本页面提供了示例工作流,演示了如何将 TensorFlow 与 Earth Engine 搭配使用。如需了解详情,请参阅 TensorFlow 页面。这些示例是使用 Earth Engine Python API 和在 Colab 笔记本中运行的 TensorFlow 编写的。
费用
使用 DNN 进行多类别预测
“深度”神经网络 (DNN) 只是具有一个或多个隐藏层的人工神经网络 (ANN)。此示例演示了一个非常简单的 DNN,其中包含一个隐藏层。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。下面的 Colab 笔记本演示了如何创建 DNN、使用 Earth Engine 中的数据对其进行训练、对导出的图像进行预测,以及将预测结果导入 Earth Engine。
可在 Earth Engine 中托管以进行预测的 DNN
如需直接在 Earth Engine(例如代码编辑器)中通过经过训练的模型获取预测结果,您需要将模型托管在 Google AI Platform 上。本指南演示了如何以 SavedModel 格式保存经过训练的模型,使用 earthengine model prepare 命令准备模型以进行托管,以及使用 ee.Model.fromAiPlatformPredictor 在 Earth Engine 中以交互方式获取预测结果。
TensorFlow 方式的逻辑回归
逻辑回归等传统机器学习方法自然可以在 TensorFlow 中实现。此笔记本演示了基于逻辑回归的毁林检测器,该检测器使用年度合成影像的前后对比数据。请注意,这个非常简单的模型仅用于演示目的;添加一些隐藏层可提高准确率。
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