ee.Classifier.smileKNN

یک طبقه بندی کننده k-NN خالی ایجاد می کند.

الگوریتم k-نزدیکترین همسایه (k-NN) روشی برای طبقه‌بندی اشیا با اکثریت آرای همسایه‌هایش است که شی به کلاسی که در میان k نزدیک‌ترین همسایه‌اش رایج‌تر است نسبت داده می‌شود (k یک عدد صحیح مثبت است، معمولاً کوچک، معمولاً فرد).

استفاده	برمی گرداند
ee.Classifier.smileKNN( k , searchMethod , metric )	طبقه بندی کننده

استدلال	تایپ کنید	جزئیات
k	عدد صحیح، پیش فرض: 1	تعداد همسایگان برای طبقه بندی.
searchMethod	رشته، پیش فرض: "AUTO"	روش جستجو موارد زیر [AUTO، LINEAR_SEARCH، KD_TREE، COVER_TREE] معتبر هستند. بسته به تعداد ابعاد، AUTO بین KD_TREE و COVER_TREE انتخاب می کند. نتایج ممکن است بین روش‌های مختلف جستجو برای پیوندهای فاصله و مقادیر احتمال متفاوت باشد. از آنجایی که عملکرد و نتایج ممکن است متفاوت باشد، با مستندات SMILE و سایر ادبیات مشورت کنید.
metric	رشته، پیش‌فرض: "EUCLIDEAN"	متریک فاصله برای استفاده توجه: KD_TREE (و AUTO برای ابعاد کم) از معیار انتخاب شده استفاده نمی کند. گزینه ها عبارتند از: 'EUCLIDEAN' - فاصله اقلیدسی. 'MAHALANOBIS' - فاصله محلانوبیس. 'MANHATTAN' - فاصله منهتن. 'BRAYCURTIS' - فاصله Bray-Curtis.

نمونه ها

ویرایشگر کد (جاوا اسکریپت)

// Cloud masking for Landsat 8.
function maskL8sr(image) {
  var qaMask = image.select('QA_PIXEL').bitwiseAnd(parseInt('11111', 2)).eq(0);
  var saturationMask = image.select('QA_RADSAT').eq(0);

  // Apply the scaling factors to the appropriate bands.
  var opticalBands = image.select('SR_B.').multiply(0.0000275).add(-0.2);
  var thermalBands = image.select('ST_B.*').multiply(0.00341802).add(149.0);

  // Replace the original bands with the scaled ones and apply the masks.
  return image.addBands(opticalBands, null, true)
      .addBands(thermalBands, null, true)
      .updateMask(qaMask)
      .updateMask(saturationMask);
}

// Map the function over one year of data.
var collection = ee.ImageCollection('LANDSAT/LC08/C02/T1_L2')
                     .filterDate('2020-01-01', '2021-01-01')
                     .map(maskL8sr);

// Make a median composite.
var composite = collection.median();

// Demonstration labels.
var labels = ee.FeatureCollection('projects/google/demo_landcover_labels')

// Use these bands for classification.
var bands = ['SR_B2', 'SR_B3', 'SR_B4', 'SR_B5', 'SR_B6', 'SR_B7'];
// The name of the property on the points storing the class label.
var classProperty = 'landcover';

// Sample the composite to generate training data.  Note that the
// class label is stored in the 'landcover' property.
var training = composite.select(bands).sampleRegions(
    {collection: labels, properties: [classProperty], scale: 30});

// Train a kNN classifier.
var classifier = ee.Classifier.smileKNN(5).train({
  features: training,
  classProperty: classProperty,
});

// Classify the composite.
var classified = composite.classify(classifier);
Map.setCenter(-122.184, 37.796, 12);
Map.addLayer(classified, {min: 0, max: 2, palette: ['red', 'green', 'blue']});

راه اندازی پایتون

برای اطلاعات در مورد API پایتون و استفاده از geemap برای توسعه تعاملی به صفحه محیط پایتون مراجعه کنید.

import ee
import geemap.core as geemap

کولب (پایتون)

# Cloud masking for Landsat 8.
def mask_l8_sr(image):
  qa_mask = image.select('QA_PIXEL').bitwiseAnd(int('11111', 2)).eq(0)
  saturation_mask = image.select('QA_RADSAT').eq(0)

  # Apply the scaling factors to the appropriate bands.
  optical_bands = image.select('SR_B.').multiply(0.0000275).add(-0.2)
  thermal_bands = image.select('ST_B.*').multiply(0.00341802).add(149.0)

  # Replace the original bands with the scaled ones and apply the masks.
  return (
      image.addBands(optical_bands, None, True)
      .addBands(thermal_bands, None, True)
      .updateMask(qa_mask)
      .updateMask(saturation_mask)
  )


# Map the function over one year of data.
collection = (
    ee.ImageCollection('LANDSAT/LC08/C02/T1_L2')
    .filterDate('2020-01-01', '2021-01-01')
    .map(mask_l8_sr)
)

# Make a median composite.
composite = collection.median()

# Demonstration labels.
labels = ee.FeatureCollection('projects/google/demo_landcover_labels')

# Use these bands for classification.
bands = ['SR_B2', 'SR_B3', 'SR_B4', 'SR_B5', 'SR_B6', 'SR_B7']
# The name of the property on the points storing the class label.
class_property = 'landcover'

# Sample the composite to generate training data.  Note that the
# class label is stored in the 'landcover' property.
training = composite.select(bands).sampleRegions(
    collection=labels, properties=[class_property], scale=30
)

# Train a kNN classifier.
classifier = ee.Classifier.smileKNN(5).train(
    features=training, classProperty=class_property
)

# Classify the composite.
classified = composite.classify(classifier)

m = geemap.Map()
m.set_center(-122.184, 37.796, 12)
m.add_layer(
    classified, {'min': 0, 'max': 2, 'palette': ['red', 'green', 'blue']}
)
m