ee.Classifier.smileKNN

Creates an empty k-NN classifier.

אלגוריתם השכן הקרוב ביותר (k-NN) הוא שיטה לסיווג אובייקטים לפי הצבעה של רוב השכנים שלו. האובייקט משויך לסיווג הנפוץ ביותר מבין k השכנים הקרובים ביותר שלו (k הוא מספר שלם חיובי, בדרך כלל קטן, בדרך כלל אי-זוגי).

שימוש	החזרות
ee.Classifier.smileKNN(k, searchMethod, metric)	מסווג

ארגומנט	סוג	פרטים
k	מספר שלם, ברירת מחדל: 1	מספר השכנים לסיווג.
searchMethod	מחרוזת, ברירת מחדל: AUTO	שיטת החיפוש. הערכים האפשריים הם [AUTO, LINEAR_SEARCH, KD_TREE, COVER_TREE]. האפשרות AUTO תבחר בין KD_TREE לבין COVER_TREE בהתאם למספר המאפיינים. התוצאות עשויות להיות שונות בין שיטות החיפוש השונות של קשרי מרחק וערכי הסתברות. הביצועים והתוצאות עשויים להשתנות, ולכן מומלץ לעיין בתיעוד של SMILE ובספרות נוספת.
metric	מחרוזת, ברירת מחדל: EUCLIDEAN	מדד המרחק שבו רוצים להשתמש. הערה: KD_TREE (ו-AUTO לממדים נמוכים) לא ישתמשו במדד שנבחר. האפשרויות הן:   ‫'EUCLIDEAN' – מרחק אוקלידי.   'MAHALANOBIS' – מרחק מהלנוביס.   ‫'MANHATTAN' – מרחק מנהטן.   ‫'BRAYCURTIS' – מרחק בריי-קרטיס.

דוגמאות

עורך הקוד (JavaScript)

// 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']});

הגדרת Python

מידע על Python API ועל שימוש ב-geemap לפיתוח אינטראקטיבי מופיע בדף Python Environment.

import ee
import geemap.core as geemap

Colab (Python)

# 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