ee.Classifier.smileKNN

تنشئ هذه الدالة مصنّف k-NN فارغًا.

خوارزمية الجار الأقرب (k-NN) هي طريقة لتصنيف العناصر من خلال تصويت الأغلبية من جيرانها، ويتم تعيين العنصر إلى الفئة الأكثر شيوعًا بين جيرانه الأقرب k (k هو عدد صحيح موجب، وعادةً ما يكون صغيرًا، وعادةً ما يكون فرديًا).

الاستخدام	المرتجعات
ee.Classifier.smileKNN(k, searchMethod, metric)	المصنِّف

الوسيطة	النوع	التفاصيل
k	عدد صحيح، القيمة التلقائية: 1	عدد العناصر المجاورة للتصنيف
searchMethod	سلسلة، القيمة التلقائية: "AUTO"	طريقة البحث في ما يلي قيم صالحة [AUTO, LINEAR_SEARCH, KD_TREE, COVER_TREE]: ‫`AUTO`: يختار بين KD_TREE وCOVER_TREE استنادًا إلى عدد السمات. إذا كانت الميزات تتضمّن أقل من 10 سمات، يتم استخدام KD_TREE. ‫`LINEAR_SEARCH`: أداء أفضل من طرق تقسيم المساحة (مثل أشجار K-D) في المساحات ذات الأبعاد الأعلى. طريقة البحث عن أقرب جار باستخدام بنية مجموعة بيانات لتقسيم المساحة من أجل تنظيم النقاط في مساحة k-الأبعاد. لا تناسب أشجار KD العثور بكفاءة على أقرب جار في المساحات ذات الأبعاد العالية. كقاعدة عامة، إذا كان عدد الأبعاد هو D، يجب أن يكون عدد النقاط في مجموعة البيانات، N، أكبر بكثير من 2^D. ‫`COVER_TREE` Cover tree هي بنية بيانات للبحث العام عن أقرب جار، وهي فعّالة بشكل خاص في المساحات ذات الأبعاد الجوهرية الصغيرة. قد تختلف النتائج بين طرق البحث المختلفة عن حالات التعادل في المسافة وقيم الاحتمالية. بما أنّ الأداء والنتائج قد تختلف، يُرجى الرجوع إلى مستندات SMILE والمراجع الأخرى.
metric	سلسلة، القيمة التلقائية: "EUCLIDEAN"	مقياس المسافة المطلوب استخدامه. ملاحظة: لن تستخدم KD_TREE (وAUTO للأبعاد المنخفضة) المقياس المحدّد. الخيارات هي: ‫`EUCLIDEAN`: المسافة الإقليدية ‫`MAHALANOBIS` - مسافة ماهالانوبيس ‫`MANHATTAN`: مسافة مانهاتن ‫`BRAYCURTIS` - مسافة Bray-Curtis

أمثلة

أداة تعديل الرموز (JavaScript)

// Cloud masking for Landsat 8.
function maskL8sr(image) {
  var qaMask = image.select('QA_PIXEL').bitwiseAnd(parseInt('11111', 2)).eq(0);
  var saturationMask = image.select('QA_RADSAT').eq(0);

  // Apply the scaling factors to the appropriate bands.
  var opticalBands = image.select('SR_B.').multiply(0.0000275).add(-0.2);
  var thermalBands = image.select('ST_B.*').multiply(0.00341802).add(149.0);

  // Replace the original bands with the scaled ones and apply the masks.
  return image.addBands(opticalBands, null, true)
      .addBands(thermalBands, null, true)
      .updateMask(qaMask)
      .updateMask(saturationMask);
}

// Map the function over one year of data.
var collection = ee.ImageCollection('LANDSAT/LC08/C02/T1_L2')
                     .filterDate('2020-01-01', '2021-01-01')
                     .map(maskL8sr);

// Make a median composite.
var composite = collection.median();

// Demonstration labels.
var labels = ee.FeatureCollection('projects/google/demo_landcover_labels')

// Use these bands for classification.
var bands = ['SR_B2', 'SR_B3', 'SR_B4', 'SR_B5', 'SR_B6', 'SR_B7'];
// The name of the property on the points storing the class label.
var classProperty = 'landcover';

// Sample the composite to generate training data.  Note that the
// class label is stored in the 'landcover' property.
var training = composite.select(bands).sampleRegions(
    {collection: labels, properties: [classProperty], scale: 30});

// Train a kNN classifier.
var classifier = ee.Classifier.smileKNN(5).train({
  features: training,
  classProperty: classProperty,
});

// Classify the composite.
var classified = composite.classify(classifier);
Map.setCenter(-122.184, 37.796, 12);
Map.addLayer(classified, {min: 0, max: 2, palette: ['red', 'green', 'blue']});

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)

# Cloud masking for Landsat 8.
def mask_l8_sr(image):
  qa_mask = image.select('QA_PIXEL').bitwiseAnd(int('11111', 2)).eq(0)
  saturation_mask = image.select('QA_RADSAT').eq(0)

  # Apply the scaling factors to the appropriate bands.
  optical_bands = image.select('SR_B.').multiply(0.0000275).add(-0.2)
  thermal_bands = image.select('ST_B.*').multiply(0.00341802).add(149.0)

  # Replace the original bands with the scaled ones and apply the masks.
  return (
      image.addBands(optical_bands, None, True)
      .addBands(thermal_bands, None, True)
      .updateMask(qa_mask)
      .updateMask(saturation_mask)
  )


# Map the function over one year of data.
collection = (
    ee.ImageCollection('LANDSAT/LC08/C02/T1_L2')
    .filterDate('2020-01-01', '2021-01-01')
    .map(mask_l8_sr)
)

# Make a median composite.
composite = collection.median()

# Demonstration labels.
labels = ee.FeatureCollection('projects/google/demo_landcover_labels')

# Use these bands for classification.
bands = ['SR_B2', 'SR_B3', 'SR_B4', 'SR_B5', 'SR_B6', 'SR_B7']
# The name of the property on the points storing the class label.
class_property = 'landcover'

# Sample the composite to generate training data.  Note that the
# class label is stored in the 'landcover' property.
training = composite.select(bands).sampleRegions(
    collection=labels, properties=[class_property], scale=30
)

# Train a kNN classifier.
classifier = ee.Classifier.smileKNN(5).train(
    features=training, classProperty=class_property
)

# Classify the composite.
classified = composite.classify(classifier)

m = geemap.Map()
m.set_center(-122.184, 37.796, 12)
m.add_layer(
    classified, {'min': 0, 'max': 2, 'palette': ['red', 'green', 'blue']}
)
m