ee.Classifier.smileKNN

빈 k-NN 분류기를 만듭니다.

k-최근접 이웃 알고리즘 (k-NN)은 이웃의 다수결로 객체를 분류하는 방법으로, 객체는 k개의 최근접 이웃 중에서 가장 일반적인 클래스에 할당됩니다 (k는 양의 정수이며 일반적으로 작고 일반적으로 홀수임).

사용반환 값
ee.Classifier.smileKNN(k, searchMethod, metric)분류기
인수유형세부정보
k정수, 기본값: 1분류를 위한 이웃 수입니다.
searchMethod문자열, 기본값: 'AUTO'검색 방법입니다. 다음은 유효한 [AUTO, LINEAR_SEARCH, KD_TREE, COVER_TREE]입니다.

  • `AUTO` 차원 수에 따라 KD_TREE와 COVER_TREE 중에서 선택합니다. 특성의 차원이 10보다 작으면 KD_TREE가 사용됩니다.
  • `LINEAR_SEARCH` 고차원 공간에서 공간 분할 접근 방식 (예: K-D 트리)보다 성능이 더 좋습니다.
  • `KD_TREE` k차원 공간에서 점을 구성하기 위한 공간 분할 데이터 세트 구조를 사용하는 최근접 이웃 검색 방법입니다. KD-트리는 고차원 공간에서 최근접 이웃을 효율적으로 찾는 데 적합하지 않습니다. 일반적으로 차원이 D인 경우 데이터 세트의 점 수 N은 N >> 2^D여야 합니다.
  • `COVER_TREE` Cover tree는 일반적인 최근접 이웃 검색을 위한 데이터 구조로, 특히 고유 차원이 작은 공간에서 효율적입니다.

거리 동점 및 확률 값의 경우 검색 방법마다 결과가 다를 수 있습니다. 성능과 결과는 다를 수 있으므로 SMILE의 문서 및 기타 문헌을 참고하세요.

metric문자열, 기본값: 'EUCLIDEAN'사용할 거리 측정항목입니다. 참고: KD_TREE (및 낮은 차원의 경우 AUTO)는 선택한 측정항목을 사용하지 않습니다. 옵션은 다음과 같습니다.
  • `EUCLIDEAN` - 유클리드 거리입니다.
  • `MAHALANOBIS` - 마할라노비스 거리입니다.
  • `MANHATTAN` - 맨해튼 거리입니다.
  • `BRAYCURTIS` - 브레이-커티스 거리입니다.

예

코드 편집기(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 설정

Python API 및 대화형 개발을 위해 geemap을 사용하는 방법에 관한 자세한 내용은 Python 환경 페이지를 참고하세요.

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