GEE机器学习专栏
该专栏为热销专栏榜 第73名
文章平均质量分 84
以在GEE平台上进行机器学习应用为主线,以完整的项目实施为目的,提高GEE处理遥感数据的编程能力和思维。
优惠券已抵扣
余额抵扣
还需支付
¥99.90
¥299.90
购买须知?
本专栏为图文内容,最终完结不会低于15篇文章。
订阅专栏,享有专栏所有文章阅读权限。
本专栏为虚拟商品,基于网络商品和虚拟商品的性质和特征,专栏一经购买无正当理由不予退款,不支持升级,敬请谅解。
_养乐多_
记录GEE(GoogleEarthEngine),python处理遥感数据,机器学习算法应用,深度学习模型训练、推理和部署的笔记。
展开
-
GEE:各类样本的数量统计
CSDN@_养乐多_本文将介绍如何统计机器学习分类算法中使用的样本点的类型和各类样本点的数量,以帮助用户在做机器学习分类是做到快速统计样本点,更好的分析和理解数据。原创 2024-04-24 20:21:09 · 312 阅读 · 0 评论 -
GEE:绘制和对比不同地物的光谱曲线
CSDN@_养乐多_本文将介绍如何在 Google Earth Engine(GEE)平台上绘制不同地物的光谱曲线,以便帮助进行地物分类分析。原创 2024-04-08 16:56:19 · 516 阅读 · 0 评论 -
GEE:样本点的样式设置
CSDN@_养乐多_本文将介绍在Google Earth Engine (GEE)平台上为样本点设置样式的方法和代码,样本点可以设置成任何颜色,以及7种形状,以便更直观了解数据的分布和特征。原创 2024-04-09 07:00:00 · 229 阅读 · 0 评论 -
GEE:可视化错误分类的样本点
CSDN@_养乐多_在 Google Earth Engine(GEE)平台上进行机器学习分类准确性评估时,会存在一些错误分类的样本点数据。本文将介绍如何将这些错误分类的样本点可视化出来,以便更好地理解和分析数据。原创 2024-04-08 07:30:00 · 338 阅读 · 7 评论 -
GEE:使用迁移样本进行机器学习分类
CSDN@_养乐多_当在 Google Earth Engine(GEE)平台上进行机器学习分类时,由于每一年的光谱亮度都不一样,或者发生了地表覆盖变化,所以第一年标记的样本点可能不适用于第二年的影像分类,就需要每年标记大量的样本点,这个过程耗费人力物力。为了节省成本和时间,一些人基于永久地类标记样本点,利用地类不变的样本点来训练多个时期的遥感数据。本文将介绍一种不一样的方法,即使用迁移样本点进行机器学习分类的方法,使用距离度量方法,筛选地类没有发生变化的可用样本点对不同时期的影像进行机器学习分类。原创 2024-04-08 07:00:00 · 455 阅读 · 1 评论 -
GEE:农作物样本点提取教程(以大蒜和小麦样本点为例)
本文将介绍在 Google Earth Engine(GEE)平台上进行大蒜种植区和小麦种植区样本点标记的方法。并使用哨兵数据为例,代码也可以扩展到Landsat数据。结果如下图所示,红色样本点为大蒜,黄色样本点为小麦。原创 2024-04-01 14:29:59 · 635 阅读 · 0 评论 -
GEE:将分类特征和标签提取到样本点,并以(csv/shp格式)下载到本地
CSDN@_养乐多_本文将介绍在Google Earth Engine(GEE)平台上,下载用于机器学习分类或者回归的样本点数据,样本点数据携带了分类特征和标签信息,可以以csv格式或者SHP格式。原创 2024-03-27 16:31:44 · 866 阅读 · 0 评论 -
GEE:为什么在机器学习分类或回归时,提取特征变量后的样本点下载到本地时,数据为空且缺少坐标?
