ee.Classifier.amnhMaxent

একটি সর্বোচ্চ এনট্রপি ক্লাসিফায়ার তৈরি করে। ম্যাক্সেন্ট পরিচিত উপস্থিতি এবং বিপুল সংখ্যক 'ব্যাকগ্রাউন্ড' অবস্থানের জন্য পরিবেশগত ডেটা ব্যবহার করে প্রজাতির বন্টন সম্ভাবনার মডেল করতে ব্যবহৃত হয়। আরও তথ্যের জন্য এবং উদ্ধৃত করার জন্য, দেখুন: https://biodiversityinformatics.amnh.org/open_source/maxent/ এবং রেফারেন্স প্রকাশনা: Phillips, et. al., 2004 প্রজাতি বন্টন মডেলিং-এর জন্য একটি সর্বোচ্চ এনট্রপি পদ্ধতি, মেশিন লার্নিং-এর একুশতম আন্তর্জাতিক সম্মেলনের প্রক্রিয়া। আউটপুট হল 'সম্ভাব্যতা' নামে একটি একক ব্যান্ড, যাতে মডেল করা সম্ভাব্যতা থাকে এবং 'writeClampGrid' যুক্তিটি সত্য হলে 'ক্ল্যাম্প' নামে একটি অতিরিক্ত ব্যান্ড থাকে।

ব্যবহার	রিটার্নস
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 )	ক্লাসিফায়ার

