Esta página tem exemplos de fluxos de trabalho para demonstrar os usos do TensorFlow com o Earth Engine. Consulte a página do TensorFlow para mais detalhes. Esses exemplos foram escritos usando a API Python do Earth Engine e o TensorFlow em execução nos notebooks do Colab.
Custos
Previsão multiclasse com uma DNN
Uma rede neural "profunda" (DNN, na sigla em inglês) é simplesmente uma rede neural artificial (ANN, na sigla em inglês) com uma ou mais camadas escondidas. Este exemplo demonstra uma DNN muito simples com uma única camada escondida. A DNN usa vetores espectrais como entradas (ou seja, um pixel por vez) e gera um único rótulo de classe e probabilidades de classe por pixel. O notebook do Colab abaixo demonstra como criar a DNN, treiná-la com dados do Earth Engine, fazer previsões em imagens exportadas e importar as previsões para o Earth Engine.
DNN hospedável para previsão no Earth Engine
Para receber previsões do modelo treinado diretamente no Earth Engine (por exemplo, no
Editor de código), é necessário hospedar o modelo
na plataforma de IA do Google. Este guia
demonstra como salvar um modelo treinado no formato
SavedModel,
preparar o modelo para hospedagem com o comando earthengine model prepare
e receber previsões no Earth Engine de forma interativa com
ee.Model.fromAiPlatformPredictor.
Regressão logística no TensorFlow
Os métodos clássicos de machine learning, como a regressão logística, são fáceis de implementar no TensorFlow. Este notebook demonstra um detector de desmatamento baseado em regressão logística com base em composições anuais de antes e depois. Esse modelo muito simplista é apenas para fins de demonstração. Adicione algumas camadas escondidas para maior precisão.
Regressão com uma FCNN
Uma rede neural "convolucional" (CNN) contém uma ou mais camadas convolucionais, em que as entradas são vizinhanças de pixels, resultando em uma rede que não é totalmente conectada, mas é adequada para identificar padrões espaciais. Uma rede neural totalmente convolucional (FCNN, na sigla em inglês) não contém uma camada totalmente conectada como saída. Isso significa que ele não aprende uma saída global (ou seja, uma única saída por imagem), mas sim saídas localizadas (ou seja, por pixel).
Este notebook do Colab demonstra o uso do modelo UNET, uma FCNN desenvolvida para segmentação de imagens médicas, para prever uma saída contínua [0,1] em cada pixel de vizinhanças de pixels de 256 x 256. Especificamente, este exemplo mostra como exportar patches de dados para treinar a rede e como sobrepor patches de imagem para inferência, para eliminar artefatos de limite de blocos.
Treinar na plataforma de IA
Para modelos relativamente grandes (como o exemplo de FCNN), a longevidade da máquina virtual sem custo financeiro em que os notebooks do Colab são executados pode não ser suficiente para um job de treinamento de longa duração. Especificamente, se o erro de previsão esperado não for minimizado no conjunto de dados de avaliação, pode ser prudente realizar mais iterações de treinamento. Para realizar grandes jobs de treinamento
na nuvem, este notebook do Colab demonstra como
empacotar seu código de
treinamento, iniciar um
job de treinamento, preparar um
SavedModel
com o comando earthengine model prepare e receber previsões no Earth
Engine de forma interativa com ee.Model.fromAiPlatformPredictor.
Executar no Google Colab
Ver código-fonte no GitHub