CSDN@_养乐多_当尝试将机器学习分类或者回归中提取的特征变量下载到本地时,可能会发现数据为空且缺少坐标信息。为了解决这个问题,本文记录了相关的解决方法和相应的代码。原创 2024-03-18 11:06:53 · 757 阅读 · 1 评论 -
GEE:最小距离分类器(minimumDistance)分类教程(样本制作、特征添加、训练、精度、最优参数、统计面积)
CSDN@_养乐多_本文将介绍在Google Earth Engine(GEE)平台上进行最小距离分类的方法和代码。原创 2024-01-18 16:22:22 · 939 阅读 · 0 评论 -
GEE:CART 决策树分类教程(样本制作、特征添加、训练、精度、最优参数、统计面积)
CSDN@_养乐多_本文将介绍 GEE 中进行 CART 决策树分类的代码。原创 2024-01-18 14:57:23 · 634 阅读 · 0 评论 -
GEE:随机森林分类器投票方法的优化与修改
本文将介绍 GEE 上对随机森林分类器投票方法的优化和修改,以帮助大家熟悉 GEE 上的关键API。原创 2024-01-17 22:28:20 · 228 阅读 · 0 评论 -
GEE:机器学习分类中每个类别的概率图像可视化
CSDN@_养乐多_本文将介绍在 Google Earth Engine(GEE) 中应用机器学习分类器进行多分类时,可视化每个类别的分类概率图像。原创 2024-01-16 20:18:24 · 501 阅读 · 8 评论 -
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)
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。原创 2024-01-16 18:15:01 · 2883 阅读 · 7 评论 -
GEE:2行代码实现机器学习分类器模型的导出和复用
CSDN@_养乐多_这篇博客将详细介绍如何执行机器学习分类器的导出和复用这一任务,并提供相应的代码示例。相比其他方法,我们只需两行代码即可完成导出和调用任务。且可以导出 GEE 上所有机器学习算法训练的模型,包括随机森林、支持矢量积、k近邻等。原创 2024-01-05 20:49:33 · 1243 阅读 · 0 评论 -
GEE:随机森林分类的结果一致性困扰:OA和Kappa值为何每次都相同?
本文将介绍如何在GEE中增加随机森林分类器的变异性,使得每次运行的结果都不同,从而更好地理解和优化土地利用分类的结果。原创 2023-12-21 16:04:37 · 1227 阅读 · 0 评论 -
GEE:如何解决随机森林分类器的确定性伪随机性?使得每次运行结果(OA、Kappa和混淆矩阵等)不一样
CSDN@_养乐多_本文将介绍如何在GEE中增加随机森林分类器的变异性,使得每次运行的结果都不同,从而更好地理解和优化土地利用分类的结果。原创 2023-12-21 16:00:22 · 2003 阅读 · 0 评论 -
GEE:根据像素数量删除非常分散且面积较小的对象(斑块/超像素)
CSDN@_养乐多_本文将介绍在Google Earth Engine (GEE)平台上,斑块(对象/超像素)的像素数量计算方法,并根据斑块的像素数量删除某一类土地利用数据中面积低于指定阈值的斑块(对象/超像素)的代码。结果如下图所示,简言之,就是将下图中面积小的对象删除,只保留下图右图中白色的面积较大的斑块。原创 2023-12-18 15:21:02 · 1117 阅读 · 0 评论 -
GEE:使用网格搜索法(Grid Search)求机器学习算法的最优参数或者参数组合
CSDN@_养乐多_本文记录了在 Google Earth Engine(GEE)平台中,计算机器学习分类算法最优参数的代码,其中包括单一参数的最优和不同参数组合的最优。使用的最优参数计算方法是网格搜索法(Grid Search),GEE 平台上并没有现成的网格搜索法 API,因此,本文在 GEE 上手动实现了网格搜索法以求最优参数。并以 kNN 最近邻分类方法为例,分别计算了在不同最近邻数量、搜索方法、距离度量方法和不用参数组合下的分类精度。原创 2023-12-12 15:52:02 · 1850 阅读 · 8 评论 -
GEE:重分类
本文记录了在 Google Earth Engine(GEE)平台上对一副类别图像进行重分类的代码。并以 COPERNICUS/Landcover/100m/Proba-V-C3/Global 数据集中的土地利用数据为例。原创 2023-12-12 11:18:38 · 507 阅读 · 0 评论 -
GEE:kNN(k-最近邻)分类教程(样本制作、特征添加、训练、精度、最优参数、统计面积)
