ee.Classifier.amnhMaxent

Cria um classificador de entropia máxima. O Maxent é usado para modelar probabilidades de distribuição de espécies usando dados ambientais para locais de presença conhecida e para um grande número de locais de "segundo plano". Para mais informações e citações, consulte: https://biodiversityinformatics.amnh.org/open_source/maxent/ e a publicação de referência: Phillips, et. al., 2004 Uma abordagem de máxima entropia para modelagem de distribuição de espécies, Anais da 21ª Conferência Internacional sobre Aprendizado de Máquina. A saída é uma única banda chamada "probability", que contém a probabilidade modelada, e outra banda chamada "clamp" quando o argumento "writeClampGrid" é verdadeiro.

Uso	Retorna
ee.Classifier.amnhMaxent(categoricalNames, outputFormat, autoFeature, linear, quadratic, product, threshold, hinge, hingeThreshold, l2lqThreshold, lq2lqptThreshold, addSamplesToBackground, addAllSamplesToBackground, betaMultiplier, betaHinge, betaLqp, betaCategorical, betaThreshold, extrapolate, doClamp, writeClampGrid, randomTestPoints, seed)	Classificador

Argumento	Tipo	Detalhes
categoricalNames	Lista, padrão: nulo	Uma lista dos nomes das entradas categóricas. As entradas não listadas nesse argumento são consideradas contínuas.
outputFormat	String, padrão: "cloglog"	Representação de probabilidades na saída.
autoFeature	Booleano, padrão: verdadeiro	Seleciona automaticamente quais classes de recursos usar com base no número de exemplos de treinamento.
linear	Booleano, padrão: verdadeiro	Permite o uso de recursos lineares. Ignorado quando "autofeature" é verdadeiro.
quadratic	Booleano, padrão: verdadeiro	Permite o uso de recursos quadráticos. Ignorado quando "autofeature" é verdadeiro.
product	Booleano, padrão: verdadeiro	Permitir o uso de recursos do produto. Ignorado quando "autofeature" é verdadeiro.
threshold	Booleano, padrão: falso	Permitir o uso de recursos de limite. Ignorado quando "autofeature" é verdadeiro.
hinge	Booleano, padrão: verdadeiro	Permitir o uso dos recursos da dobradiça. Ignorado quando "autofeature" é verdadeiro.
hingeThreshold	Número inteiro, padrão: 15	Número de amostras em que os recursos de dobradiça começam a ser usados. Ignorado quando o recurso de preenchimento automático é falso.
l2lqThreshold	Número inteiro, padrão: 10	Número de amostras em que os atributos quadráticos começam a ser usados. Ignorado quando o recurso de preenchimento automático é falso.
lq2lqptThreshold	Número inteiro, padrão: 80	Número de amostras em que os recursos de produto e limite começam a ser usados. Ignorado quando o recurso de preenchimento automático é falso.
addSamplesToBackground	Booleano, padrão: verdadeiro	Adicione ao plano de fundo qualquer amostra que tenha uma combinação de valores ambientais que ainda não esteja presente nele.
addAllSamplesToBackground	Booleano, padrão: falso	Adicione todas as amostras ao plano de fundo, mesmo que elas tenham combinações de valores ambientais que já estão presentes.
betaMultiplier	Ponto flutuante, padrão: 1	Multiplicador de regularização. Multiplica todos os parâmetros de regularização automática por esse número. Um número maior resulta em uma distribuição mais dispersa.
betaHinge	Ponto flutuante, padrão: -1	Parâmetro de regularização a ser aplicado a todos os recursos de articulação. Um valor negativo ativa a configuração automática.
betaLqp	Ponto flutuante, padrão: -1	Parâmetro de regularização a ser aplicado a todos os recursos lineares, quadráticos e de produto. Um valor negativo ativa a configuração automática.
betaCategorical	Ponto flutuante, padrão: -1	Parâmetro de regularização a ser aplicado a todos os recursos categóricos. Um valor negativo ativa a definição automática.
betaThreshold	Ponto flutuante, padrão: -1	Parâmetro de regularização a ser aplicado a todos os recursos de limite. Um valor negativo ativa a definição automática.
extrapolate	Booleano, padrão: verdadeiro	Extrapole. Prever para regiões do espaço ambiental fora dos limites encontrados durante o treinamento.
doClamp	Booleano, padrão: verdadeiro	Aplicar fixação à saída.
writeClampGrid	Booleano, padrão: verdadeiro	Adiciona uma banda à saída ("clamp") mostrando a distribuição espacial do ajuste. Em cada ponto, o valor é a diferença absoluta entre os valores de previsão com e sem fixação.
randomTestPoints	Número inteiro, padrão: 0	Porcentagem de teste aleatória. A porcentagem de pontos de treinamento a serem reservados como pontos de teste, usados para calcular AUX, omissão etc.
seed	Long, padrão: 0	Uma seed usada ao gerar números aleatórios.

