GEE不确定性评价——谷歌地球引擎的不确定性量化（哨兵-1、哨兵-2 L1C 和/或哨兵-2 L2A）

本文链接：https://blog.csdn.net/qq_31988139/article/details/135618132

该项目展示了如何使用保形预测在谷歌地球引擎中量化分类和回归任务的不确定性，适用于哨兵-1和哨兵-2的时间序列数据。通过提供有效的覆盖范围和像素不确定性信息，该方法有助于提升地球观测数据在决策和监测中的可靠性。代码库包含了Python和JavaScript的示例，以及在动态世界、GEDI数据集和入侵树种分类等案例中的应用。

摘要由CSDN通过智能技术生成

谷歌地球引擎的不确定性量化使用保形预测对 Google 地球引擎中的分类和回归任务进行不确定性量化。使用时间序列卫星数据（哨兵-1、哨兵-2 L1C 和/或哨兵-2 L2A）和谷歌地球引擎绘制入侵树种地图的附加 8 步工作流程。

项目介绍

本 Github 代码库包含研究论文 "使用保形预测对地球观测中的概率机器学习进行不确定性量化 "的代码。它包括使用保形预测量化不确定性、为多个时间步长和空间交叉验证创建填隙无云图像合成的功能。

设计动机

不确定性量化（UQ）提供了有关预测质量的信息，可以对数据集进行比较和整合。共形预测是目前唯一能提供有效覆盖范围内像素不确定性信息的 UQ 框架（例如，如果指定置信度为 0.9，alpha = 0.1，预测区域将包含 90% 可能性的实际值）。

特征

支持 GEE-Native 共形分类器和回归器
支持 GEE-JS 和 GEE-Python API
创建哨兵-2 的无云图像合成和哨兵-1 的无间隙合成。
举例说明端到端的工作流程，包括可视化、基于 API 的导入和导出、附加地形和坐标变换变量的协同计算、模型拟合和推理。
空间交叉验证。

简介

在使用人工智能（AI）系统时，可能会出现不可靠的预测，给下游应用带来负面影响，尤其是在用于决策时。共形预测为不确定性量化提供了一个与模型无关的框架，可应用于任何数据集，无论其分布如何，均可进行事后分析。与其他像素级不确定性量化方法不同的是，共形预测无需访问底层模型和训练数据集，即可同时提供统计有效且信息丰富的预测区域，同时保持计算效率。为了满足在进行点预测的同时报告不确定性的日益增长的需求，我们提请人们注意保形预测在地球观测（EO）应用领域的前景。为了实现这一目标，我们评估了 EO 领域不确定性量化的现状，并发现在已审查的谷歌地球引擎（GEE）数据集中，只有 20% 的数据集包含一定程度的不确定性信息，而且方法普遍不可靠。接下来，我们将介绍可无缝集成到现有 GEE 预测建模工作流程中的模块，并演示这些工具在从局部到全球尺度的数据集中的应用，包括动态世界和全球生态系统动态调查 (GEDI) 数据集。这些案例研究包括回归和分类任务，既有传统的工作流程，也有基于深度学习的工作流程。随后，我们讨论了在 EO 中使用保形预测所带来的机遇。我们预计，随着保形预测器（如本文提供的预测器）的易用性越来越高，将推动在 EO 中更广泛地采用严格的不确定性量化，从而提高操作监测和决策等用途的可靠性。

总结三个案例研究的工作流程，包括使用谷歌地球引擎（GEE）JavaScript 代码编辑器 API（蓝色）和使用谷歌地球引擎（GEE）JavaScript 代码编辑器 API（蓝色）和 GEE Python API 与 Python MAPIE 软件包（绿色）进行不确定性量化。GEE Python API 与 Python MAPIE 软件包（绿松石色）。

a) 使用动态世界进行土地覆被分类，随机分割（80:20）校准样本和测试样本。使用动态世界进行土地覆被分类，校准和测试样本随机分配（80:20）。来自谷歌提供的 409 个样本外验证样本。每个b) 使用 GEDI 估算树冠高度按国家随机划分为训练样本（>5,000 万点）、测试样本（>3,100 万点）和校准样本（>3,200 万点点）样本（65:20:15）。所考虑的国家仅限于c) 入侵树种分类随机划分（65:20:15）。

谷歌地球引擎（GEE）目录和 GEE 社区目录中的每个评估数据集（n = 241）的分类示意图。只有使用机器学习的数据集只考虑了 GEE 主目录中使用机器学习的数据集。对于社区的所有数据集。考虑。五项研究使用了一种以上的 UQ 方法。

结论

在数据驱动的决策过程中使用地球观测数据集为描述、理解和保护地球做出了巨大贡献。
对地球的特征描述、理解和保护做出了巨大贡献。然而，我们对这些贡献所涉及的国家级到全球级数据集进行的研究。然而，我们对这些贡献所涉及的国家级到全球级数据集的研究表明，这些数据集缺乏 UQ 以及有效性保证，也缺乏能够同时提供粒度数据的技术。能同时提供像素级不确定性信息的技术。我们认为通过将保形预测纳入人工智能系统，UQ 将极大地增强 EO 数据在业务监测系统、政策制定和监管报告中的作用，加快在实现这一目标方面取得进展。监管报告中的作用，加快实现国际行星目标和指标的进程。

代码链接

复制三个指定案例研究和相应图表所需的 Python 源代码和相应的图表可从以下 GitHub 存储库中获取：
python代码

Python

GEE-Python 保形分类器的使用方式与 JavaScript 模块类似，必须通过克隆 github repo 加载（如下所示）

# Install and import packages
%pip install watermark geemap geeml -q

!git clone https://github.com/Geethen/Invasive_Species_Mapping.git

import sys
sys.path.insert(0,'/content/Invasive_Species_Mapping/code')

# Authenticate GEE
ee.Authenticate()
# I