إشعار: يجب إثبات أهلية جميع المشاريع غير التجارية المسجّلة لاستخدام Earth Engine قبل 15 أبريل 2025 من أجل الحفاظ على إمكانية الوصول إلى Earth Engine.

تمت ترجمة هذه الصفحة بواسطة Cloud Translation API‏.

ee.Classifier.libsvm

تنشئ هذه الدالة مصنّفًا فارغًا لآلة متجه الدعم.

الاستخدام	المرتجعات
`ee.Classifier.libsvm(decisionProcedure, svmType, kernelType, shrinking, degree, gamma, coef0, cost, nu, terminationEpsilon, lossEpsilon, oneClass)`	المصنِّف

الوسيطة	النوع	التفاصيل
`decisionProcedure`	سلسلة، القيمة التلقائية: "التصويت"	إجراء اتّخاذ القرار الذي سيتم استخدامه للتصنيف. يجب أن تكون القيمة إما "التصويت" أو "هامش". لا يتم استخدامها للانحدار.
`svmType`	سلسلة، القيمة التلقائية: "C_SVC"	نوع آلة متجه الدعم. إحدى القيم `C_SVC` أو `NU_SVC` أو `ONE_CLASS` أو `EPSILON_SVR` أو `NU_SVR`.
`kernelType`	String, default: "LINEAR"	تمثّل هذه السمة نوع النواة. إحدى القيم التالية: LINEAR (u′×v) أو POLY ((γ×u′×v + coef₀)ᵈᵉᵍʳᵉᵉ) أو RBF (exp(-γ×\|u-v\|²)) أو SIGMOID (tanh(γ×u′×v + coef₀)).
`shrinking`	قيمة منطقية، القيمة التلقائية: true	ما إذا كان يجب استخدام طرق الاستدلال المتقلّصة.
`degree`	عدد صحيح، القيمة التلقائية: null	تمثّل هذه السمة درجة الدالة المتعددة الحدود. صالحة لنواة POLY.
`gamma`	العدد العائم، القيمة التلقائية: null	قيمة غاما في دالة النواة. القيمة التلقائية هي مقلوب عدد الميزات. صالحة لنواة POLY وRBF وSIGMOID.
`coef0`	العدد العائم، القيمة التلقائية: null	قيمة coef₀ في دالة kernel. القيمة التلقائية هي 0. صالحة لنواة POLY وSIGMOID.
`cost`	العدد العائم، القيمة التلقائية: null	المَعلمة "التكلفة" (C) القيمة التلقائية هي 1. لا يمكن استخدامها إلا مع C-SVC وepsilon-SVR وnu-SVR.
`nu`	العدد العائم، القيمة التلقائية: null	المَعلمة nu القيمة التلقائية هي 0.5. لا يكون صالحًا إلا مع nu-SVC وone-class SVM وnu-SVR.
`terminationEpsilon`	العدد العائم، القيمة التلقائية: null	حدّ التفاوت لمعيار الإنهاء (هـ) القيمة التلقائية هي 0.001. لا يسري إلا على epsilon-SVR.
`lossEpsilon`	العدد العائم، القيمة التلقائية: null	قيمة إبسيلون في دالة الخسارة (p). القيمة التلقائية هي 0.1. لا يسري إلا على epsilon-SVR.
`oneClass`	عدد صحيح، القيمة التلقائية: null	فئة البيانات التدريبية التي سيتم التدريب عليها في آلة متجه الدعم ذات الفئة الواحدة القيمة التلقائية هي 0. لا يمكن استخدامها إلا مع آلة المتجهات الداعمة ذات الفئة الواحدة. القيم المحتملة هي 0 و1. يكون ناتج المصنّف ثنائيًا (0/1) وسيتطابق مع قيمة هذه الفئة للبيانات التي تم تحديدها على أنّها ضمن الفئة.

أمثلة

محرّر الرموز البرمجية (JavaScript)

// A Sentinel-2 surface reflectance image, reflectance bands selected,
// serves as the source for training and prediction in this contrived example.
var img = ee.Image('COPERNICUS/S2_SR/20210109T185751_20210109T185931_T10SEG')
              .select('B.*');

// ESA WorldCover land cover map, used as label source in classifier training.
var lc = ee.Image('ESA/WorldCover/v100/2020');

// Remap the land cover class values to a 0-based sequential series.
var classValues = [10, 20, 30, 40, 50, 60, 70, 80, 90, 95, 100];
var remapValues = ee.List.sequence(0, 10);
var label = 'lc';
lc = lc.remap(classValues, remapValues).rename(label).toByte();

// Add land cover as a band of the reflectance image and sample 100 pixels at
// 10 m scale from each land cover class within a region of interest.
var roi = ee.Geometry.Rectangle(-122.347, 37.743, -122.024, 37.838);
var sample = img.addBands(lc).stratifiedSample({
  numPoints: 100,
  classBand: label,
  region: roi,
  scale: 10,
  geometries: true
});

// Add a random value field to the sample and use it to approximately split 80%
// of the features into a training set and 20% into a validation set.
sample = sample.randomColumn();
var trainingSample = sample.filter('random <= 0.8');
var validationSample = sample.filter('random > 0.8');

// Train an SVM classifier (C-SVM classification, voting decision procedure,
// linear kernel) from the training sample.
var trainedClassifier = ee.Classifier.libsvm().train({
  features: trainingSample,
  classProperty: label,
  inputProperties: img.bandNames()
});