Exemplos

Editor de código (JavaScript)

// Create some sample species presence/absence training data.
var trainingData = ee.FeatureCollection([
  // Species present points.
  ee.Feature(ee.Geometry.Point([-122.39567, 38.02740]), {presence: 1}),
  ee.Feature(ee.Geometry.Point([-122.68560, 37.83690]), {presence: 1}),
  // Species absent points.
  ee.Feature(ee.Geometry.Point([-122.59755, 37.92402]), {presence: 0}),
  ee.Feature(ee.Geometry.Point([-122.47137, 37.99291]), {presence: 0}),
  ee.Feature(ee.Geometry.Point([-122.52905, 37.85642]), {presence: 0}),
  ee.Feature(ee.Geometry.Point([-122.03010, 37.66660]), {presence: 0})
]);

// Import a Landsat 8 surface reflectance image.
var image = ee.Image('LANDSAT/LC08/C02/T1_L2/LC08_044034_20200606')
                // Select the optical and thermal bands.
                .select(['.._B.*']);

// Sample the image at the location of the points.
var training = image.sampleRegions({collection: trainingData, scale: 30});

// Define and train a Maxent classifier from the image-sampled points.
var classifier = ee.Classifier.amnhMaxent().train({
  features: training,
  classProperty: 'presence',
  inputProperties: image.bandNames()
});

// Classify the image using the Maxent classifier.
var imageClassified = image.classify(classifier);

// Display the layers on the map.
// Species presence probability [0, 1] grades from black to white.
Map.centerObject(image, 9);
Map.addLayer(
    image.select(['SR_B4', 'SR_B3', 'SR_B2']).multiply(0.0000275).add(-0.2),
    {min: 0, max: 0.3}, 'Image');
Map.addLayer(
    imageClassified, {bands: 'probability', min: 0, max: 1}, 'Probability');
Map.addLayer(
    trainingData.filter('presence == 0'), {color: 'red'},
    'Training data (species absent)');
Map.addLayer(
    trainingData.filter('presence == 1'), {color: 'blue'},
    'Training data (species present)');

Configuração do Python

Consulte a página Ambiente Python para informações sobre a API Python e como usar geemap para desenvolvimento interativo.

import ee
import geemap.core as geemap

Colab (Python)

"""Demonstrates the ee.Classifier.amnhMaxent method."""

# Create some sample species presence/absence training data.
training_data = ee.FeatureCollection([
    # Species present points.
    ee.Feature(ee.Geometry.Point([-122.39567, 38.02740]), {'presence': 1}),
    ee.Feature(ee.Geometry.Point([-122.68560, 37.83690]), {'presence': 1}),
    # Species absent points.
    ee.Feature(ee.Geometry.Point([-122.59755, 37.92402]), {'presence': 0}),
    ee.Feature(ee.Geometry.Point([-122.47137, 37.99291]), {'presence': 0}),
    ee.Feature(ee.Geometry.Point([-122.52905, 37.85642]), {'presence': 0}),
    ee.Feature(ee.Geometry.Point([-122.03010, 37.66660]), {'presence': 0})
])

# Import a Landsat 8 image and select the reflectance bands.
image = (ee.Image('LANDSAT/LC08/C02/T1_L2/LC08_044034_20200606')
         .select(['SR_B[1-7]'])
         .multiply(0.0000275).add(-0.2))  # Apply scaling factors.

# Sample the image at the location of the points.
training = image.sampleRegions(**{
    'collection': training_data,
    'scale': 30
})

# Define and train a Maxent classifier from the image-sampled points.
classifier = ee.Classifier.amnhMaxent().train(**{
    'features': training,
    'classProperty': 'presence',
    'inputProperties': image.bandNames()
})

# Classify the image using the Maxent classifier.
image_classified = image.classify(classifier)