![](https://img-blog.csdnimg.cn/3bc689897a5d4f2995a9f09d61358212.jpeg?x-oss-process=image/resize,m_fixed,h_224,w_224)
gee土地分类专栏
文章平均质量分 86
这个专栏主要介绍在土地分类中所进行相关遥感数据的处理过程中的出现问题i,包括土地多时相影像、监督分类、非监督分类、波段间相关性分析(减少冗余变量),变量PCA主成分分析,参与土地分类中的最优变量参数提取,多源遥感影像土地分类,分类有影像滤波处理等等,后续还会进行进一步更新。
此星光明
博士,地图制图和地理信息工程专业,主要涉及Google Earth Engine、PIE-Engine、Planetary Computer、AI Earth、中科星图等云平台的遥感生态云计算研究(多源遥感和机器学习相结合),适用建筑、气象、农业、水利等各个专业云计算。2022年云计算领域博客之星TOP3,2023年CSDN博客之星TOP13,华为云云享专家、MVP,阿里云社区、51CTO博客专家博主。
展开
-
GEE土地分类——K-fold交叉验证的应用分析
在常规准确度评估中,我们将样本分成训练和验证两部分。在 k 倍交叉验证中,这一步骤会重复多次,将数据分成多个子集(即折叠集),将其中一个折叠集作为验证集,并在其余折叠集上训练模型。这一过程会重复多次,并对每个验证步骤的准确度指标进行平均,从而对模型的性能做出更可靠的估计。K-fold交叉验证是一种用于评估机器学习模型性能的方法。在K-fold交叉验证中,数据集被分为K个相等大小的子集,其中K-1个子集用于训练模型,而剩下的1个子集用于测试模型。这个过程重复K次,每次选择不同的测试子集。最后,将K次测试结果的原创 2024-07-13 10:30:00 · 46 阅读 · 0 评论 -
GEE案例——利用多源遥感数据(Landsat/sentinel)光谱波段和光谱指数实现大米种植区域的分类(含Landsat 8 和sentinel-2数据融合)
【代码】GEE案例——利用多源遥感数据(Landsat/sentinel)光谱波段和光谱指数实现大米种植区域的分类(含Landsat 8 和sentinel-2数据融合)原创 2024-06-09 15:30:00 · 167 阅读 · 0 评论 -
GEE深度学习——使用Tensorflow进行神经网络DNN土地分类
这是地球引擎和 TensorFlow 演示笔记本。具体来说,本笔记本展示了以 TFRecord 格式从 Earth Engine 导出训练/测试数据。准备用于 TensorFlow 模型的数据。在 TensorFlow 中训练和验证一个简单的模型。对从地球引擎导出的 TFRecord 格式图像数据进行预测。将分类图像数据以 TFRecord 格式输入地球引擎。这旨在演示一个完整的输入/输出。有关使用顶点人工智能平台托管模型进行交互式预测的工作流程,请参阅本示例笔记本。原创 2024-05-26 15:00:00 · 300 阅读 · 0 评论 -
GEE深度学习——使用卷积神经网络(Convolutional Neural Network,CNN)进行土地分类(PyTorch模式)
""" 训练变量"""# 云存储桶中包含训练和测试数据集。# 训练参数""" 模型部署变量"""# 训练模型的输出桶。替换为可写的输出桶!# 模型部署的元数据现在,我们需要为模型指定一个处理程序。我们可以使用 Torchserve 的默认处理程序,也可以编写自定义处理程序。在这里,我们的模型会返回每个类别的概率,因此我们将编写一个自定义处理程序,在概率上调用 argmax,并将概率最高的类别值返回给地球引擎。原创 2024-05-25 10:30:00 · 413 阅读 · 0 评论 -
GEE土地分类——基于SVM方法的土地分类出现的问题和正常分类
土地分类是一种将土地根据其特征属性划分为不同类别的过程。基于SVM方法的土地分类主要包括以下详细流程:1. 数据收集和准备:收集土地相关的数据,如地形、土质、植被、气候等,确保数据完整性和准确性。2. 特征选择和提取:根据收集到的土地数据,对每个土地样本进行特征选择和提取。常见的特征包括土壤pH值、植被指数、坡度、高程等。3. 数据预处理:对特征数据进行预处理,包括标准化、归一化、缺失值处理等,以确保数据的一致性和可比性。原创 2024-05-24 10:30:00 · 72 阅读 · 0 评论 -
GEE土地分类——如何使用0.5m高分影像(WorldView-2 图像)实现具体的地类分析
