ee.Classifier.amnhMaxent

Maksimum Entropi sınıflandırıcı oluşturur. Maxent, bilinen varlık konumları ve çok sayıda "arka plan" konumu için çevresel verileri kullanarak tür dağılımı olasılıklarını modellemek amacıyla kullanılır. Daha fazla bilgi ve alıntı için bkz: https://biodiversityinformatics.amnh.org/open_source/maxent/ ve referans yayını: Phillips, et. al., 2004 A maximum entropy approach to species distribution modeling, Proceedings of the Twenty-First International Conference on Machine Learning. Çıkış, modellenmiş olasılığı içeren "probability" adlı tek bir bant ve "writeClampGrid" bağımsız değişkeni doğru olduğunda "clamp" adlı ek bir banttır.

Kullanım	İadeler
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)	Sınıflandırıcı

Bağımsız Değişken	Tür	Ayrıntılar
categoricalNames	Liste, varsayılan: null	Kategorik girişlerin adlarının listesi. Bu argümanda listelenmeyen tüm girişler sürekli olarak kabul edilir.
outputFormat	Dize, varsayılan: "cloglog"	Çıkışta olasılıkların gösterimi.
autoFeature	Boole değeri, varsayılan: true	Eğitim örneklerinin sayısına göre hangi özellik sınıflarının kullanılacağını otomatik olarak seçin.
linear	Boole değeri, varsayılan: true	Doğrusal özelliklerin kullanılmasına izin verin. Otomatik özellik doğru olduğunda yoksayılır.
quadratic	Boole değeri, varsayılan: true	İkinci dereceden özelliklerin kullanılmasına izin verin. Otomatik özellik doğru olduğunda yoksayılır.
product	Boole değeri, varsayılan: true	Ürün özelliklerinin kullanılmasına izin verin. Otomatik özellik doğru olduğunda yoksayılır.
threshold	Boole değeri, varsayılan: false	Eşik özelliklerinin kullanılmasına izin verin. Otomatik özellik doğru olduğunda yoksayılır.
hinge	Boole değeri, varsayılan: true	Menteşe özelliklerinin kullanılmasına izin verin. Otomatik özellik doğru olduğunda yoksayılır.
hingeThreshold	Tamsayı, varsayılan: 15	Menteşe özelliklerinin kullanılmaya başlandığı örnek sayısı. Otomatik özellik devre dışıysa yoksayılır.
l2lqThreshold	Tamsayı, varsayılan: 10	İkinci dereceden özelliklerin kullanılmaya başlandığı örnek sayısı. Otomatik özellik devre dışıysa yoksayılır.
lq2lqptThreshold	Tamsayı, varsayılan: 80	Ürün ve eşik özelliklerinin kullanılmaya başlandığı örnek sayısı. Otomatik özellik devre dışıysa yoksayılır.
addSamplesToBackground	Boole değeri, varsayılan: true	Arka planda henüz bulunmayan bir ortam değeri kombinasyonuna sahip tüm örnekleri arka plana ekleyin.
addAllSamplesToBackground	Boole değeri, varsayılan: false	Arka planda zaten mevcut olan çevresel değer kombinasyonlarına sahip olsalar bile tüm örnekleri arka plana ekleyin.
betaMultiplier	Ondalık sayı, varsayılan: 1	Normalleştirme çarpanı. Tüm otomatik düzenleme parametrelerini bu sayıyla çarpın. Daha yüksek bir sayı, daha yaygın bir dağıtım sağlar.
betaHinge	Ondalık sayı, varsayılan: -1	Tüm menteşe özelliklerine uygulanacak düzenlileştirme parametresi; negatif değer, otomatik ayarı etkinleştirir.
betaLqp	Ondalık sayı, varsayılan: -1	Tüm doğrusal, karesel ve ürün özelliklerine uygulanacak düzenlileştirme parametresi. Negatif değer, otomatik ayarı etkinleştirir.
betaCategorical	Ondalık sayı, varsayılan: -1	Tüm kategorik özelliklere uygulanacak düzenlileştirme parametresi; negatif değer, otomatik ayarı etkinleştirir.
betaThreshold	Ondalık sayı, varsayılan: -1	Tüm eşik özelliklerine uygulanacak düzenlileştirme parametresi. Negatif değer, otomatik ayarı etkinleştirir.
extrapolate	Boole değeri, varsayılan: true	Tahmin edin. Eğitim sırasında karşılaşılan sınırların dışındaki çevresel alan bölgelerini tahmin etme.
doClamp	Boole değeri, varsayılan: true	Çıkışa sınırlama uygulayın.
writeClampGrid	Boole değeri, varsayılan: true	Çıkışa, sıkıştırmanın mekansal dağılımını gösteren bir bant ekler ("clamp"). Her noktada değer, sınırlama içeren ve içermeyen tahmin değerleri arasındaki mutlak farktır.
randomTestPoints	Tamsayı, varsayılan: 0	Rastgele test yüzdesi. AUX, atlama vb. değerleri hesaplamak için kullanılan, test noktaları olarak ayrılacak eğitim noktalarının yüzdesi.
seed	Uzun, varsayılan: 0	Rastgele sayılar oluşturulurken kullanılan bir başlangıç değeri.

Örnekler

Kod Düzenleyici (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)');

Python kurulumu

Python API'si ve etkileşimli geliştirme için geemap kullanımı hakkında bilgi edinmek üzere Python Ortamı sayfasına bakın.

import ee
import geemap.core as geemap

Colab (Python)

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

import ee


# Authenticates to the Earth Engine servers.
ee.Authenticate()
# Initializes the client library.
ee.Initialize()


# 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)