طبقه‌بندی بدون نظارت (خوشه‌بندی)

بسته ee.Clusterer طبقه‌بندی بدون نظارت (یا خوشه‌بندی) را در Earth Engine مدیریت می‌کند. این الگوریتم‌ها درحال‌حاضر براساس الگوریتم‌هایی با همین نام در Weka هستند. جزئیات بیشتر درباره هر Clusterer در اسناد مرجع دردسترس است.

خوشه‌بندها به همان روش طبقه‌بندها در Earth Engine استفاده می‌شوند. گردش کار کلی برای خوشه‌بندی عبارت است از:

  1. ویژگی‌ها را با مشخصه‌های عددی که در آن‌ها خوشه‌ها را پیدا می‌کنید جمع‌آوری کنید.
  2. یک خوشه‌بند را نمونه‌سازی کنید. درصورت لزوم، پارامترهای آن را تنظیم کنید.
  3. خوشه‌بندی را بااستفاده از داده‌های آموزشی آموزش دهید.
  4. خوشه‌بندی را روی یک تصویر یا مجموعه ویژگی اعمال کنید.
  5. خوشه‌ها را برچسب‌گذاری کنید.

داده‌های آموزشی FeatureCollection با ویژگی‌هایی است که به خوشه‌بندی‌کننده وارد خواهد شد. برخلاف طبقه‌بندی‌کننده‌ها، هیچ مقدار کلاس ورودی‌ای برای Clusterer وجود ندارد. مانند طبقه‌بندی‌کننده‌ها، انتظار می‌رود داده‌های مراحل آموزش و اعمال تعداد مقادیر یکسانی داشته باشند. وقتی خوشه‌بندی آموزش‌دیده روی تصویر یا جدول اعمال می‌شود، شناسه خوشه عدد صحیح را به هر پیکسل یا ویژگی اختصاص می‌دهد.

در اینجا نمونه ساده‌ای از ساختن و استفاده از ee.Clusterer آورده شده است:

ویرایشگر کد (جاوا اسکریپت)

// Define a region in which to generate a segmented map.
var region = ee.Geometry.Rectangle(29.7, 30, 32.5, 31.7);

// Load a Landsat composite for input.
var input = ee.ImageCollection('LANDSAT/COMPOSITES/C02/T1_L2_32DAY')
  .filterDate('2001-05', '2001-06')
  .first()
  .clip(region);

// Display the sample region.
Map.setCenter(31.5, 31.0, 8);
Map.addLayer(ee.Image().paint(region, 0, 2), {}, 'region');

// Make the training dataset.
var training = input.sample({
  region: region,
  scale: 30,
  numPixels: 5000
});

// Instantiate the clusterer and train it.
var clusterer = ee.Clusterer.wekaKMeans(15).train(training);

// Cluster the input using the trained clusterer.
var result = input.cluster(clusterer);

// Display the clusters with random colors.
Map.addLayer(result.randomVisualizer(), {}, 'clusters');

راه‌اندازی Python

برای اطلاعات درباره Python API و استفاده از geemap برای توسعه تعاملی، به صفحه Python Environment مراجعه کنید.

import ee
import geemap.core as geemap

Colab (Python)

# Define a region in which to generate a segmented map.
region = ee.Geometry.Rectangle(29.7, 30, 32.5, 31.7)

# Load a Landsat composite for input.
input = (
    ee.ImageCollection('LANDSAT/COMPOSITES/C02/T1_L2_32DAY')
    .filterDate('2001-05', '2001-06')
    .first()
    .clip(region)
)

# Display the sample region.
m = geemap.Map()
m.set_center(31.5, 31.0, 8)
m.add_layer(ee.Image().paint(region, 0, 2), {}, 'region')

# Make the training dataset.
training = input.sample(region=region, scale=30, numPixels=5000)

# Instantiate the clusterer and train it.
clusterer = ee.Clusterer.wekaKMeans(15).train(training)

# Cluster the input using the trained clusterer.
result = input.cluster(clusterer)

# Display the clusters with random colors.
m.add_layer(result.randomVisualizer(), {}, 'clusters')
m

لطفاً توجه داشته باشید:

  • ورودی‌های یکسان باید همیشه بروندادهای یکسانی تولید کنند، اما تغییر ترتیب ورودی‌ها می‌تواند نتایج را تغییر دهد.
  • آموزش با تعداد کمی مثل ۱۰ باند * ۱۰۰ هزار نقطه می‌تواند خطای «کمبود حافظه» ایجاد کند.
  • Cobweb ممکن است زمان زیادی طول بکشد تا تمام شود و می‌تواند تعداد زیادی خوشه تولید کند.
  • خوشه‌های خروجی و شناسه‌های آن‌ها به الگوریتم و ورودی‌ها بستگی دارد.