作者:CSDN @ _养乐多_本文将介绍在Google Earth Engine (GEE)平台上进行kNN(k-最近邻)分类的方法和代码,其中包括制作样本点教程(本地、在线和本地在线混合制作样本点,合并样本点等),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),运行kNN(k-最近邻)分类器教程,并可将分类器模型应用于像素尺度或者超像素(对象/斑块)尺度数据,计算kNN(k-最近邻)分类结果的精度(精度参数以csv格式下载到本地),kNN(k-最近邻)分类算法最优参数分析(绘制最优参数分布图原创 2023-11-23 20:29:26 · 1326 阅读 · 0 评论 -
GEE:梯度提升树(Gradient Boosting Tree)分类教程(样本制作、特征添加、训练、精度、参数优化、贡献度、统计面积)
作者:CSDN @ _养乐多_本文将介绍在Google Earth Engine (GEE)平台上进行梯度提升树(Gradient Boosting Tree)分类的方法和代码,其中包括制作样本点教程(本地、在线和本地在线混合制作样本点,合并样本点等),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),运行梯度提升树分类器教程,并可将分类器模型应用于像素尺度或者超像素(对象/斑块)尺度数据,计算梯度提升树分类结果的精度(精度参数以csv格式下载到本地),优化梯度提升树分类算法的参数(绘制最优参数原创 2023-11-23 20:06:33 · 1534 阅读 · 0 评论 -
GEE:本地影像上传到GEE的Assets中,并输入机器学习算法中作为特征变量
当我们在 Google Earth Engine(GEE)中应用机器学习算法时,会输入一些影像作为特征变量数据,进一步根据这些特征影像去推理未知区域的数据。但是 GEE 平台上计算特征变量的 API 函数并不是非常全面,我们希望获得更多的特征用于分类。这个时候,我们可以将本地计算的特征影像上传到 GEE 中进行后续处理。本文记录了从本地上传特征数据到 GEE 的 Assets 中的教程,用于后续在 GEE 中分类或者回归使用。本文也可作为《》一文的补充。原创 2023-10-28 11:17:57 · 1033 阅读 · 0 评论 -
GEE:为机器学习算法(随机森林、支持矢量机等)加入膨胀/腐蚀特征
腐蚀和膨胀是数学形态学图像处理中的两个基本操作,用于修改和分析二值图像(包含只有两个像素值的图像,通常是黑和白)。腐蚀和膨胀操作可以作为机器学习中的特征变量,用来分类,比如在博客《GEE:随机森林分类教程(样本制作、特征添加、训练、精度、参数优化、贡献度、统计面积)》中,可以用来提高土地利用分类的精度,增强边缘特征。原创 2023-10-19 17:05:31 · 731 阅读 · 0 评论 -
GEE:绘制土地利用类型面积分布柱状图
本文记录了,在 Google Earth Engine (GEE)中进行随机森林分类后绘制不同类型面积分布柱状图的代码片段。完整代码请看博客《柱状图效果如下所示,原创 2023-10-19 14:39:21 · 1064 阅读 · 0 评论 -
GEE:机器学习分类数据后处理——分类数据滤波(平滑)、连通性处理(去除小碎斑块)
本文记录了机器学习分类数据后处理方法和代码,即分类数据滤波(平滑)和连通性处理(去除小碎斑块)。原创 2023-08-29 11:30:42 · 1367 阅读 · 3 评论 -
GEE:分层抽样
本文将介绍在Google Earth Engine (GEE) 平台上,实现在每一个类别中分别提取指定比例(本例50%)的样本数据得到一个新的矢量数据的代码。该过程为分层抽样。该方法可用于机器学习分类中,用于减少误差,提高效率,减少计算资源,增加样本代表性。原创 2023-08-04 11:22:09 · 698 阅读 · 0 评论 -
GEE:矢量数据去除重复值(输出样本点数据的标签信息)
本文记录了在GoogleEarthEngine(GEE)平台上,将样本点数据中某个字段的值去除重复值,并将剩下的值打印到控制台的代码。该代码可以用于快速在GEE平台上查询土地利用分类信息中landcover的类别信息。原创 2023-08-04 10:56:45 · 295 阅读 · 0 评论 -
GEE:计算每个对象的面积、标准差、周长、宽度、高度
养乐多_本文记录了面对对对象分割,以及计算每个对象的面积、标准差、周长、宽度、高度的代码。原创 2023-07-16 14:30:33 · 557 阅读 · 0 评论 -
GEE:支持向量机(SVM)分类参数说明和官方案例
本文记录了在GEE平台上进行支持向量机(SVM)分类使用ee.Classifier.libsvm的说明和官方案例。原创 2023-07-16 13:55:23 · 1023 阅读 · 0 评论 -
GEE:本地样本点上传出现的错误,Property ‘landcover‘ of feature ‘1_1_1_00000000000000000000_0‘ is missing
