ee.Classifier.amnhMaxent

تنشئ مصنّف Maximum Entropy. يتم استخدام Maxent لنمذجة احتمالات توزيع الأنواع باستخدام البيانات البيئية للمواقع الجغرافية التي تم رصدها فيها ولعدد كبير من المواقع الجغرافية "الخلفية". لمزيد من المعلومات والاقتباس، يُرجى الاطّلاع على: https://biodiversityinformatics.amnh.org/open_source/maxent/ والمنشور المرجعي: Phillips, et. al., ‫2004 A maximum entropy approach to species distribution modeling, Proceedings of the Twenty-First International Conference on Machine Learning. الناتج هو نطاق واحد باسم "الاحتمالية"، يحتوي على الاحتمالية التي تم وضع نموذج لها، ونطاق إضافي باسم "التثبيت" عندما تكون الوسيطة "writeClampGrid" صحيحة.

الاستخدام	المرتجعات
ee.Classifier.amnhMaxent(categoricalNames, outputFormat, autoFeature, linear, quadratic, product, threshold, hinge, hingeThreshold, l2lqThreshold, lq2lqptThreshold, addSamplesToBackground, addAllSamplesToBackground, betaMultiplier, betaHinge, betaLqp, betaCategorical, betaThreshold, extrapolate, doClamp, writeClampGrid, randomTestPoints, seed)	المصنِّف

الوسيطة	النوع	التفاصيل
categoricalNames	قائمة، القيمة التلقائية: فارغة	قائمة بأسماء المدخلات الفئوية. ويتم اعتبار أي مدخلات غير مدرَجة في هذه الوسيطة متواصلة.
outputFormat	سلسلة، القيمة التلقائية: "cloglog"	تمثيل الاحتمالات في الناتج
autoFeature	قيمة منطقية، القيمة التلقائية: true	اختيار فئات الميزات التي سيتم استخدامها تلقائيًا استنادًا إلى عدد عيّنات التدريب
linear	قيمة منطقية، القيمة التلقائية: true	السماح باستخدام الميزات الخطية يتم تجاهله عندما تكون قيمة autofeature هي true.
quadratic	قيمة منطقية، القيمة التلقائية: true	السماح باستخدام الميزات التربيعية يتم تجاهله عندما تكون قيمة autofeature هي true.
product	قيمة منطقية، القيمة التلقائية: true	السماح باستخدام ميزات المنتج يتم تجاهله عندما تكون قيمة autofeature هي true.
threshold	قيمة منطقية، القيمة التلقائية: false	السماح باستخدام ميزات الحدّ الأدنى يتم تجاهله عندما تكون قيمة autofeature هي true.
hinge	قيمة منطقية، القيمة التلقائية: true	السماح باستخدام ميزات المفصلة يتم تجاهله عندما تكون قيمة autofeature هي true.
hingeThreshold	عدد صحيح، القيمة التلقائية: 15	عدد العيّنات التي تبدأ عندها ميزات المفصلة في الاستخدام. يتم تجاهله عندما تكون قيمة autofeature هي "خطأ".
l2lqThreshold	عدد صحيح، القيمة التلقائية: 10	عدد العيّنات التي يبدأ عندها استخدام الميزات التربيعية. يتم تجاهله عندما تكون قيمة autofeature هي "خطأ".
lq2lqptThreshold	عدد صحيح، القيمة التلقائية: 80	عدد العيّنات التي يبدأ عندها استخدام ميزات المنتج والحدّ. يتم تجاهله عندما تكون قيمة autofeature هي "خطأ".
addSamplesToBackground	قيمة منطقية، القيمة التلقائية: true	أضِف إلى الخلفية أي عيّنة تتضمّن مجموعة من القيم البيئية غير المتوفّرة في الخلفية.
addAllSamplesToBackground	قيمة منطقية، القيمة التلقائية: false	أضِف جميع العيّنات إلى الخلفية، حتى إذا كانت تتضمّن مجموعات من القيم البيئية المتوفّرة في الخلفية.
betaMultiplier	عدد عائم، القيمة التلقائية: 1	مضاعِف التسوية اضرب جميع مَعلمات التسوية التلقائية بهذا الرقم. ويؤدي ارتفاع هذا الرقم إلى توزيع أكثر انتشارًا.
betaHinge	Float، القيمة التلقائية: -1	مَعلمة التسوية التي سيتم تطبيقها على جميع ميزات المفصلة، وتتيح القيمة السالبة الإعداد التلقائي.
betaLqp	Float، القيمة التلقائية: -1	مَعلمة التسوية التي سيتم تطبيقها على جميع الميزات الخطية والتربيعية والمنتجات، وتتيح القيمة السالبة الإعداد التلقائي.
betaCategorical	Float، القيمة التلقائية: -1	مَعلمة التسوية التي سيتم تطبيقها على جميع الميزات الفئوية، وتتيح القيمة السلبية إعدادًا تلقائيًا.
betaThreshold	Float، القيمة التلقائية: -1	مَعلمة التسوية التي سيتم تطبيقها على جميع ميزات الحدّ الأدنى، وتتيح القيمة السالبة إعدادًا تلقائيًا.
extrapolate	قيمة منطقية، القيمة التلقائية: true	استقراء التوقّع للمناطق الواقعة خارج الحدود التي تمت مواجهتها أثناء التدريب
doClamp	قيمة منطقية، القيمة التلقائية: true	تطبيق التثبيت على الإخراج
writeClampGrid	قيمة منطقية، القيمة التلقائية: true	تضيف هذه السمة نطاقًا إلى الناتج (clamp) يعرض التوزيع المكاني للحدّ. في كل نقطة، تكون القيمة هي الفرق المطلق بين قيم التوقّع مع التقييد وبدونه.
randomTestPoints	عدد صحيح، القيمة التلقائية: 0	النسبة المئوية للاختبار العشوائي نسبة نقاط التدريب التي يجب الاحتفاظ بها كنقاط اختبار، وتُستخدَم لحساب مقاييس مثل AUX وOmission وما إلى ذلك
seed	Long، القيمة التلقائية: 0	هي قيمة أولية تُستخدَم عند إنشاء أرقام عشوائية.