本篇博客其实主要的内容是利用高分辨率影像进行土地分类,但是因为很多时候我们看到高分辨影像进行分析,因此我们需要有针对性的用一些指数来提高分辨率,首先看问题:我目前正在对分辨率为 0.5 米的高分辨率 WorldView-2 图像进行分类。我的目标是准确地对以下土地覆盖类别进行分类:水、低植被、树木覆盖、沥青路面、建筑物、裸露土壤和阴影。然而,我面临着区分裸露土壤和陶瓷屋顶建筑的重大挑战。这两类在图像中似乎具有相似的光谱特征,因此很难有效地将它们分开。原创 2024-05-13 22:00:00 · 326 阅读 · 0 评论 -
GEE案例:利用GEELandsat图像进行物候学辅助监督水稻测绘:1990-2020 年在中国黑龙江省进行的试验(监测多年水稻种植空间重心分布)
精确的水稻空间分布图在粮食安全和市场稳定方面发挥着至关重要的作用。横跨数十年的陆地卫星图像可用于长期水稻测绘。然而,由于观测数据稀少、天气污染频繁、训练样本不足等诸多因素,利用陆地卫星系列图像实现一致的水稻测绘仍具有挑战性。为了应对这些挑战,本研究在谷歌地球引擎(GEE)上提出了一个灵活的表观辅助监督水稻(PSPR)绘图框架。这是通过利用物候学方法的自动化、训练数据的生成和纯化以及机器学习方法的全季节分类能力来实现的。原创 2024-05-17 19:00:00 · 186 阅读 · 0 评论 -
Dynamic World Training Data动态世界训练和验证数据集(土地分类和土地利用)
动态世界训练数据(Dynamic World Training Data )是一个由超过 50 亿像素的人工标注欧空局哨兵-2 卫星图像组成的数据集,分布在从世界各地收集的 24000 块瓷砖上。该数据集旨在。分辨率为 10 米的 5.1km x 5.1km 瓦片采用十类分类模式进行了密集标注,显示了一般土地利用土地覆被类别。该数据集创建于 2019-08-01 至 2020-02-28 期间,使用的是 2019 年的卫星图像观测数据,其中约 10%的观测数据可追溯到 2017 年的世界多云地区。原创 2024-05-03 10:30:00 · 159 阅读 · 0 评论 -
GEE土地分类——基于随机森林和ESA 10土地分类产品的随机样本点采样的土地分类
这里的精度和样本点的多少和精度有直接关系,因为当样本点不足的时候,都会对精度产生巨大的影响。原创 2024-04-29 13:45:00 · 858 阅读 · 0 评论 -
土地分类——基于Sentinel-2多源遥感的无监督分类进行土地分类
无监督分类是一种基于统计学方法的图像分类技术,不需要先验知识和训练样本,直接对图像进行分类。基于Sentinel-2多源遥感数据进行无监督分类可以实现对土地类型的划分。本教程主要的目的是通过多源遥感影像进行土地分类,这里主要的数据是哨兵2号数据,波段+纹理特征,灰度波段用的NDVI指数。步骤如下:1. 数据预处理:对Sentinel-2数据进行预处理,包括辐射校正、大气校正和几何校正等。2. 特征提取:从预处理后的数据中提取有效的特征。原创 2024-04-19 20:30:00 · 383 阅读 · 1 评论 -
GEE土地分类——基于遥感影像数据的不同作物的分类
这里我们首先要更改原始代码的中的影像和研究区矢量的问题,这个为了防止我们计算的过程超限,建议先将我们的研究区影像和样本点先存在自己的assets中,然后导入到新的脚本中。然周本文就是对其进行影像进行归一化处理,然后进行样本点值提取至点,然后训练样本点,进行训练,然后对样本点随机化,然后计算相应的精度即可。原创 2024-03-31 16:47:42 · 300 阅读 · 0 评论 -
GEE土地分类——分类后样本点值提取至点过程中,导出的csv数据表中不存在geometry的位置信息
值提取至点导出的csv数据表中不存在geometry的位置信息。原创 2024-03-27 18:00:00 · 321 阅读 · 0 评论 -
GEE土地分类——适用sentinel-2数据进行春夏秋冬季节的土地分类(利用蒸散发数据来筛选出农作物区域)
利用Sentinel-2数据进行不同时间段的土地分类是一项重要的遥感应用。Sentinel-2是欧空局(ESA)开发的一组地球观测卫星,可以提供高空间分辨率(10米-60米)和中等时间分辨率(5天-10天)的多光谱影像,适用于土地覆盖分类和变化检测等应用。这里将会适用MODIS蒸散发数据确定蒸散发区域,对每个月的等数据集进行掩码,以确定像素在哪些地方主要跨越耕地植被。由于耕种分类 = 1,所有 500 米范围内的总和等同于该范围内耕种的像素总和。原创 2024-03-13 18:00:00 · 629 阅读 · 0 评论 -
