GEE：关于在GEE平台上进行回归计算的若干问题

已于 2024-02-15 01:32:23 修改
阅读量1k 收藏 2
点赞数 10
分类专栏： GEE 文章标签： GEE javascript 遥感图像处理 云计算 回归
于 2024-02-15 01:26:39 首次发布
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_35591253/article/details/136117629
版权
GEE 专栏收录该内容
103 篇文章 301 订阅
订阅专栏

作者：CSDN @ _养乐多_

记录一些在Google Earth Engine （GEE）平台上进行机器学习回归计算的问题和解释。

文章目录

一、回归

1.1 问：GEE平台上可以进行哪些机器学习回归算法？

答：GEE平台上有四种机器学习回归算法，分别是随机森林回归、CART（Classification and Regression Trees）回归、梯度提升树（Gradient Boosting Tree）回归、最小距离（minimumDistance）回归。除此之外，还有最小二乘回归、线性回归、多元线性回归。

1.2 问：为什么只有这四种？哪个精度高？

答：因为GEE的API只提供了四种可用的机器学习回归算法。精度高低要根据自己的数据和参数进行调试。

1.3 问：GEE上能否运行深度学习算法？

答：不可以。

// 待更新

_养乐多_
关注
专栏目录
GEE：自回归模型（Auto-Regressive Model，AR）
养乐多的博客
08-08 250
CSDN@_养乐多_本文将介绍如何在 Google Earth Engine (GEE) 平台上实现自回归模型（Auto-Regressive Model，AR）。通过实际示例，构建并应用 AR(2) 模型进行时间序列分析。
Google Earth Engine（GEE） ——使用gee的通用精细分辨率FPAR估计，随机森林或多元线性回归方法
此星光明博客
01-31 1230
为了克服这一局限性，本文开发了一种增强的缩放方法，提出了一个去除离群点的程序和一种对所选样本进行加权的方法，并通过粗分辨率FPAR产品和汇总的细分辨率表面反射率之间的加权多元线性回归（MLR）建立FPAR模型。增强的缩放方法的结果更接近现场测量（RMSE=0.058和R 2=0.768），与MODIS FPAR（RMSE=0.091和R 2=0.894）相比，与RFR的结果更一致，特别是在植被密集的像素上。特别是，在增强的缩放方法中，密集植被像素的高FPAR值被低估的情况明显改善。
GEE 学习之遥感回归分析
gis收藏家的博客
12-05 1099
基于Google Earth Engine (GEE) 进行回归分析是一项强大的地理信息分析技术，广泛应用于许多领域。今天我们将揭开遥感回归分析的神秘面纱，通过Google Earth Engine（GEE），结合线性回归和随机森林回归，带你探索地球表面的奥秘！🚀。
GEE机器学习——利用分类和回归树（Classification and Regression Trees，CART）土地分类分析
此星光明博客
12-12 770
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。
GEE：GEE上一些好看的可视化参数（调色板/颜色）
养乐多的博客
07-08 707
养乐多_为了方便使用，总结了几种可视化参数。
Google Earth engine 机器学习算法分类 回归算法实现
我是菜鸡我不敢睡的博客
06-05 2307
回归算法， 这里以随机森林算法为例： 以土地利用分类为例从 var tem=ee.ImageCollection("OREGONSTATE/PRISM/AN81d") .filterDate('2016-08-01','2016-09-01') .first().select('tmax') var elev=ee.Image("CGIAR/SRTM90_V4") var lucc=ee.ImageCollection("MODIS/006/MCD12Q1") .fil...
Google Earth Engine（GEE）——利用线性回归linearRegression()和ee.Reducer.ridgeRegression(）进行美国2099年平均降水和气温预测并成图
此星光明博客
08-17 1619
假设有两个因变量：降水量和最高温度，以及两个自变量：常数和时间。该集合与前面的示例相同，但必须在减少之前手动添加常量带。输入的前两个波段是“X”（独立）变量，接下来的两个波段是“Y”（因）变量。在这个例子中，首先得到回归系数，然后将数组图像展平以提取感兴趣的波段： 这次得先说一下： ee.Image(args) 表示地球引擎图像的对象。此构造函数接受各种参数： An object to represent an Earth Engine image. This constructor acce
基于GEE云平台实现NDWI水体提取并计算面积覆盖代码.txt
04-06
在这方面的研究和开发中，Google Earth Engine（GEE）云平台提供了一种强大的工具，它允许用户直接在云环境中处理、分析大量卫星影像数据。GEE平台上的LANDSAT系列卫星数据，特别是LANDSAT/LC08/C02/T1数据，为水体...
GEE：关于遥感生态指数（RSEI）的若干疑问
养乐多的博客
03-14 1586
本文记录了若干关于在 Google Earth Engine （GEE）平台上，计算基于主成分分析（PCA）的遥感生态指数（RSEI）的问题。并记录了解决这些问题的一些答案。问题包括，主成分分析的特征值的正负，主成分的占比，去云后空值像素的处理方法，异常值处理方法，如何看载荷等。