أمثلة

محرّر الرموز البرمجية (JavaScript)

// Create some sample species presence/absence training data.
var trainingData = ee.FeatureCollection([
  // Species present points.
  ee.Feature(ee.Geometry.Point([-122.39567, 38.02740]), {presence: 1}),
  ee.Feature(ee.Geometry.Point([-122.68560, 37.83690]), {presence: 1}),
  // Species absent points.
  ee.Feature(ee.Geometry.Point([-122.59755, 37.92402]), {presence: 0}),
  ee.Feature(ee.Geometry.Point([-122.47137, 37.99291]), {presence: 0}),
  ee.Feature(ee.Geometry.Point([-122.52905, 37.85642]), {presence: 0}),
  ee.Feature(ee.Geometry.Point([-122.03010, 37.66660]), {presence: 0})
]);

// Import a Landsat 8 surface reflectance image.
var image = ee.Image('LANDSAT/LC08/C02/T1_L2/LC08_044034_20200606')
                // Select the optical and thermal bands.
                .select(['.._B.*']);

// Sample the image at the location of the points.
var training = image.sampleRegions({collection: trainingData, scale: 30});

// Define and train a Maxent classifier from the image-sampled points.
var classifier = ee.Classifier.amnhMaxent().train({
  features: training,
  classProperty: 'presence',
  inputProperties: image.bandNames()
});

// Classify the image using the Maxent classifier.
var imageClassified = image.classify(classifier);

// Display the layers on the map.
// Species presence probability [0, 1] grades from black to white.
Map.centerObject(image, 9);
Map.addLayer(
    image.select(['SR_B4', 'SR_B3', 'SR_B2']).multiply(0.0000275).add(-0.2),
    {min: 0, max: 0.3}, 'Image');
Map.addLayer(
    imageClassified, {bands: 'probability', min: 0, max: 1}, 'Probability');
Map.addLayer(
    trainingData.filter('presence == 0'), {color: 'red'},
    'Training data (species absent)');
Map.addLayer(
    trainingData.filter('presence == 1'), {color: 'blue'},
    'Training data (species present)');

إعداد Python

راجِع صفحة بيئة Python للحصول على معلومات حول واجهة برمجة التطبيقات Python واستخدام geemap للتطوير التفاعلي.

import ee
import geemap.core as geemap

Colab (Python)

"""Demonstrates the ee.Classifier.amnhMaxent method."""

import ee


# Authenticates to the Earth Engine servers.
ee.Authenticate()
# Initializes the client library.
ee.Initialize()


# Create some sample species presence/absence training data.
training_data = ee.FeatureCollection([
    # Species present points.
    ee.Feature(ee.Geometry.Point([-122.39567, 38.02740]), {'presence': 1}),
    ee.Feature(ee.Geometry.Point([-122.68560, 37.83690]), {'presence': 1}),
    # Species absent points.
    ee.Feature(ee.Geometry.Point([-122.59755, 37.92402]), {'presence': 0}),
    ee.Feature(ee.Geometry.Point([-122.47137, 37.99291]), {'presence': 0}),
    ee.Feature(ee.Geometry.Point([-122.52905, 37.85642]), {'presence': 0}),
    ee.Feature(ee.Geometry.Point([-122.03010, 37.66660]), {'presence': 0})
])

# Import a Landsat 8 image and select the reflectance bands.
image = (ee.Image('LANDSAT/LC08/C02/T1_L2/LC08_044034_20200606')
         .select(['SR_B[1-7]'])
         .multiply(0.0000275).add(-0.2))  # Apply scaling factors.

# Sample the image at the location of the points.
training = image.sampleRegions(**{
    'collection': training_data,
    'scale': 30
})

# Define and train a Maxent classifier from the image-sampled points.
classifier = ee.Classifier.amnhMaxent().train(**{
    'features': training,
    'classProperty': 'presence',
    'inputProperties': image.bandNames()
})

# Classify the image using the Maxent classifier.
image_classified = image.classify(classifier)