GEE土地分类——如何利用多年的ESRI_Global-LULC_10m将研究区的指定区域重分类分为两类数据(将多类土地分类转化为草地和非草地区域)
本教程主要的目的是利用自己上传的多年土地分类应先过来实现指定区域的土地分类,而且只提取。原创 2024-02-13 17:00:00 · 879 阅读 · 0 评论 -
GEE 土地分类——如何利用随机森林方法进行土地分类
土地分类是指根据土地的不同用途和功能特点对土地进行划分和分类的过程。根据不同的目的和需要,土地可以根据其用途、地理位置、资源等特点进行分类。相较于以往的土地分类不同,我们可以将我们的训练好的模型存储到assets中,然后直接调用其分类训练好的分类器。这里用到的数据是利用MODIS进行提取并且进行分类。常见的土地分类包括:1. 农用地:用于农业生产的土地,包括耕地、园地、林地、牧草地等。2. 建设用地:用于城市建设和工业用地的土地,包括居住用地、商业用地、工业用地、公共设施用地等。原创 2024-02-08 16:30:00 · 881 阅读 · 0 评论 -
GEE土地分类——根据CCDC分类结果统计不同年份土地分类面积和指定年份的不同地类的面积统计
这个教程是利用CCDC已经分类后的结果(不同年份的土地分类结果),以及一个地类发生变化的波段进行面积统计,为了方便对不同区域的面积统计,这里使用循环和图表进行面积统计和展示。土地分类结果在不同年份上的统计结果可能会有所不同,因为土地分类可能会随着时间的推移而发生变化。但是,可以通过收集不同年份的土地分类数据,并对其进行统计分析来得出这些结果。统计分析可以包括计算各个土地分类的数量、比例或百分比,并将其与其他年份进行比较。这种分析可以帮助了解土地使用和变化的趋势,并为土地规划和管理提供参考。原创 2023-12-21 00:00:00 · 327 阅读 · 0 评论 -
GEE土地分类——快速实现指定时间范围内研究区逐景(单景)影像进行全部土地分类(随机森林方法)
这里我们主要的目的是为了实现,所有单景影像的全部分类,也就是研究区每一景影像作为一期影像,然后在此影像基础上进行分类,并测试训练和验证精度。原创 2023-12-14 01:59:55 · 395 阅读 · 2 评论 -
GEE土地分类——土地分类出现的些许问题小汇总
当我们在没有定义函数的过程中,我们就无法使用我们定义的函数,正常情况下不会出现这个错误,但是当我们在函数没有顶以前就使用了了该函数那么就会出现一些错误,特别是当代码比较长的部分。原创 2023-12-13 18:30:00 · 202 阅读 · 0 评论 -
GEE——利用多源遥感数据和SVM方法进行不同时期(多时相)遥感影像的分类
本教程主要的目的是实现多起遥感影像的分类,这里使用两景应先给,融合了多波段影像,其次还包含去除水域和根据NDSI指数去除雪的部分。我们分别利用不同时期的影像进行分析分别分类,这里利用的是提取样本点,然后进行SVM分布。原创 2023-12-04 15:00:00 · 1056 阅读 · 0 评论 -
GEE土地分类——使用随机森林方法和多源遥感数据进行面向对象的土地分类NAIP数据为例
国家农业图像计划 (NAIP) 在美国大陆的农业生长季节获取航空图像。NAIP 项目每年根据可用资金和图像获取周期签订合同。从 2003 年开始,NAIP 以 5 年为一个周期。2008 年是过渡年,2009 年开始采用 3 年周期。NAIP 图像以一米的地面采样距离 (GSD) 采集,水平精度在六米范围内与图像检查时使用的可拍照识别的地面控制点相匹配。较早的图像使用 3 个波段(红、绿、蓝:RGB)采集,但较新的图像通常使用额外的近红外波段(RGBN)采集。原创 2023-11-24 15:00:00 · 293 阅读 · 0 评论 -
GEE——sentinel-2新的去云方式(Cloud Score+ S2_HARMONIZED V1数据集)及linkCollection()函数的使用,结果优于现有QA波段去云(附代码)
简介:GEE今天的峰会上提出了一个非常好的去云的影像,这个数据集已经再gee中进行了公开,并且只需要通过一行代码即可运行获取没有云的高清影像,相较于QA去云的操作,整体山给效果更加,特别是对于很多地区常年被云雾覆盖,很难获取无云影像,本教程通过一个简单的案例来展示如何做到高清无云影像的获取,从而提高后续土地分类的精度或者其它后续影像操作。原创 2023-11-01 22:55:12 · 1771 阅读 · 8 评论 -
GEE土地分类——我们在导出土地分类结果的时候需要花费好长时间的原因?