// Get information about the trained classifier.
print('Results of trained classifier', trainedClassifier.explain());

// Get a confusion matrix and overall accuracy for the training sample.
var trainAccuracy = trainedClassifier.confusionMatrix();
print('Training error matrix', trainAccuracy);
print('Training overall accuracy', trainAccuracy.accuracy());

// Get a confusion matrix and overall accuracy for the validation sample.
validationSample = validationSample.classify(trainedClassifier);
var validationAccuracy = validationSample.errorMatrix(label, 'classification');
print('Validation error matrix', validationAccuracy);
print('Validation accuracy', validationAccuracy.accuracy());

// Classify the reflectance image from the trained classifier.
var imgClassified = img.classify(trainedClassifier);

// Add the layers to the map.
var classVis = {
  min: 0,
  max: 10,
  palette: ['006400' ,'ffbb22', 'ffff4c', 'f096ff', 'fa0000', 'b4b4b4',
            'f0f0f0', '0064c8', '0096a0', '00cf75', 'fae6a0']
};
Map.setCenter(-122.184, 37.796, 12);
Map.addLayer(img, {bands: ['B11', 'B8', 'B3'], min: 100, max: 3500}, 'img');
Map.addLayer(lc, classVis, 'lc');
Map.addLayer(imgClassified, classVis, 'Classified');
Map.addLayer(roi, {color: 'white'}, 'ROI', false, 0.5);
Map.addLayer(trainingSample, {color: 'black'}, 'Training sample', false);
Map.addLayer(validationSample, {color: 'white'}, 'Validation sample', false);

إعداد Python

راجِع صفحة بيئة Python للحصول على معلومات حول واجهة برمجة التطبيقات Python واستخدام geemap للتطوير التفاعلي.

import ee
import geemap.core as geemap

Colab (Python)

# A Sentinel-2 surface reflectance image, reflectance bands selected,
# serves as the source for training and prediction in this contrived example.
img = ee.Image(
    'COPERNICUS/S2_SR/20210109T185751_20210109T185931_T10SEG'
).select('B.*')

# ESA WorldCover land cover map, used as label source in classifier training.
lc = ee.Image('ESA/WorldCover/v100/2020')

# Remap the land cover class values to a 0-based sequential series.
class_values = [10, 20, 30, 40, 50, 60, 70, 80, 90, 95, 100]
remap_values = ee.List.sequence(0, 10)
label = 'lc'
lc = lc.remap(class_values, remap_values).rename(label).toByte()

# Add land cover as a band of the reflectance image and sample 100 pixels at
# 10 m scale from each land cover class within a region of interest.
roi = ee.Geometry.Rectangle(-122.347, 37.743, -122.024, 37.838)
sample = img.addBands(lc).stratifiedSample(
    numPoints=100, classBand=label, region=roi, scale=10, geometries=True
)

# Add a random value field to the sample and use it to approximately split 80%
# of the features into a training set and 20% into a validation set.
sample = sample.randomColumn()
training_sample = sample.filter('random <= 0.8')
validation_sample = sample.filter('random > 0.8')

# Train an SVM classifier (C-SVM classification, voting decision procedure,
# linear kernel) from the training sample.
trained_classifier = ee.Classifier.libsvm().train(
    features=training_sample,
    classProperty=label,
    inputProperties=img.bandNames(),
)

# Get information about the trained classifier.
display('Results of trained classifier', trained_classifier.explain())

# Get a confusion matrix and overall accuracy for the training sample.
train_accuracy = trained_classifier.confusionMatrix()
display('Training error matrix', train_accuracy)
display('Training overall accuracy', train_accuracy.accuracy())

# Get a confusion matrix and overall accuracy for the validation sample.
validation_sample = validation_sample.classify(trained_classifier)
validation_accuracy = validation_sample.errorMatrix(label, 'classification')
display('Validation error matrix', validation_accuracy)
display('Validation accuracy', validation_accuracy.accuracy())

# Classify the reflectance image from the trained classifier.
img_classified = img.classify(trained_classifier)

# Add the layers to the map.
class_vis = {
    'min': 0,
    'max': 10,
    'palette': [
        '006400',
        'ffbb22',
        'ffff4c',
        'f096ff',
        'fa0000',
        'b4b4b4',
        'f0f0f0',
        '0064c8',
        '0096a0',
        '00cf75',
        'fae6a0',
    ],
}
m = geemap.Map()
m.set_center(-122.184, 37.796, 12)
m.add_layer(
    img, {'bands': ['B11', 'B8', 'B3'], 'min': 100, 'max': 3500}, 'img'
)
m.add_layer(lc, class_vis, 'lc')
m.add_layer(img_classified, class_vis, 'Classified')
m.add_layer(roi, {'color': 'white'}, 'ROI', False, 0.5)
m.add_layer(training_sample, {'color': 'black'}, 'Training sample', False)
m.add_layer(
    validation_sample, {'color': 'white'}, 'Validation sample', False
)
m

ee.Classifier.libsvm تنظيم صفحاتك في مجموعات يمكنك حفظ المحتوى وتصنيفه حسب إعداداتك المفضّلة.

أمثلة

محرّر الرموز البرمجية (JavaScript)

Colab (Python)

ee.Classifier.libsvm