Transcript: Classification supervisée dans Google Earth Engine [GEE]

 Bonjour tout le monde



Je voulais juste préparer cette vidéo en français. Je ne parle pas français, mais j'ai quelques connaissances de base.


Je veux parler de classification supervisée, dans cette vidéo. En classification supervisée, nous recueillons des données d'entraînement. Ces données d'apprentissage contiennent des étiquettes en tant que propriétés, qui ont des valeurs numériques. Ensuite, nous utilisons le classificateur. Les données de formation sont utilisées pour former le classifieur. Ensuite, l'image est classée. Après cela, nous générons l'erreur de classification avec différentes données de validation.


--

Nous prenons les exemples des guides EARTHENGINE. les codes commencent par la fonction de masquage et de mise à l'échelle de la collection d'images.

Nous appliquons la fonction à la collection d'images.

Nous sélectionnons des bandes pour la prédiction.

Nous avons les points comme données d'entraînement. Il a la propriété et trois nombres différents pour la classe.


nous utilisons sampleRegions pour la formation.

nous utilisons la fonction ee.Classifier.smileCart pour former le classifieur. Cela utilise donc des arbres de classification et de régression. Nous sélectionnons les bandes et classons l'image à partir du classificateur formé.


puis nous ajoutons l'image et l'image classée en tant que calque.






Code2


Dans le deuxième exemple, nous utilisons le même processus, mais nous utilisons des polygones au lieu de points. La collection d'entités est préparée à partir des polygones. Dans la collection d'entités, chaque polygone est converti en entité et possède les numéros uniques fournis.


Ici, nous utilisons le classificateur de machine à vecteurs de support. Certains paramètres ont été utilisés. Comme dans l'exemple précédent, nous affichons l'image et l'image classée sous forme de calque.


Code 3

Le troisième exemple est différent et complexe.

Nous utilisons l'image MODIS landcover pour la classification. Mais, nous utilisons des bandes de données landsat 8. D'autres processus sont similaires.


La nouveauté ici est que nous générons une matrice de confusion par la fonction .confusionMatrix. Le concept consiste à utiliser différents ensembles de données pour la formation et la validation.


code3.1

Il existe des moyens de créer deux ensembles de données différents pour la formation et la validation.


code3.2

Et le dernier code ici, essaie d'éviter toute similitude entre les données de formation et de validation. Qu'ils n'ont pas besoin d'être spatialement identiques.


C'était la courte vidéo, j'espère que cela a été utile.


https://youtu.be/Qc4HWOU0AA0


बढी पढिएका सामग्रीहरुः

About Me

My photo
Learner, Loves/Learns agronomy, remote sensing, gis, other interests in writing poetry, learning languages, literature, learning the guitar, (+ve person)