我尝试将我的 llc 分类图像导出到GOOGLE云盘中。但导出运行时间需要很长时间才能完成。有什么帮助吗?链接到代码。解决方案:这里我们发现其实在整体过程中并没有出现任何问题i,而且在加载地图中也很快速加载出土地分类结果,这里主要就是在我们导出函数中出现的参数设定不够明确的,也就是没有设定我们要导出的区域region,因为一般这里会将导出的区域为研究区最外框,所以需要更长的时间导出Google drive中。Creates a batch task to export an Image as a原创 2023-10-17 09:30:00 · 236 阅读 · 0 评论 -
GEE——Google dynamic world中在影像导出过程中无法完全导出较大面积影像的解决方案(投影的转换)EPSG:32630和EPSG:4326的区别
我正在尝试导出 2020 动态世界中值图像和相应的验证 "label "波段。我曾尝试将图像重新投影到一个共同的投影上,但没有成功。原创 2023-10-11 09:30:00 · 575 阅读 · 0 评论 -
GEE ——绘制二元分类的特征 (ROC) 曲线、计算曲线下面积 (AUC)
一个示例 GEE 脚本,用于绘制二元分类的接收者操作特征 (ROC) 曲线、计算曲线下面积 (AUC) 并找到最接近完美分类的截止点。要计算ROC曲线,首先需要计算分类器不同阈值下的真正率(TPR)和假正率(FPR)。TPR是正确分类的正例的比例,而FPR是错误分类的负例的比例。一旦计算出不同阈值下的TPR和FPR,就可以通过将FPR绘制在x轴上,将TPR绘制在y轴上来绘制ROC曲线。ROC曲线将从图的左下角开始,结束于图的右上角。一个好的分类器将具有接近图的左上角的ROC曲线。原创 2023-10-06 10:00:00 · 417 阅读 · 0 评论 -
GEE土地分类——土地分类精度结果为什么最后只出现0和1?
本文主要是解决为啥我们土地分类后的结果,也就是精度评定最后会呈现出0和1而不是我们看到的0.98等等一些数字。一般情况下我们不会出现代码报错的情况,而是代码中一些函数的设定搓成出现了错误。从而导致结果无法正常输出。原创 2023-10-03 09:30:00 · 257 阅读 · 0 评论 -
GEE土地分类——分类有影像出现空洞我们应该如何填充?(两种方法,集群填充和像素连接方法)
我想知道是否存在一种简单的方法来填充二进制分类图像(例如森林)中的空洞像素?被森林像素包围的空洞像素很可能是由分类错误产生的。使用focalMedian可以填补这个洞,但森林斑块的边界被扩大了很多。这是一个演示此问题的简单链接。其他解决方案出现空白区域可能是由于分类方法或数据问题导致的。如果是数据问题,可以尝试重新获取或处理数据。如果是分类方法问题,可以考虑重新选择分类方法或者改善分类参数,以得到更好的结果。如果已经确认空白区域是分类结果问题,可以使用插值方法来填补空白区域。原创 2023-10-01 09:45:00 · 585 阅读 · 0 评论 -
GEE错误——利用NLCD数据进行土地利用数据采样的时候发生的错误
我正在尝试从 NLCD 和 MOIDS 中采样 LULC 点,并且我编写了一个函数来在一段时间内完成此操作。但是,过滤 NLCD 数据集会导致错误。它只发生在函数内部。我这样做了一年,效果很好。有人能帮我吗?在GEE中仅有两年的数据,所以,中间几年的是没有的,所以只可以采样两年。原创 2023-09-10 17:59:50 · 308 阅读 · 0 评论 -
1970年代末期(1980年)、1980年代末期(1990年)、1995年、2000年、2005年、2010年、2015年、2018年、2020年数据中国多时相土地利用现状数据库
中国土地利用遥感监测数据来源于中国多时相土地利用现状数据库,经过多年的积累而建立的覆盖全国陆地区域的数据库。该数据集包括1970年代末期(1980年)、1980年代末期(1990年)、1995年、2000年、2005年、2010年、2015年、2018年、2020年数据,空间分辨率为1000米,数据生产制作是以各期Landsat TM/ETM遥感影像为主要数据源,在前一年数据成果基础上,通过人工目视解译生成,数据可靠、质量较高。原创 2023-09-30 08:30:00 · 346 阅读 · 0 评论 -
