แมชชีนเลิร์นนิงใน Earth Engine

API แมชชีนเลิร์นนิง

แมชชีนเลิร์นนิง (ML) เป็นเทคนิคที่มีประสิทธิภาพในการวิเคราะห์ข้อมูลการสังเกตการณ์โลก Earth Engine มีความสามารถในตัวที่ช่วยให้ผู้ใช้สร้างและใช้โมเดล ML สำหรับสถานการณ์ทั่วไปได้ด้วย API ที่ใช้งานง่าย

งาน ML ทั่วไปคือการจัดประเภทพิกเซลในภาพถ่ายจากดาวเทียมออกเป็น 2 หมวดหมู่ขึ้นไป แนวทางนี้มีประโยชน์สำหรับการทำแผนที่การใช้ที่ดินและสิ่งปกคลุมดิน รวมถึงแอปพลิเคชันยอดนิยมอื่นๆ

  • การจำแนกประเภทที่มีการควบคุมดูแล: เทคนิค ML อย่างหนึ่งในการจำแนกประเภทที่ดินคือการใช้ตัวอย่างข้อมูลที่เป็นความจริงเพื่อสอนโมเดลให้แยกแยะระหว่างคลาสต่างๆ ตัวแยกประเภทที่มีการควบคุมดูแลในตัวของ Earth Engine รองรับกระบวนการนี้
  • การแยกประเภทที่ไม่มีการควบคุมดูแล: ในการแยกประเภทที่ไม่มีการควบคุมดูแล จะไม่มีการระบุตัวอย่างข้อมูลที่เป็นความจริงให้กับอัลกอริทึมการฝึก แต่อัลกอริทึมจะแบ่งข้อมูลที่มีอยู่ออกเป็นคลัสเตอร์ตามความแตกต่างที่มีอยู่แล้ว ตัวแยกประเภทที่ไม่มีการควบคุมดูแลของ Earth Engine มีประโยชน์อย่างยิ่งเมื่อไม่มีข้อมูลที่เป็นความจริง เมื่อคุณไม่ทราบจำนวนคลาสสุดท้าย หรือเมื่อต้องการทำการทดสอบอย่างรวดเร็ว
  • การถดถอย: ในขณะที่โมเดลการแยกประเภทพยายามจัดกลุ่มอินพุตแต่ละรายการเป็นคลาสที่ไม่ต่อเนื่อง โมเดลการถดถอยจะพยายามคาดการณ์ตัวแปรต่อเนื่องสำหรับอินพุตแต่ละรายการ ตัวอย่างเช่น โมเดลการถดถอยสามารถคาดการณ์คุณภาพน้ำ เปอร์เซ็นต์พื้นที่ป่า เปอร์เซ็นต์เมฆปกคลุม หรือผลผลิตพืชผล ดูข้อมูลเพิ่มเติมได้ที่ส่วนการถดถอยเชิงเส้นของ ee.Reducers

การฝึกโมเดลและการคาดการณ์นอก Earth Engine

การเรียนรู้เชิงลึกและโครงข่ายระบบประสาทเทียมเป็นเทคนิคแมชชีนเลิร์นนิงที่ทำงานได้ดีกับข้อมูลที่ซับซ้อน เช่น ภาพถ่ายจากดาวเทียม API แมชชีนเลิร์นนิงของ Earth Engine ไม่รองรับทั้งการเรียนรู้เชิงลึกและโครงข่ายระบบประสาทเทียม แต่หากต้องการใช้ประโยชน์จากโมเดลเหล่านี้ คุณจะต้องใช้เฟรมเวิร์กอย่าง TensorFlow หรือ PyTorch และฝึกโมเดลนอก Earth Engine

นอกจากนี้ คุณยังอาจต้องการฝึกนอก Earth Engine หากคุ้นเคยกับเฟรมเวิร์กอย่าง scikit-learn สำหรับแมชชีนเลิร์นนิงแบบคลาสสิกหรือ XGBoost สำหรับแผนผังการตัดสินใจแบบเพิ่มระดับการไล่ระดับสีอยู่แล้ว

สุดท้าย คุณอาจต้องฝึกโมเดลนอก Earth Engine หากชุดข้อมูลมีขนาดใหญ่มากและเกินขีดจำกัดที่ระบุไว้ด้านล่าง

ส่งออกข้อมูลจาก Earth Engine เพื่อฝึก

รับการคาดการณ์จากโมเดลภายนอก Earth Engine

หากฝึกโมเดลนอก Earth Engine คุณจะมีตัวเลือก 2-3 รายการในการรับการคาดการณ์จากโมเดลนั้น

เหตุผลอื่นๆ ในการฝึกโมเดลนอก Earth Engine

นอกเหนือจากความคุ้นเคยและความชอบแล้ว คุณอาจต้องการฝึกโมเดลนอก Earth Engine หากต้องการใช้สถาปัตยกรรมโมเดล (เช่น โครงข่ายประสาทแบบคอนโวลูชัน) ที่ API แมชชีนเลิร์นนิงของ Earth Engine ไม่รองรับ หากต้องการใช้ฟีเจอร์เพิ่มเติมของ Vertex AI หรือหากพบขีดจำกัดการปรับขนาดด้วย API แมชชีนเลิร์นนิงของ Earth Engine

ขีดจำกัดของชุดฝึก

โดยทั่วไปแล้ว การฝึกโดยใช้ ee.Classifier หรือ ee.Clusterer จะมีประสิทธิภาพกับชุดข้อมูลที่มีขนาดไม่เกิน 100 MB หลักเกณฑ์คร่าวๆ คือ หากสมมติว่ามีความแม่นยำ 32 บิต (เช่น ทศนิยม) วิธีนี้จะรองรับชุดข้อมูลการฝึกที่ตรงตามเงื่อนไข (โดยที่ n คือจำนวนตัวอย่างและ b คือจำนวนแบนด์) ดังนี้

nb ≤ (100 * 2 20) / 4

ตัวอย่างเช่น หากคุณฝึกโดยใช้ 100 แบนด์ จำนวนตัวอย่างที่ใช้ในการฝึกควรน้อยกว่า 200,000 รายการ

ขีดจำกัดการอนุมาน

เนื่องจาก Earth Engine ประมวลผลชิ้นส่วนรูปภาพขนาด 256x256 คำขอการอนุมานในภาพจึงต้องมีแบนด์น้อยกว่า 400 แบนด์ (สมมติว่าภาพมีความแม่นยำ 32 บิต)

คุณสามารถฝึกตัวแยกประเภทซ้ำได้มากกว่า 1 ครั้งเพื่อเก็บชุดข้อมูลสำหรับการฝึกแต่ละครั้งให้อยู่ภายในขีดจำกัด

      var trainings = ee.List.sequence(0, 3).map(function(cover) {
          return image.addBands(landcover.eq(cover).stratifiedSample(…)
      })

      var classifier = ee.Classifier.smileCart()
          .train(trainings.get(0), "cover")
          .train(trainings.get(1), "cover")
          .train(trainings.get(2), "cover")
          .train(trainings.get(3), "cover")
    

ขีดจำกัดขนาดโมเดล

นอกจากนี้ โมเดลต้องมีขนาดไม่เกิน 100 MB ตัวแยกประเภทจำนวนมากของเราสามารถกำหนดค่าเพื่อจำกัดความซับซ้อนและขนาดได้ เช่น

      var classifier = ee.Classifier.smileRandomForest({
          numberOfTrees: 10,
          minLeafPopulation: 10,
          maxNodes: 10000
      })