ee.Classifier.amnhMaxent

Maksimum Entropi sınıflandırıcı oluşturur. Maxent, bilinen varlık konumları ve çok sayıda "arka plan" konumu için çevresel verileri kullanarak tür dağılımı olasılıklarını modellemek amacıyla kullanılır. Daha fazla bilgi ve alıntı için bkz: https://biodiversityinformatics.amnh.org/open_source/maxent/ ve referans yayını: Phillips, et. al., 2004 A maximum entropy approach to species distribution modeling, Proceedings of the Twenty-First International Conference on Machine Learning. Çıkış, modellenmiş olasılığı içeren "probability" adlı tek bir bant ve "writeClampGrid" bağımsız değişkeni doğru olduğunda "clamp" adlı ek bir banttır.

Kullanımİadeler
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)Sınıflandırıcı
Bağımsız DeğişkenTürAyrıntılar
categoricalNamesListe, varsayılan: nullKategorik girişlerin adlarının listesi. Bu argümanda listelenmeyen tüm girişler sürekli olarak kabul edilir.
outputFormatDize, varsayılan: "cloglog"Çıkışta olasılıkların gösterimi.
autoFeatureBoole değeri, varsayılan: trueEğitim örneklerinin sayısına göre hangi özellik sınıflarının kullanılacağını otomatik olarak seçin.
linearBoole değeri, varsayılan: trueDoğrusal özelliklerin kullanılmasına izin verin. Otomatik özellik doğru olduğunda yoksayılır.
quadraticBoole değeri, varsayılan: trueİkinci dereceden özelliklerin kullanılmasına izin verin. Otomatik özellik doğru olduğunda yoksayılır.
productBoole değeri, varsayılan: trueÜrün özelliklerinin kullanılmasına izin verin. Otomatik özellik doğru olduğunda yoksayılır.
thresholdBoole değeri, varsayılan: falseEşik özelliklerinin kullanılmasına izin verin. Otomatik özellik doğru olduğunda yoksayılır.
hingeBoole değeri, varsayılan: trueMenteşe özelliklerinin kullanılmasına izin verin. Otomatik özellik doğru olduğunda yoksayılır.
hingeThresholdTamsayı, varsayılan: 15Menteşe özelliklerinin kullanılmaya başlandığı örnek sayısı. Otomatik özellik devre dışıysa yoksayılır.
l2lqThresholdTamsayı, varsayılan: 10İkinci dereceden özelliklerin kullanılmaya başlandığı örnek sayısı. Otomatik özellik devre dışıysa yoksayılır.
lq2lqptThresholdTamsayı, varsayılan: 80Ürün ve eşik özelliklerinin kullanılmaya başlandığı örnek sayısı. Otomatik özellik devre dışıysa yoksayılır.
addSamplesToBackgroundBoole değeri, varsayılan: trueArka planda henüz bulunmayan bir ortam değeri kombinasyonuna sahip tüm örnekleri arka plana ekleyin.
addAllSamplesToBackgroundBoole değeri, varsayılan: falseArka planda zaten mevcut olan çevresel değer kombinasyonlarına sahip olsalar bile tüm örnekleri arka plana ekleyin.
betaMultiplierOndalık sayı, varsayılan: 1Normalleştirme çarpanı. Tüm otomatik düzenleme parametrelerini bu sayıyla çarpın. Daha yüksek bir sayı, daha yaygın bir dağıtım sağlar.
betaHingeOndalık sayı, varsayılan: -1Tüm menteşe özelliklerine uygulanacak düzenlileştirme parametresi; negatif değer, otomatik ayarı etkinleştirir.
betaLqpOndalık sayı, varsayılan: -1Tüm doğrusal, karesel ve ürün özelliklerine uygulanacak düzenlileştirme parametresi. Negatif değer, otomatik ayarı etkinleştirir.
betaCategoricalOndalık sayı, varsayılan: -1Tüm kategorik özelliklere uygulanacak düzenlileştirme parametresi; negatif değer, otomatik ayarı etkinleştirir.
betaThresholdOndalık sayı, varsayılan: -1Tüm eşik özelliklerine uygulanacak düzenlileştirme parametresi. Negatif değer, otomatik ayarı etkinleştirir.
extrapolateBoole değeri, varsayılan: trueTahmin edin. Eğitim sırasında karşılaşılan sınırların dışındaki çevresel alan bölgelerini tahmin etme.
doClampBoole değeri, varsayılan: trueÇıkışa sınırlama uygulayın.
writeClampGridBoole değeri, varsayılan: trueÇıkışa, sıkıştırmanın mekansal dağılımını gösteren bir bant ekler ("clamp"). Her noktada değer, sınırlama içeren ve içermeyen tahmin değerleri arasındaki mutlak farktır.
randomTestPointsTamsayı, varsayılan: 0Rastgele test yüzdesi. AUX, atlama vb. değerleri hesaplamak için kullanılan, test noktaları olarak ayrılacak eğitim noktalarının yüzdesi.
seedUzun, varsayılan: 0Rastgele sayılar oluşturulurken kullanılan bir başlangıç değeri.

Örnekler

Kod Düzenleyici (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)');

Python kurulumu

Python API'si ve etkileşimli geliştirme için geemap kullanımı hakkında bilgi edinmek üzere Python Ortamı sayfasına bakın.

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)