ee.Classifier.smileKNN

यह एक खाली k-NN क्लासिफ़ायर बनाता है.

के-नीयरस्ट नेबर एल्गोरिदम (के-एनएन), किसी ऑब्जेक्ट को उसके आस-पास के ऑब्जेक्ट के सबसे ज़्यादा वोट के आधार पर क्लासिफ़ाई करने का एक तरीका है. इसमें ऑब्जेक्ट को उस क्लास में असाइन किया जाता है जो उसके आस-पास के के ऑब्जेक्ट में सबसे ज़्यादा होती है. के एक पॉज़िटिव पूर्णांक होता है, जो आम तौर पर छोटा और विषम होता है.

इस्तेमाल	रिटर्न
ee.Classifier.smileKNN(k, searchMethod, metric)	कैटगरी तय करने वाला

आर्ग्यूमेंट	टाइप	विवरण
k	पूर्णांक, डिफ़ॉल्ट: 1	क्लासिफ़िकेशन के लिए आस-पास के डेटा पॉइंट की संख्या.
searchMethod	स्ट्रिंग, डिफ़ॉल्ट: "AUTO"	खोज का तरीका. ये मान्य हैं [AUTO, LINEAR_SEARCH, KD_TREE, COVER_TREE]. डाइमेंशन की संख्या के आधार पर, AUTO KD_TREE और COVER_TREE में से किसी एक को चुनेगा. दूरी के आधार पर टाई होने वाले नतीजों और संभावना की वैल्यू के लिए, खोज के अलग-अलग तरीकों के हिसाब से नतीजे अलग-अलग हो सकते हैं. परफ़ॉर्मेंस और नतीजे अलग-अलग हो सकते हैं. इसलिए, SMILE के दस्तावेज़ और अन्य साहित्य देखें.
metric	स्ट्रिंग, डिफ़ॉल्ट: "EUCLIDEAN"	इस्तेमाल की जाने वाली दूरी की मेट्रिक. ध्यान दें: KD_TREE (और कम डाइमेंशन के लिए AUTO) में, चुनी गई मेट्रिक का इस्तेमाल नहीं किया जाएगा. इसके विकल्प ये हैं:   'EUCLIDEAN' - इयूक्लिडीन दूरी.   'MAHALANOBIS' - Mahalanobis distance.   'MANHATTAN' - मैनहैटन दूरी.   'BRAYCURTIS' - ब्रे-कर्टिस दूरी.

उदाहरण

कोड एडिटर (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']});

Python सेटअप करना

Python API और इंटरैक्टिव डेवलपमेंट के लिए geemap का इस्तेमाल करने के बारे में जानकारी पाने के लिए, Python एनवायरमेंट पेज देखें.

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