ee.Classifier.amnhMaxent

יוצרת מסווג של אנטרופיה מקסימלית. משתמשים ב-Maxent כדי ליצור מודל של הסתברויות חלוקת מינים באמצעות נתונים סביבתיים של מיקומים שבהם ידוע על נוכחות המינים, ושל מספר גדול של מיקומי 'רקע'. מידע נוסף וציטוטים זמינים בכתובת: https://biodiversityinformatics.amnh.org/open_source/maxent/ ובפרסום המידע: Phillips, et. al., ‫2004 A maximum entropy approach to species distribution modeling, Proceedings of the Twenty-First International Conference on Machine Learning. הפלט הוא פס יחיד בשם 'probability', שמכיל את ההסתברות המודללת, ועוד פס בשם 'clamp' אם הארגומנט 'writeClampGrid' הוא true.

שימוש	החזרות
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)	מסווג

ארגומנט	סוג	פרטים
categoricalNames	רשימה, ברירת מחדל: null	רשימה של שמות הקלט הקטגורי. כל הקלט שלא מופיע בארגומנט הזה נחשב לרציף.
outputFormat	מחרוזת, ברירת מחדל: cloglog	ייצוג ההסתברויות בפלט.
autoFeature	בוליאני, ברירת מחדל: true	בחירה אוטומטית של מחלקות התכונות לשימוש, על סמך מספר דוגמאות האימון.
linear	בוליאני, ברירת מחדל: true	אפשר להשתמש בתכונות ליניאריות. המערכת מתעלמת מהמאפיין הזה אם המאפיין autofeature מוגדר כ-True.
quadratic	בוליאני, ברירת מחדל: true	יש הרשאה להשתמש בתכונות ריבועיות. המערכת מתעלמת מהמאפיין הזה אם המאפיין autofeature מוגדר כ-True.
product	בוליאני, ברירת מחדל: true	אפשר להשתמש בתכונות המוצר. המערכת מתעלמת מהמאפיין הזה אם המאפיין autofeature מוגדר כ-True.
threshold	בוליאני, ברירת מחדל: false	יש הרשאה להשתמש בתכונות של ערכי סף. המערכת מתעלמת מהמאפיין הזה אם המאפיין autofeature מוגדר כ-True.
hinge	בוליאני, ברירת מחדל: true	יש הרשאה להשתמש בתכונות של הציר. המערכת מתעלמת מהמאפיין הזה אם המאפיין autofeature מוגדר כ-True.
hingeThreshold	מספר שלם, ברירת מחדל: 15	מספר הדגימות שבהן מתחילים להשתמש בתכונות של הציר. המערכת מתעלמת מהמאפיין אם הערך של autofeature הוא false.
l2lqThreshold	מספר שלם, ברירת מחדל: 10	מספר הדגימות שבהן מתחילים להשתמש בתכונות ריבועיות. המערכת מתעלמת מהמאפיין אם הערך של autofeature הוא false.
lq2lqptThreshold	מספר שלם, ברירת מחדל: 80	מספר הדגימות שבהן מתחילים להשתמש בתכונות של המוצר ושל ערך הסף. המערכת מתעלמת מהמאפיין אם הערך של autofeature הוא false.
addSamplesToBackground	בוליאני, ברירת מחדל: true	להוסיף לרקע כל דגימה שיש לה שילוב של ערכים סביבתיים שלא מופיע כבר ברקע.
addAllSamplesToBackground	בוליאני, ברירת מחדל: false	להוסיף את כל הדגימות לרקע, גם אם יש בהן שילובים של ערכים סביבתיים שכבר קיימים ברקע.
betaMultiplier	מספר ממשי (float), ברירת מחדל: 1	מכפיל הרגולריזציה. מכפילים את כל הפרמטרים של הרגולריזציה האוטומטית במספר הזה. מספר גבוה יותר ייתן פיזור רחב יותר.
betaHinge	מספר ממשי (float), ברירת מחדל: ‎-1	פרמטר רגולריזציה שיחול על כל התכונות של ציר; ערך שלילי מאפשר הגדרה אוטומטית.
betaLqp	מספר ממשי (float), ברירת מחדל: ‎-1	פרמטר רגולריזציה שיחול על כל התכונות הלינאריות, הריבועיות והמכפלה; ערך שלילי מאפשר הגדרה אוטומטית.
betaCategorical	מספר ממשי (float), ברירת מחדל: ‎-1	פרמטר רגולריזציה שיחול על כל התכונות הקטגוריות. ערך שלילי מאפשר הגדרה אוטומטית.
betaThreshold	מספר ממשי (float), ברירת מחדל: ‎-1	פרמטר רגולריזציה שיוחל על כל התכונות של ערכי הסף. ערך שלילי מאפשר הגדרה אוטומטית.
extrapolate	בוליאני, ברירת מחדל: true	אקסטרפולציה. חיזוי לאזורים של מרחב סביבתי מחוץ לגבולות שנתקלו בהם במהלך האימון.
doClamp	בוליאני, ברירת מחדל: true	החלת הגבלה על הפלט.
writeClampGrid	בוליאני, ברירת מחדל: true	מוסיף פס לפלט ('clamp') שמציג את ההתפלגות המרחבית של clamping. בכל נקודה, הערך הוא ההפרש המוחלט בין ערכי התחזית עם הגבלת טווח ובלעדיה.
randomTestPoints	מספר שלם, ברירת מחדל: 0	אחוז הבדיקה האקראית. אחוז נקודות ההכשרה שיוקצו כנקודות בדיקה, וישמשו לחישוב של AUX, השמטה וכו'.
seed	ארוך, ברירת מחדל: 0	ערך התחלתי שמשמש ליצירת מספרים אקראיים.

דוגמאות

עורך הקוד (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)');

הגדרת Python

מידע על Python API ועל שימוש ב-geemap לפיתוח אינטראקטיבי מופיע בדף Python Environment.

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)