যুক্তি	টাইপ	বিস্তারিত
categoricalNames	তালিকা, ডিফল্ট: নাল	শ্রেণীবদ্ধ ইনপুটগুলির নামের একটি তালিকা। এই যুক্তিতে তালিকাভুক্ত নয় এমন কোনো ইনপুটকে অবিচ্ছিন্ন বলে মনে করা হয়।
outputFormat	স্ট্রিং, ডিফল্ট: "cloglog"	আউটপুটে সম্ভাব্যতার প্রতিনিধিত্ব।
autoFeature	বুলিয়ান, ডিফল্ট: সত্য	প্রশিক্ষণের নমুনার সংখ্যার উপর ভিত্তি করে কোন বৈশিষ্ট্য ক্লাস ব্যবহার করতে হবে তা স্বয়ংক্রিয়ভাবে নির্বাচন করুন।
linear	বুলিয়ান, ডিফল্ট: সত্য	রৈখিক বৈশিষ্ট্য ব্যবহার করার অনুমতি দিন। স্বয়ংক্রিয় বৈশিষ্ট্য সত্য হলে উপেক্ষা করা হয়।
quadratic	বুলিয়ান, ডিফল্ট: সত্য	দ্বিঘাত বৈশিষ্ট্য ব্যবহার করার অনুমতি দিন। স্বয়ংক্রিয় বৈশিষ্ট্য সত্য হলে উপেক্ষা করা হয়।
product	বুলিয়ান, ডিফল্ট: সত্য	পণ্য বৈশিষ্ট্য ব্যবহার করার অনুমতি দিন। স্বয়ংক্রিয় বৈশিষ্ট্য সত্য হলে উপেক্ষা করা হয়।
threshold	বুলিয়ান, ডিফল্ট: মিথ্যা	থ্রেশহোল্ড বৈশিষ্ট্য ব্যবহার করার অনুমতি দিন। স্বয়ংক্রিয় বৈশিষ্ট্য সত্য হলে উপেক্ষা করা হয়।
hinge	বুলিয়ান, ডিফল্ট: সত্য	কব্জা বৈশিষ্ট্য ব্যবহার করার অনুমতি দিন। স্বয়ংক্রিয় বৈশিষ্ট্য সত্য হলে উপেক্ষা করা হয়।
hingeThreshold	পূর্ণসংখ্যা, ডিফল্ট: 15	নমুনার সংখ্যা যেখানে কব্জা বৈশিষ্ট্যগুলি ব্যবহার করা শুরু হয়৷ স্বয়ংক্রিয় বৈশিষ্ট্য মিথ্যা হলে উপেক্ষা করা হয়।
l2lqThreshold	পূর্ণসংখ্যা, ডিফল্ট: 10	নমুনার সংখ্যা যেখানে দ্বিঘাত বৈশিষ্ট্য ব্যবহার করা শুরু হয়। স্বয়ংক্রিয় বৈশিষ্ট্য মিথ্যা হলে উপেক্ষা করা হয়।
lq2lqptThreshold	পূর্ণসংখ্যা, ডিফল্ট: 80	নমুনার সংখ্যা যেখানে পণ্য এবং থ্রেশহোল্ড বৈশিষ্ট্যগুলি ব্যবহার করা শুরু হয়৷ স্বয়ংক্রিয় বৈশিষ্ট্য মিথ্যা হলে উপেক্ষা করা হয়।
addSamplesToBackground	বুলিয়ান, ডিফল্ট: সত্য	পটভূমিতে এমন কোনো নমুনা যোগ করুন যার জন্য পরিবেশগত মানগুলির সংমিশ্রণ রয়েছে যা ইতিমধ্যে পটভূমিতে উপস্থিত নেই।
addAllSamplesToBackground	বুলিয়ান, ডিফল্ট: মিথ্যা	পটভূমিতে সমস্ত নমুনা যোগ করুন, এমনকি যদি তাদের পরিবেশগত মানগুলির সমন্বয় থাকে যা ইতিমধ্যেই পটভূমিতে উপস্থিত রয়েছে।
betaMultiplier	ফ্লোট, ডিফল্ট: 1	নিয়মিতকরণ গুণক। এই সংখ্যা দ্বারা সমস্ত স্বয়ংক্রিয় নিয়মিতকরণ পরামিতি গুণ করুন। একটি উচ্চ সংখ্যা একটি আরো ছড়িয়ে-আউট বিতরণ দেয়.
betaHinge	ভাসা, ডিফল্ট: -1	নিয়মিতকরণের প্যারামিটার সব কব্জা বৈশিষ্ট্য প্রয়োগ করা হবে; নেতিবাচক মান স্বয়ংক্রিয় সেটিং সক্ষম করে।
betaLqp	ভাসা, ডিফল্ট: -1	রেগুলারাইজেশন প্যারামিটার সমস্ত রৈখিক, চতুর্মুখী এবং পণ্য বৈশিষ্ট্যগুলিতে প্রয়োগ করা হবে; নেতিবাচক মান স্বয়ংক্রিয় সেটিং সক্ষম করে।
betaCategorical	ভাসা, ডিফল্ট: -1	নিয়মিতকরণের পরামিতি সমস্ত শ্রেণীবদ্ধ বৈশিষ্ট্যগুলিতে প্রয়োগ করা হবে; নেতিবাচক মান স্বয়ংক্রিয় সেটিং সক্ষম করে।
betaThreshold	ভাসা, ডিফল্ট: -1	সমস্ত থ্রেশহোল্ড বৈশিষ্ট্যগুলিতে নিয়মিতকরণের পরামিতি প্রয়োগ করা হবে; নেতিবাচক মান স্বয়ংক্রিয় সেটিং সক্ষম করে।
extrapolate	বুলিয়ান, ডিফল্ট: সত্য	এক্সট্রাপোলেট প্রশিক্ষণের সময় সীমার বাইরে পরিবেশগত স্থানের অঞ্চলগুলির পূর্বাভাস দিন।
doClamp	বুলিয়ান, ডিফল্ট: সত্য	আউটপুটে ক্ল্যাম্পিং প্রয়োগ করুন।
writeClampGrid	বুলিয়ান, ডিফল্ট: সত্য	আউটপুটে একটি ব্যান্ড যোগ করে ('ক্ল্যাম্প') ক্ল্যাম্পিংয়ের স্থানিক বন্টন দেখায়। প্রতিটি বিন্দুতে, মান হল ক্ল্যাম্পিং সহ এবং ছাড়া ভবিষ্যদ্বাণী মানের মধ্যে পরম পার্থক্য।
randomTestPoints	পূর্ণসংখ্যা, ডিফল্ট: 0	এলোমেলো পরীক্ষার শতাংশ। AUX, বাদ দেওয়া ইত্যাদি গণনা করতে ব্যবহৃত প্রশিক্ষণ পয়েন্টের শতাংশ পরীক্ষার পয়েন্ট হিসাবে আলাদা করে রাখা হয়।
seed	দীর্ঘ, ডিফল্ট: 0	এলোমেলো সংখ্যা তৈরি করার সময় ব্যবহৃত একটি বীজ।

উদাহরণ

কোড এডিটর (জাভাস্ক্রিপ্ট)

// 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)');

পাইথন সেটআপ

পাইথন এপিআই এবং ইন্টারেক্টিভ ডেভেলপমেন্টের জন্য geemap ব্যবহার করার জন্য পাইথন এনভায়রনমেন্ট পৃষ্ঠাটি দেখুন।

import ee
import geemap.core as geemap

Colab (পাইথন)

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

# 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)