Google Earth Engine（GEE）——监督分类加入NDVI变量进行分类

最新推荐文章于 2024-09-05 15:00:00 发布

此星光明

最新推荐文章于 2024-09-05 15:00:00 发布

阅读量829

点赞数

分类专栏： GEE案例分析文章标签：深度学习神经网络计算机视觉 gee 监督分类

本文链接：https://blog.csdn.net/qq_31988139/article/details/128272499

版权

GEE案例分析专栏收录该内容

289 篇文章 129 订阅 ¥199.90 ¥299.90

订阅专栏

超级会员免费看

本文在前次Google Earth Engine（GEE）的监督分类基础上，介绍了如何引入NDVI变量以提升影像分类精度。通过结合NDVI，分类效果得到改善。

摘要由CSDN通过智能技术生成

上一篇博客我们有一个完整的案例来进行对指定区域的影像进行监督分类，但是我们所选的变量都是依据影像本身的值，并没有加入其它变量，这次我们加入了NDVI变量进行分析，从而提升分类精度，上次的博客链接如下：

(1684条消息) Google Earth Engine（GEE）——监督分类（加入验证样本）_此星光明的博客-CSDN博客

最终的分类精度略有提高：

代码：

var imperviousBuilding = /* color: #d63000 */ee.FeatureCollection(
        [ee.Feature(
            ee.Geometry.Point([-105.08974653943125, 40.575

了解本专栏

订阅专栏解锁全文

超级会员免费看

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

此星光明

关注关注

0
点赞
踩
4

收藏

觉得还不错? 一键收藏
打赏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

专栏目录

订阅专栏

Google Earth Engine（GEE）——监督分类（加入验证样本）

此星光明博客

01-04

1209

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）——非监督分类案例分析（森林非森林和其它）

此星光明博客

01-05

981

reducer 输出名称决定输出 band 的名称：具有多个输入的 reducer 将直接使用输出名称，而具有单个输入的 reducer 将在输出名称前加上输入 band 名称（例如'10_mean'，'20_mean'等） .).本教程的主要目的是实现指定区域的森林非森林的分类，而样本点的选取都是随机选取的，我们加入的变量则按照DEM中的阴影和坡度作为参与分类的变量进行分析，最周通过kmeans聚类实现影像的分类。将给定的reducer应用于每个像素周围的邻域，由给定的内核确定。要使用的初始化方法。

参与评论您还未登录，请先登录后发表或查看评论

GEE——土地利用分类之监督分类

热门推荐

qq_41600680的博客

07-27

1万+

利用GEE做监督分类，以武汉市为例。训练器我们选择随机森林；数据选择Landsat-8；训练样本使用的是GEE提供的一种，它把地表分为三类：水体、植被和城市用地。选择训练样本用要素集来标记训练样本。每个要素都有一个landcover 的属性，0表示城市用地，1表示植被，2表示水体。对影像进行分类其中一部分进行分类器的训练，还有一部分留下来做精度验证。输出影像及混淆矩阵 print(LABEL_DATA); var wuhan = ee.FeatureCollection('users/

08-23

08-23

09-24

国外GEE教学课件，适合初学者GEE的同学

Google Earth Engine(GEE)实例代码学习三十——监督分类（Classification）

little00bee的博客

04-24

8935

监督分类与CRAT进行土地类型分类本文分析如何利用选取训练样本进行土地类型分类，本利用CRAT分类回归树训练分类样本计算混淆矩阵 //选取城镇代码为0，植被代码为1，水体代码为0类别训练样本 var urban = ee.FeatureCollection( [ee.Feature( ee.Geometry.Point([-122.408981323242...

Google Earth Engine(GEE)——多源遥感变量筛选（PCA主成分分析），变量筛选/降维处理

此星光明博客

11-22

986

主成分分析（Principal Component Analysis，PCA）是一种常用的数据降维方法，它可以将高维数据降到低维空间中，同时尽量保留原始数据的信息。在生物信息学领域，PCA可以用来进行基因表达数据的分析和可视化。需要注意的是，在进行PCA之前需要对原始数据进行标准化处理，以避免不同特征之间的量纲不同对结果产生影响。很多时候我们需要进行数据的将为和筛选，传统的方法我们可以根绝经验方法进行筛选或者按照变量重要性和相关性进行分析，当然我们可以通过计算多个变量之间的主成分分析来进行变量的筛选。

Google Earth Engine——导入无云 Sentinel-2 图像和NDVI计算

最新发布

此星光明博客

09-05

192

本实验的目的是介绍 Google Earth Engine 处理环境。在本练习结束时，您将能够搜索、查找和可视化范围广泛的遥感数据集。在第一个练习中，我们将重点关注 Sentinel-2 数据，并学习将图像显示为真彩色和假彩色合成。我们还将学习如何从多光谱图像计算 NDVI。搜索和导入无云 Sentinel-2 图像 Sentinel-2 的背景 SENTINEL-2 是一种宽幅、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。SENTINE

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

2436

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。

Google Earth Engine（GEE）——MODIS/061/MOD09GA影像计算NDVI并导出结果并UI可视化批量导出（含错误提示）

此星光明博客

09-01

2597

设置一个较大的瓦片比例（例如2或4），使用较小的瓦片，并可能使计算在默认情况下耗尽内存。CRS变换值的列表。如果没有指定，则使用图像的第一个波段的投影。减速器的输入数必须与输入图像的波段数相同，或者它必须有一个输入，并对每个波段进行重复。如果多边形在给定的比例下包含太多的像素，计算并使用一个更大的比例，这样可以使操作成功。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。默认为图像的第一个波段的范围。要从集合的每个元素中使用的属性。以米为单位的投影的名义比例。返回还原器的输出的字典。.

GEE入门篇|图像分类（一）：监督分类

qq_46689623的博客

03-05

3784

GEE入门篇|图像分类（一）：监督分类

32_geemap学习笔记 | 监督分类

GeoSuper的博客

02-09

711

断了学习geemap很久了，今天继续今天迎来了吴秋生老师geemap的更新，所以咱们先更新一波

GEE-Scholars 机器学习之卫星图像监督分类

生态环境，遥感监测，深度学习，云计算

12-01

2159

我是目录前言GEE监督分类流程1.导入相关库2.添加数据3.制作训练集4.分类器训练5.图像分类6.导出结果总结大家好，我是沐风，致力于打造丝滑的知识搬运，集勤劳睿智帅气于一体的沐风前言监督分类是遥感图像分类的一种，即用被确认类别的样本像元去识别其他未知类别像元的过程。已被确认类别的样本像元是指那些位于训练区的像元。在这种分类中，分析者在图像上对每一种类别选取一定数量的训练区，计算机计算每种训练样区的统计或其他信息，每个像元和训练样本作比较，按照不同规则将其划分到和其最相似的样本类。 Earth En

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

1699

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.