ee.Classifier.amnhMaxent

Crea un classificatore di massima entropia. Maxent viene utilizzato per modellare le probabilità di distribuzione delle specie utilizzando i dati ambientali per le località di presenza nota e per un gran numero di località "di sfondo". Per ulteriori informazioni e per citare la fonte, visita il sito https://biodiversityinformatics.amnh.org/open_source/maxent/ e la pubblicazione di riferimento: Phillips et al., 2004 Un approccio di massima entropia alla modellazione della distribuzione delle specie, Proceedings of the Twenty-First International Conference on Machine Learning. L'output è una singola banda denominata "probability", contenente la probabilità modellata, e una banda aggiuntiva denominata "clamp" quando l'argomento "writeClampGrid" è true.

Utilizzo	Resi
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)	Classificatore

Argomento	Tipo	Dettagli
categoricalNames	Elenco, valore predefinito: null	Un elenco dei nomi degli input categorici. Gli input non elencati in questo argomento sono considerati continui.
outputFormat	Stringa, valore predefinito: "cloglog"	Rappresentazione delle probabilità nell'output.
autoFeature	Booleano, valore predefinito: true	Seleziona automaticamente le classi di funzionalità da utilizzare in base al numero di campioni di addestramento.
linear	Booleano, valore predefinito: true	Consenti l'utilizzo delle funzionalità lineari. Viene ignorato quando autofeature è true.
quadratic	Booleano, valore predefinito: true	Consenti l'utilizzo delle funzionalità quadratiche. Viene ignorato quando autofeature è true.
product	Booleano, valore predefinito: true	Consenti l'utilizzo delle funzionalità del prodotto. Viene ignorato quando autofeature è true.
threshold	Booleano, valore predefinito: false	Consenti l'utilizzo delle funzionalità di soglia. Viene ignorato quando autofeature è true.
hinge	Booleano, valore predefinito: true	Consenti l'utilizzo delle funzionalità della cerniera. Viene ignorato quando autofeature è true.
hingeThreshold	Numero intero, valore predefinito: 15	Numero di campioni in corrispondenza del quale le funzionalità di cerniera iniziano a essere utilizzate. Ignorato quando autofeature è false.
l2lqThreshold	Numero intero, valore predefinito: 10	Numero di campioni in corrispondenza del quale iniziano a essere utilizzate le funzionalità quadratiche. Ignorato quando autofeature è false.
lq2lqptThreshold	Numero intero, valore predefinito: 80	Numero di campioni in corrispondenza del quale iniziano a essere utilizzate le funzionalità di prodotto e soglia. Ignorato quando autofeature è false.
addSamplesToBackground	Booleano, valore predefinito: true	Aggiungi allo sfondo qualsiasi campione per il quale è presente una combinazione di valori ambientali non ancora presente nello sfondo.
addAllSamplesToBackground	Booleano, valore predefinito: false	Aggiungi tutti i campioni allo sfondo, anche se hanno combinazioni di valori ambientali già presenti nello sfondo.
betaMultiplier	Virgola mobile, valore predefinito: 1	Moltiplicatore di regolarizzazione. Moltiplica tutti i parametri di regolarizzazione automatica per questo numero. Un numero più alto offre una distribuzione più ampia.
betaHinge	Float, valore predefinito: -1	Parametro di regolarizzazione da applicare a tutte le funzionalità della cerniera; il valore negativo attiva l'impostazione automatica.
betaLqp	Float, valore predefinito: -1	Parametro di regolarizzazione da applicare a tutte le funzionalità lineari, quadratiche e di prodotto; il valore negativo consente l'impostazione automatica.
betaCategorical	Float, valore predefinito: -1	Parametro di regolarizzazione da applicare a tutte le funzionalità categoriche; il valore negativo consente l'impostazione automatica.
betaThreshold	Float, valore predefinito: -1	Parametro di regolarizzazione da applicare a tutte le funzionalità di soglia; il valore negativo attiva l'impostazione automatica.
extrapolate	Booleano, valore predefinito: true	Estrapola. Prevedi le regioni dello spazio ambientale al di fuori dei limiti riscontrati durante l'addestramento.
doClamp	Booleano, valore predefinito: true	Applica il bloccaggio all'output.
writeClampGrid	Booleano, valore predefinito: true	Aggiunge una banda all'output ("clamp") che mostra la distribuzione spaziale del clamping. In ogni punto, il valore è la differenza assoluta tra i valori di previsione con e senza bloccaggio.
randomTestPoints	Numero intero, valore predefinito: 0	Percentuale di test casuale. La percentuale di punti di addestramento da mettere da parte come punti di test, utilizzati per calcolare AUX, omissione e così via.
seed	Long, valore predefinito: 0	Un valore iniziale utilizzato per generare numeri casuali.

Esempi

Editor di codice (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)');

Configurazione di Python

Consulta la pagina Ambiente Python per informazioni sull'API Python e sull'utilizzo di geemap per lo sviluppo interattivo.

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)