GEE：Landsat C01和C02数据集进行LST（Land Surface Temperature）地表温度分析.pdf
最新发布
06-17
因此，在计算LST时，需要考虑到这些因素，并采用相应的算法和模型进行处理。 目前，计算LST的常用方法有多种，其中最常见的是基于热辐射遥感技术的方法。该方法通过测量地表辐射出的红外辐射，利用相关的物理模型...
GEE：多元线性回归
养乐多的博客
07-11 2137
养乐多_本文记录了在NDVI、EVI和LAI作为自变量，NPP作为因变量的条件下，使用linearRegression函数进行线性回归分析的代码，代码在Google Earth Engine（GEE）平台上实现。具体而言，该函数可以计算NDVI、EVI和LAI对NPP的影响关系。通过线性回归分析，可以了解NDVI、EVI和LAI与NPP之间的关系，并获得每个自变量（NDVI、EVI和LAI）对应的因变量（NPP）的系数。系数表示自变量对因变量的影响程度，正值表示正相关，负值表示负相关。
HSR-GEE：美国中部地区 1 米 GEE 陆面温度自动降尺度系统.pdf
05-08
### HSR-GEE：美国中部地区 1 米 GEE 陆面温度自动降尺度系统 #### 概述 在遥感技术应用中，地表温度（Land Surface Temperature, LST）是重要的环境参数之一，它对理解地表能量平衡、水文循环以及气候系统具有...
Google Earth Engine（GEE）——sentinel1线性趋势分析（线性最小二乘回归）
此星光明博客
04-06 508
本代码主要是通过sentinel1应先改进型线性趋势分析leftFieldrightValuerightFieldleftValue。
Google Earth Engine(GEE) 多元线性回归拟合 ee.Reducer.linearRegression
我是菜鸡我不敢睡的博客
05-08 5993
在GEE中想要进行多元线性拟合可以使用ee.Reducer.linearRegression方法。这里举个例子，建立温度，降雨，NDVI 与EVI之间的关系。数据时间范围2000-2020。这里我们需要将数据处理为以一个包含21的image的imagecollection，每个image包含四个波段，如上面顺序。 ee.Reducer.linearRegression采用最小二乘方法拟合参数， 以最小化残差为目标 结果返回两个波段，一个是系数，一个是残差（均方根误差） 具体实现如下： 首先将数据处理为im
GEE：线性回归
养乐多的博客
07-04 3790
本文记录了GEE中的线性回归函数，并分别以影像集合、多个波段之间的相关性、多个列表数据的相关性为例。
GEE机器学习——利用梯度决策树Gradient Tree Boost 方法（GBDT/GBRT）进行土地分类和精度测试
此星光明博客
12-12 911
梯度提升树（Gradient Tree Boost）是一种集成学习方法，通过串行训练多个决策树来解决回归和分类问题。它通过迭代的方式不断优化模型预测结果，使得每一棵树能够纠正前一棵树的预测误差。Gradient Tree Boost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. 初始化模型：将初始模型设置为一个简单的预测器，如平均值（回归问题）或多数类别（分类问题）。
基于python版本的谷歌GEE云计算平台使用，以DEM数据下载为例（GEE系列1）
weixin_42464154的博客
03-13 6278
Google Earth Engine(GEE)是谷歌的云计算平台，官网为：https://earthengine.google.com/，是目前世界上功能最全的云计算平台。 其支持深度学习和常规数据分析处理，其具有两个编辑器版本，支持JavaScript版本和python版本，其中python版本又分为网页版ipython版本和传统本地python版本。其中python版本能够调用更多的工具包，具有更好的使用前景，但目前官网样例代码，主要以JavaScript版本为主，该语言是web系统开发的主要前端语
Google Earth Engine(GEE)实例代码学习二十——利用波段线性拟合（linearFit）
little00bee的博客
04-22 4513
夜间灯光数据线性拟合 本文分享如何利用影像波段实现线性拟合。 linearFit（）计算斜率和截距，输入数据第一个为x第二个为y //创建一个函数：获取每张图像的"年"与1990年差值，作为一个波段添加到数据集中，作为线性拟合的参数 function createTimeBand(img) { var year = img.date().difference(ee.Date('1990-01-...
Google Earth Engine（GEE）——利用线性回归ee.Reducer.linearFit()进行美国2050年降水预测并成图
此星光明博客
08-17 2102
Earth Engine 有几种使用减速器执行线性回归的方法： ee.Reducer.linearFit() ee.Reducer.linearRegression() ee.Reducer.robustLinearRegression() ee.Reducer.ridgeRegression() 最简单的线性回归缩减器是linearFit()计算一个具有常数项的变量的线性函数的最小二乘估计。要获得更灵活的线性建模方法，请使用允许可变数量的自变量和因变量的线性回归缩减器之一。linearRegres
评论
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

_养乐多_

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