GEE土地分类:土地分类精度评定和分类后影像进行(Kmeans,Gmeans,SNIC (Simple Non-Iterative Clustering)聚类分析和滤波(focal_mode)分析
使用聚类分析和滤波分析来进一步处理土地分类后的影像数据。聚类分析可以帮助您识别影像中的相似区域。您可以使用聚类算法,如K均值聚类或层次聚类,将像素分组到具有相似像素值的群集中。这可以帮助您更好地理解图像中的空间模式和结构,并可能揭示有用的信息。滤波分析可以帮助您平滑图像并去除噪声。常见的滤波器包括中值滤波器和高斯滤波器。这些滤波器可以帮助您消除图像中的随机变化,并使其更易于解释和分析。原创 2024-01-05 16:46:17 · 1796 阅读 · 0 评论 -
GEE案例:利用两期高分辨率土地分类数据进行建成区对比
建成区是指城市和乡村居民点聚集区域建设用地。利用高分辨率土地分类数据进行建成区对比,可以了解不同时间段内建成区的变化情况。具体步骤如下:1. 收集两期高分辨率土地分类数据,如Landsat遥感影像数据。2. 将两期数据进行几何校正和辐射校正,保证数据的精度。3. 利用遥感图像处理软件,如ENVI、ArcGIS等,进行影像配准,将两期影像完美对齐。4. 进行影像分类,可采用最大似然分类、支持向量机分类(SVM)等算法进行分类,得到各类别像元数目。原创 2023-09-10 09:00:00 · 248 阅读 · 0 评论 -
GEE:将sentinel- 1和2数据多源遥感数据融合(哨兵1号数据斑点滤波函数)
哨兵1号和2号是欧空局发射的一系列卫星,主要用于地球观测。它们各自搭载了多种传感器和仪器,可以获取不同波段、不同分辨率和不同时间的遥感数据。这些数据可以用于地球科学研究、环境监测、资源调查等领域。多源遥感数据融合是将来自不同传感器和不同卫星的遥感数据进行整合和处理,得到更加全面、准确和详细的地球信息。常用的融合方法有数据融合、特征融合和决策融合等。利用多源遥感数据融合技术,可以解决单一传感器数据的局限性,提高地球信息提取的精度和可靠性。原创 2023-09-08 10:00:00 · 2124 阅读 · 4 评论 -
GEE土地分类——土地分类后影像(集群处理、滤波处理)处理和单点像素分类影像结果融合(用周围的值替换孤立的像素)
很多时候我们都会发现,在进行土地分类后的结果往往不能让我们结果看起来很好,这里主要的原因是分类后结果的破碎度的问题,所以我们需要进行相应的集群处理和用单点周围像素条带单点的像素值两种方法进行处理。分类结果的后处理有监督分类结果通常包含由错误分类像素引起的椒盐噪声。通常最好采用一些后处理技术来去除这些噪声。下面的脚本包含两种常用的分类结果后处理技术的代码。使用无监督聚类,用每个聚类中的多数值替换分类值。使用多数过滤器将孤立的像素替换为周围的值。原创 2023-08-08 18:45:48 · 845 阅读 · 0 评论 -
GEE土地分类——Landsat TM/ETM/OIL影像相互转化,土地分类样本点检查。进行遥感影像校正后的逐年影像下载(采用最大值合成和核函数填补空缺)
本文中使用指定的转化参数进行Landsat578之间转化,可以有效减少不同传感器之间影像的差异,本文主要通过影像转化,合成长时序影像集合,去除逐年不好的影像,采用随机森林进行分类,并进行核函数填充因去云后的空洞,最终将土地分类进行逐一样本点的筛选,筛选之后按照土地分类结果注意土地分类样本点检查啊,直到去除所有的样本点,保持未发生地类变化的样本点进行分析。转化后的OLI影像会包含8个波段(1-7和9),其中波段4、5和7与TM/ETM影像相同,波段1、2和3与OLI影像原生波段相同,波段9是新添加的。原创 2023-08-22 09:00:00 · 446 阅读 · 0 评论 -
GEE土地分类——计算遥感变量特征的重要性(使用随机森林方法)
