ee.Classifier.smileKNN

建立空白的 k-NN 分類器。

最鄰近演算法 (k-NN) 是一種物件分類方法，會根據鄰近物件的多數決結果進行分類，並將物件指派給最鄰近 k 個物件中最常見的類別 (k 是正整數，通常很小，通常是奇數)。

用量傳回
ee.Classifier.smileKNN(k, searchMethod, metric)分類器
引數類型詳細資料
k整數，預設值為 1用於分類的鄰點數量。
searchMethod字串，預設值為「AUTO」搜尋方法。以下是有效值：[AUTO、LINEAR_SEARCH、KD_TREE、COVER_TREE]：

  • `AUTO`：根據維度數量選擇 KD_TREE 或 COVER_TREE。如果特徵的維度少於 10 個，則使用 KD_TREE。
  • `LINEAR_SEARCH` 在高維度空間中，效能優於空間分割方法 (例如 K-D 樹)。
  • `KD_TREE`：最鄰近搜尋方法，使用空間分割資料集結構，在 k 維空間中整理點。KD 樹狀結構不適合在高維度空間中有效率地尋找最鄰近項目。一般來說，如果維度是 D，則資料集中的點數 N 應為 N >> 2^D。
  • `COVER_TREE`：封面樹是通用近鄰搜尋的資料結構，在內在維度較小的空間中特別有效率。

距離關係和機率值可能因搜尋方法而異。由於效能和結果可能有所不同，請參閱 SMILE 的說明文件和其他文獻。

metric字串，預設值為「EUCLIDEAN」要使用的距離指標。注意：KD_TREE (以及低維度的 AUTO) 不會使用所選指標。選項包括：
  • `EUCLIDEAN` - 歐幾里得距離。
  • `MAHALANOBIS` - Mahalanobis 距離。
  • `MANHATTAN` - 曼哈頓距離。
  • `BRAYCURTIS` - Bray-Curtis 距離。

範例

程式碼編輯器 (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 設定

請參閱 Python 環境頁面，瞭解 Python API 和如何使用 geemap 進行互動式開發。

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