ee.Classifier.smileKNN

یک طبقه‌بندی‌کننده k-NN خالی ایجاد می‌کند.

الگوریتم k-نزدیک‌ترین همسایه (k-NN) روشی برای طبقه‌بندی اشیاء با رأی اکثریت همسایگانش است، که در آن شیء به کلاسی که در بین k نزدیکترین همسایه‌اش رایج‌تر است، اختصاص داده می‌شود (k یک عدد صحیح مثبت، معمولاً کوچک و معمولاً فرد است).

کاربرد	بازگشت‌ها
ee.Classifier.smileKNN( k , searchMethod , metric )	طبقه‌بندی‌کننده

استدلال	نوع	جزئیات
k	عدد صحیح، پیش‌فرض: ۱	تعداد همسایه‌ها برای طبقه‌بندی
searchMethod	رشته، پیش‌فرض: "خودکار"	روش جستجو. موارد زیر معتبر هستند [AUTO، LINEAR_SEARCH، KD_TREE، COVER_TREE]: `AUTO` بسته به تعداد ابعاد، بین KD_TREE و COVER_TREE یکی را انتخاب می‌کند. اگر ویژگی‌ها کمتر از ۱۰ بعد داشته باشند، از KD_TREE استفاده می‌شود. `LINEAR_SEARCH` در فضاهای با ابعاد بالاتر، نسبت به رویکردهای پارتیشن‌بندی فضا (مانند درخت‌های KD) عملکرد بهتری دارد. `KD_TREE` روش جستجوی نزدیکترین همسایه با استفاده از ساختار مجموعه داده پارتیشن‌بندی فضا برای سازماندهی نقاط در یک فضای k بعدی. درخت‌های KD برای یافتن کارآمد نزدیکترین همسایه در فضاهای با ابعاد بالا مناسب نیستند. به عنوان یک قاعده کلی، اگر ابعاد D باشد، تعداد نقاط در مجموعه داده، N، باید N >> 2^D باشد. درخت پوشش (COVER_TREE) یک ساختار داده برای جستجوی نزدیکترین همسایه عمومی است که به ویژه در فضاهایی با بعد ذاتی کوچک کارآمد است. نتایج ممکن است بین روش‌های مختلف جستجو برای روابط فاصله و مقادیر احتمال متفاوت باشد. از آنجایی که عملکرد و نتایج ممکن است متفاوت باشد، به مستندات SMILE و سایر منابع مراجعه کنید.
metric	رشته، پیش‌فرض: "اقلیدسی"	معیار فاصله مورد استفاده. توجه: KD_TREE (و AUTO برای ابعاد پایین) از معیار انتخاب شده استفاده نمی‌کنند. گزینه‌ها عبارتند از: «اقلیدسی» - فاصله اقلیدسی. `MAHALANOBIS` - فاصله محلانوبیس. «منهتن» - فاصله منهتن. فاصله بری-کرتیس - BRAYCURTIS

مثال‌ها

ویرایشگر کد (جاوااسکریپت)

// 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']});

تنظیمات پایتون

برای اطلاعات بیشتر در مورد API پایتون و استفاده از geemap برای توسعه تعاملی، به صفحه محیط پایتون مراجعه کنید.

import ee
import geemap.core as geemap

کولب (پایتون)

# 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