计算特征重要性GEE 中的许多分类器都有一个用于计算特征重要性的 explain() 方法。分类器会根据每个输入变量在预测正确值时的有用程度给它们打分。下面的脚本展示了如何提取特征重要性并创建图表将其可视化。遥感变量特征的重要性可以从多个角度进行分析,以下是一些重要的方面:1. 空间信息的提供:遥感变量可以提供高精度的地表空间信息,包括植被、土地利用、土地覆盖、地表温度等。这些信息可以为资源管理、环境保护、城市规划等领域提供参考依据。原创 2023-08-21 17:00:00 · 732 阅读 · 0 评论 -
GEE土地分类——识别土地分类错误的地物特征 GCP
土地分类中的地类划分错误可能是由于人工操作、数据缺失或环境变化等原因造成的。通过以上方法对土地分类中的地类划分错误进行监测和修正,可以保证土地分类数据的准确性和可靠性。2. 遥感检测:利用遥感技术,对土地进行监测和识别,找出异常地区,及时纠正错误的地类划分。1. 土地调查:在土地调查过程中,对已划分的地类进行再确认,遇到错误的地类划分及时修正。4. 数据对比:将土地分类数据与其他数据对比,寻找不一致之处,及时修正错误的地类划分。3. 地面验证:通过实地考察、抽样调查和检测等方式,对地类划分进行验证和修正。原创 2023-08-20 09:30:00 · 274 阅读 · 0 评论 -
GOOGLE EARTH ENGINE——土地分类中提取地类中出现的错误(多土地分类的结果提取)
问题:谁能帮我解决这个问题吗?我想从我的数据集中掩盖山丘、城市和水域,然后执行分类。但屏蔽不起作用更新图像中所有现有掩码不为零位置的掩码。输出图像保留输入图像的元数据和足迹。原创 2023-07-23 16:00:00 · 335 阅读 · 0 评论 -
Google Earth Engine(GEE)——使用随机森林方法进行土地分类(农作物)
在我们进行样本点分类首先就是选择样本点,和影像,然后进行随机样本点分类,这里除了随机样本点分类之外,其技术难点就是如何对原有样本点的添加以及一些分类参数的设定。这里我们首先建立一个影像,然后分别给与影像赋予不同值,最终返回就是一个单波段影像,但是这个分类影像中就包含了很多影像原始值信息,而随后利用直接样本点获取,就可以根据class分类的影像进行分层设定样本点,很是方便。先看以下函数。这里最主要的就是选取研究区的随机样本点,这里可以设定样本点数量,参与分类的样本点波段,分类属性值和分类点等等。原创 2023-04-30 17:00:00 · 2202 阅读 · 0 评论 -
Google Earth Engine(GEE)——提取1985-2022年Landsat5/7/8不同土地分类样本点的影像值(reduceRegions)
影像值提取至点的具体操作流程一般如下:打开遥感影像。选择点数据集,打开或添加需要提取像素值的点图层。如果没有点数据集,可以手动创建一个点图层。确认点数据集和影像的投影坐标系、数据范围等信息是否相同,如果不同需要进行投影转换。选择提取像素值的方法,常用的有点采样、领域平均、反比例加权等。根据选择的方法,设置提取像素值的相关参数,比如点的半径、权重、颜色通道等。开始提取像素值,程序会自动计算每个点的像素值,并将结果保存在点图层的属性表中。可以根据提取结果进行进一步的数据分析和处理。原创 2023-06-14 09:00:00 · 1404 阅读 · 0 评论 -
Google Earth Engine(GEE)——机器学习土地分类中出现错误No valid training data were found.
我想使用 svm 算法对甘蔗进行分类。但是训练数据是错误的。原创 2023-06-08 09:00:00 · 510 阅读 · 0 评论 -
Google Earth Engine(GEE)——10种不同机器学习方法下的土地分类分析
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。原创 2023-06-22 09:00:00 · 1956 阅读 · 0 评论