在Google Earth Engine(GEE)平台上进行随机森林分类时,当上传样本点以后出现了错误她是一类一类的上传,进一步使用merge函数将不同类别的样本点数据合并起来,。遇到这个问题怎么修改呢?本文将介绍解决以上问题的方法和代码。原创 2023-07-12 16:28:22 · 1096 阅读 · 0 评论 -
GEE:多元线性回归
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。原创 2023-07-11 21:14:32 · 2051 阅读 · 1 评论 -
GEE:为每个对象(斑块/超像素)添加属性
养乐多_本文将介绍为每个对象(斑块/超像素)添加属性的代码。并举例将最近距离作为属性添加到每个对象(斑块/超像素)特征中。结果如下图所示,原创 2023-06-23 17:39:22 · 506 阅读 · 0 评论 -
GEE:删除非常分散(使用欧几里得距离)且面积较小的对象(斑块/超像素)
养乐多_本文将介绍在Google Earth Engine (GEE)平台上,根据欧几里得距离计算方法,删除某一类土地利用数据的对象(斑块/超像素)中面积低于指定阈值的对象(斑块/超像素)的代码。结果如下图所示,简言之,就是将下图中面积小的对象删除。原创 2023-06-23 17:29:24 · 540 阅读 · 1 评论 -
GEE:实现 Lee 杂波滤波器(Lee speckle filter)降低或去除SAR图像中的杂波(speckle noise)
Lee speckle filter(Lee杂波滤波器)是一种常用的合成孔径雷达(SAR)图像处理算法,用于降低或去除SAR图像中的杂波(speckle noise)。SAR图像中的杂波是由于SAR工作原理导致的干涉和散射效应造成的不均匀亮度分布,给图像分析和解译带来困难。Lee滤波器基于统计原理,通过对图像进行空间平滑处理来减少杂波的影响。具体而言,Lee滤波器使用了局部统计信息,如图像的均值和方差,对每个像素点进行滤波处理。原创 2023-06-23 16:35:08 · 1703 阅读 · 1 评论 -
GEE:面对对象(斑块/超像素)尺度的随机森林分类教程
本文将介绍在Google Earth Engine(GEE)平台上进行面向对象随机森林分类的方法和代码。面向对象随机森林分类是一种强大的分类方法,通过将遥感影像数据聚合成具有语义的对象,结合随机森林算法进行分类,可以得到准确且可解释的土地利用/覆盖分类结果。原创 2023-06-19 12:19:55 · 5082 阅读 · 25 评论 -
GEE:计算每个斑块(超像素、对象)内的特征/统计值
斑块(或对象)是指具有相似像素值的区域,通常代表地物或景观要素。通过计算斑块的特征,我们可以获得关于这些区域的有用信息,从而进行更深入的分析和研究。在本文中,我们将介绍如何使用Google Earth Engine(GEE)平台计算每个斑块的特征/统计值,并将这些特征赋值给相应的对象。原创 2023-05-19 01:41:31 · 1109 阅读 · 2 评论 -
GEE:无监督聚类算法(wekaKMeans)
本文将介绍如何使用 Google Earth Engine(GEE)进行卫星图像 K-means 聚类分析的基本步骤,并提供相应的示例代码。结果如下图所示,原创 2023-05-16 01:42:05 · 921 阅读 · 0 评论 -
GEE:为机器学习方法(随机森林、支持矢量机等)添加时间序列特征
在 Google Earth Engine (GEE) 平台上,可以使用时间序列特征来为随机森林分类算法提供更多的信息。时间序列特征可以捕捉地表变化随时间的动态模式,从而提高分类的准确性和可靠性。本文将介绍时间特征的定义,以及在GEE上的获取方法,并可以将其添加到机器学习分类算法中作为分类特征使用。原创 2023-05-16 01:34:49 · 1663 阅读 · 8 评论 -
GEE:将年度NDVI时间序列影像集合(Image Collection)转变为多波段影像,并下载
本文将重点介绍如何使用 Google Earth Engine (GEE) 将多波段影像堆叠并导出,并探讨其应用场景和好处。通过使用 GEE 的多波段影像堆叠功能,我们可以将不同波段的遥感影像整合成一个多波段影像,以支持各种地理空间分析任务。这种方法适用于遥感影像分析、时间序列分析、数据导出与共享等多个应用场景。多波段影像堆叠的好处包括数据整合、数据处理效率、数据共享与合作、可视化与展示以及多尺度分析。原创 2023-05-16 00:59:54 · 1442 阅读 · 0 评论 -
GEE:基于k折交叉验证的机器学习模型性能评估
本文将介绍在Google Earth Engine(GEE)平台上应用k折交叉验证方法,来综合评估机器学习模型的整体表现。原创 2023-05-08 16:10:22 · 1134 阅读 · 5 评论