AI Earth基于水体频率算法及S2的水体识别及分类

assimovmu 2023-01-05 20:25:28

加精

AI Earth基于水体频率算法及S2的水体识别及分类

https://blog.csdn.net/weixin_42221428/article/details/128569696?spm=1001.2014.3001.5502

...全文

165 1 打赏收藏转发到动态举报

写回复

1 条回复

切换为时间正序

请发表友善的回复…

发表回复

CSDN-Ada助手 2023-01-13

打赏
举报

回复

您可以前往 CSDN问答-其他发布问题, 以便更快地解决您的疑问

本文将通过一段完整的GEE代码，逐步讲解如何利用Sentinel-2影像和随机森林算法，实现地表覆盖分类。代码包含等关键步骤，适合遥感入门学习！

基于Google Earth Engine的土地覆盖分类方法摘要：本文介绍了一种利用Google Earth Engine平台，结合Sentinel-2卫星影像和ESA WorldCover数据进行土地覆盖分类的机器学习方法。研究采用分层采样策略，针对8类主要地物（树木、灌木、草地、农田、建设用地、裸地、水体和湿地）进行建模。通过计算NDVI、NDWI和NBR等光谱指数增强特征，比较了CART决策树和随机森林两种算法的分类效果。方法包含完整的预处理流程、模型训练和精度评估（混淆矩阵、Kappa系数、总体精

本文介绍了基于GEE平台和哨兵2号数据的土地覆盖分类方法。通过GEE的海量数据处理能力，结合多光谱特征和机器分类算法（随机森林、SVM等）实现高效分类。详细阐述了技术流程，包括影像合成、特征构建、样本采集、分类器训练及精度验证等关键步骤，并提供了完整的代码实现。该方法具有免数据下载、自动化处理等优势，能够快速生成高精度分类结果，为地表变化监测提供技术支持。

前段时间因为考研的原因一直没能更新，已经完成了农作物种植结构的提取，现在给大家分享一下。主要也是结合前面写过的Google Earth Engine（GEE）使用土地利用数据（modis）上采样Landsat数据提取农田范围，将以上结果作为研究的基础，结合物候特征，光谱特征，地形特征，选择随机森林算法进行农作物的提取。

沐风-GEE系列专栏涵盖生态环境，卫星遥感，气候变化，云计算。 Google Earth Engine 系列学习笔记(一) Google Earth Engine 系列学习笔记(二) GEE-Scholars 可视化时间序列农业景观 GEE-Scholars 机器学习之卫星图像监督分类本章目录沐风-GEE系列专栏前言一、Sentinel-2 光学数据动态监测水体变化1、定义监测区域2、定义监测时间3、哨兵数据去云4、NDWI指数提取水体二、Sentinel-1 雷达数据动态监测统计水体变化1、定义

AI Earth地球科学云平台

32

社区成员

26

社区内容

发帖

与我相关

我的任务

阿里云云计算图像处理技术论坛（原bbs）浙江省·杭州市

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章