骤只有三点，提取重叠范围，根据重叠部分采用教程1的方法制作标签，以及重采样。下面分别介绍这三点，想具体了解可以自己下载代码和数据运行一下，这里只介绍关键步骤，具体的不多介绍。
GEE：随机森林回归预测教程（样本点、特征添加、训练、精度、参数优化、贡献度）
最新发布
养乐多的博客
01-16 2918
CSDN@_养乐多_本文将介绍在Google Earth Engine （GEE）平台上进行随机森林回归预测的方法和代码，其中包括样本点格式介绍，加入特征变量(各种指数、纹理特征、时间序列特征、物候特征等)，训练和应用随机森林回归模型，优化随机森林回归算法的参数（绘制最优参数分布图），打印各个变量特征的贡献度（排序特征贡献度，并绘制柱状图）等步骤的方法和代码。本教程可以应用于多种分类场景，包括土壤PH值、土壤有机碳、土壤水分、碳密度、生物量、气温、海冰厚度、不透水面积百分比、植被覆盖度等多种场景。
Google Earth Engine——WWF/HydroSHED该数据集根据15角秒（赤道上约500米）分辨率的栅格数据，提供了嵌套的、分层的流域多边形。分水岭的范围从1级（粗略）到12级（详细）
此星光明博客
10-15 805
HydroSHEDS is a mapping product that provides hydrographic information for regional and global-scale applications in a consistent format. It offers a suite of geo-referenced datasets (vector and raster) at various scales, including river networks, watershe
GEE学习：利用sampleRegions构建分类训练样本
GEE水生态空间
01-29 7067
前言 问题：如何使用点文件提取影像数据？例如进行随机森林分类等样本构建的问题。 一、利用sampleRegions对构建样本 利用常见的Landsat8影像进行分析 二、使用步骤 1.分析步骤 #mermaid-svg-X3OiSNvy7DJRbPfI .label{font-family:'trebuchet ms', verdana, arial;font-family:var(--mermaid-font-family);fill:#333;color:#333}#mermaid-svg-..
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 1655
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.
GEE学习笔记：在Google Earth Engine(GEE)中导出shp文件
遥感地学小站的博客
03-23 7563
目前想到的应用场景有如下： 1、在线处理矢量数据，将结果导出。 2、在GEE上选取样本点，导出到本地处理。 3、将得到的栅格结果转成矢量，再导出到本地。 ...
GEE学习笔记6：样本拾取
晚秋的专栏
12-29 5210
打开GEE code 编辑器，选择你想拾取样本的图形（点，线，面），这时会出现一个数据集，点击该数据集的设置按钮，弹出数据集属性对话框。 修改该样本的name,数据格式，给该数据集添加属性字段，方便在监督分类时识别。 做好设置后，就可在地图上拾取样本点了。记住随时做好保存啊！！！！ 当样本拾取完成了，就可以把样本数据导出了。 遇到的问题：当样本量太大时，点击保存会弹出错误，这是因为js文件大小有限制，目前拾取样本其实就是往脚本添加代码，当样本太多，就造成脚本过...
在gee怎么加载sentinel-2的RGB影像
06-10
在Google Earth Engine (GEE)中加载Sentinel-2的RGB影像可以按照以下步骤进行： 1. 打开Google Earth Engine代码编辑器。 2. 在编辑器中输入以下代码，用于加载Sentinel-2的RGB影像： ```javascript var image = ee.ImageCollection('COPERNICUS/S2_SR') .filterDate('2019-01-01', '2019-12-31') .filterBounds(ee.Geometry.Point(7.42, 43.73)) .map(function(image) { return image.clip(geometry); }) .median() .select(['B4', 'B3', 'B2']); Map.addLayer(image, {min:0, max:3000}, 'Sentinel-2 RGB'); ``` 3. 运行代码后，地球引擎将加载Sentinel-2的RGB影像，并在地图上显示。 需要注意的是，这里加载的是2019年的Sentinel-2影像，如果要加载其他时间的影像，可以在.filterDate()函数中指定相应的时间范围。此外，在.filterBounds()函数中指定的是感兴趣区域的点坐标，如果要加载其他区域的影像，可以更改这个坐标。
评论 3
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