本页中的示例演示了 Vertex AI 与 Earth Engine 的结合使用。如需了解详情,请参阅托管式模型页面。 这些示例使用在 Colab 笔记本中运行的 Earth Engine Python API。
费用
AutoML
低代码作物分类
借助 AutoML,您只需极少的技术工作即可创建和训练模型。此示例演示了如何使用 Vertex AI Python SDK 训练和部署 AutoML Tabular 模型,然后从 Earth Engine 连接到该模型,以根据美国国家农业图像计划 (NAIP) 航拍图像对作物类型进行分类。
PyTorch
使用 CNN 进行地表覆盖分类
此示例演示了一个简单的 CNN,它将多个光谱向量作为输入(即一次一个像素),并输出每个像素的单个类别标签。该 Colab 笔记本演示了如何创建 CNN、使用 Earth Engine 中的数据训练 CNN、将模型部署到 Vertex AI,以及在 Earth Engine 中从模型获取预测结果。
TensorFlow
使用 DNN 从头开始进行多类别预测
“深度”神经网络 (DNN) 是具有一个或多个隐藏层的人工神经网络 (ANN)。此示例演示了一个具有单个隐藏层的简单 DNN。DNN 将光谱向量作为输入(即一次一个像素),并输出每个像素的单个类别标签和类别概率。该 Colab 笔记本演示了如何创建 DNN、使用 Earth Engine 中的数据训练 DNN、对导出的图像进行预测,以及将预测结果导入 Earth Engine。
使用 Vertex AI 上托管的 DNN 进行多类别预测
您可以直接在 Earth Engine(例如在代码编辑器中)从 Vertex AI 上托管的模型获取预测结果。本指南演示了如何训练、保存和准备 TensorFlow 模型以进行托管,将模型部署到 Vertex AI 端点,以及从 Earth Engine 获取交互式模型预测结果的地图。
使用在 Vertex AI 上训练和托管的 FCNN 进行语义分割
本指南演示了如何通过语义分割进行土地覆盖测绘。如需详细了解输入或训练数据,请参阅这场 2022 年 Geo for Good 研讨会。本指南以 Earth Engine 中的数据为基础,介绍了如何使用自定义机器在 Vertex AI 上训练模型、准备模型以进行托管、将模型部署到端点,以及从 Earth Engine 获取交互式模型预测的地图。
托管预训练的树冠分割模型
您可以托管预训练模型,以便在 Earth Engine 中获取交互式预测结果。例如,Li 等人 (2023) 发布了多个使用 TensorFlow 实现的树冠分割模型。如果输入和输出的形状相应,则可以直接托管这些模型,并用于在 Earth Engine 中获取预测结果,只要有输入图像即可。本指南演示了如何下载预训练模型、准备在 Vertex AI 上托管该模型,以及如何对 Earth Engine 公共目录中的图像进行预测。
Yggdrasil 决策森林 (YDF)
Yggdrasil 决策森林 (YDF) 是与 TensorFlow 兼容的热门树形机器学习模型的实现。 这些模型可以像神经网络一样在 Vertex AI 上进行训练、保存和托管。 此笔记本演示了如何安装 YDF、训练简单模型、在 Vertex AI 上托管模型,以及在 Earth Engine 中获取交互式预测结果。
已弃用
TensorFlow 决策森林
TensorFlow 决策森林 (TF-DF) 是 TensorFlow 中常用基于树的机器学习模型的实现。 这些模型可以像 TensorFlow 神经网络一样在 Vertex AI 上进行训练、保存和托管。 此笔记本演示了如何安装 TF-DF、训练随机森林、在 Vertex AI 上托管模型,以及在 Earth Engine 中获取交互式预测。
使用 FCNN 进行回归
“卷积”神经网络 (CNN) 包含一个或多个卷积层,其中输入是像素的邻域,从而形成一个非全连接但适合识别空间模式的网络。全卷积神经网络 (FCNN) 不包含全连接层作为输出。这意味着它不会学习全局输出(即每张图片一个输出),而是学习局部输出(即每个像素一个输出)。
此 Colab 笔记本演示了如何使用 UNET 模型(一种专为医学图像分割而开发的 FCNN)根据 256x256 像素邻域预测每个像素的连续 [0,1] 输出。具体而言,此示例展示了如何导出数据块来训练网络,以及如何叠加图像块进行推理,以消除图块边界伪影。
在 AI 平台上训练
对于相对较大的模型(如 FCNN 示例),运行 Colab 笔记本的免费虚拟机的寿命可能不足以支持长时间运行的训练作业。具体而言,如果评估数据集上的预期预测误差未降至最低,则可能需要进行更多训练迭代。如需在 Cloud 中执行大型训练作业,此 Colab 笔记本演示了如何打包训练代码、启动训练作业、使用 earthengine model prepare 命令准备 SavedModel,以及使用 ee.Model.fromAiPlatformPredictor 在 Earth Engine 中以交互方式获取预测结果。
在 Google Colab 中运行
在 GitHub 上查看源代码