ee.Kernel.chebyshev
با مجموعهها، منظم بمانید
ذخیره و طبقهبندی محتوا براساس اولویتهای شما.
هسته فاصله را بر اساس فاصله چبیشف (بزرگترین فاصله در هر بعد) ایجاد می کند.
| استفاده | برمی گرداند | ee.Kernel.chebyshev(radius, units , normalize , magnitude ) | هسته |
| استدلال | تایپ کنید | جزئیات | radius | شناور | شعاع هسته برای تولید. |
units | رشته، پیش فرض: "pixels" | سیستم اندازه گیری هسته (پیکسل یا متر). اگر هسته بر حسب متر مشخص شده باشد، با تغییر سطح زوم، اندازه آن تغییر می کند. |
normalize | بولی، پیش فرض: نادرست | مقادیر هسته را عادی کنید تا مجموع آنها به 1 برسد. |
magnitude | شناور، پیش فرض: 1 | هر مقدار را با این مقدار مقیاس کنید. |
نمونه ها
ویرایشگر کد (جاوا اسکریپت)
print('A Chebyshev distance kernel', ee.Kernel.chebyshev({radius: 3}));
/**
* Output weights matrix
*
* [3, 3, 3, 3, 3, 3, 3]
* [3, 2, 2, 2, 2, 2, 3]
* [3, 2, 1, 1, 1, 2, 3]
* [3, 2, 1, 0, 1, 2, 3]
* [3, 2, 1, 1, 1, 2, 3]
* [3, 2, 2, 2, 2, 2, 3]
* [3, 3, 3, 3, 3, 3, 3]
*/ راه اندازی پایتون
برای اطلاعات 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)
from pprint import pprint
print('A Chebyshev distance kernel:')
pprint(ee.Kernel.chebyshev(**{'radius': 3}).getInfo())
# Output weights matrix
# [3, 3, 3, 3, 3, 3, 3]
# [3, 2, 2, 2, 2, 2, 3]
# [3, 2, 1, 1, 1, 2, 3]
# [3, 2, 1, 0, 1, 2, 3]
# [3, 2, 1, 1, 1, 2, 3]
# [3, 2, 2, 2, 2, 2, 3]
# [3, 3, 3, 3, 3, 3, 3]
جز در مواردی که غیر از این ذکر شده باشد،محتوای این صفحه تحت مجوز Creative Commons Attribution 4.0 License است. نمونه کدها نیز دارای مجوز Apache 2.0 License است. برای اطلاع از جزئیات، به خطمشیهای سایت Google Developers مراجعه کنید. جاوا علامت تجاری ثبتشده Oracle و/یا شرکتهای وابسته به آن است.
تاریخ آخرین بهروزرسانی 2025-07-24 بهوقت ساعت هماهنگ جهانی.
[null,null,["تاریخ آخرین بهروزرسانی 2025-07-24 بهوقت ساعت هماهنگ جهانی."],[],["A Chebyshev distance kernel is generated using `ee.Kernel.chebyshev()` with a specified `radius`. The measurement system can be set to 'pixels' or 'meters' via the `units` argument. The kernel values can be normalized to sum to 1 using `normalize`, and scaled with `magnitude`. The output is a kernel representing the Chebyshev distance, where the greatest distance along any dimension defines the value, and it is presented as a matrix.\n"]]