墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
700+累计阅读
736平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
简介
Google Earth Engine（GEE）是一个强大的云平台，提供了大规模地理空间数据的存储、处理和分析能力。其中，决策树分类是GEE中常用的遥感影像分类方法之一。本文将探讨不同决策树数量对分类精度的影响，并提供相应的源代码。
方法
ee.Image对象表示遥感影像。我们选择一个具有多个类别的遥感影像，并将其加载到GEE中。以下是加载遥感影像的代码示例：var image = ee.Image('影像ID');
从MODIS到Landsat：在Google Earth Engine里玩转数据融合，为农作物分类打前站
本文详细介绍了在Google Earth Engine（GEE）平台上融合MODIS和Landsat多源遥感数据的技术方法，特别针对农作物分类应用。通过数据融合技术结合MODIS的高时间分辨率和Landsat的空间细节优势，显著提升农田识别精度15-20%。文章包含从数据准备、特征提取到机器学习模型构建的完整实战指南，帮助研究人员高效开展农业遥感分析。
GEE 随机森林分类：Sentinel-2 影像 4 类土地利用精度提升至 85% 实战
本文详细介绍了如何利用Google Earth Engine（GEE）平台和随机森林算法，结合Sentinel-2影像实现土地利用分类精度提升至85%的完整流程。通过数据预处理、样本采集、模型优化和精度评估等步骤，为遥感影像分类提供了实用指南。
GEE 随机森林 vs CART vs SVM：3 种分类器在土地覆被任务中的性能对比
本文对比了GEE平台中随机森林、CART和SVM三种监督分类器在土地覆被任务中的性能表现。通过Sentinel-2数据集的实战评测，详细分析了各分类器在精度、运算效率和错分率等方面的差异，为遥感影像分类任务提供选型参考。随机森林在综合性能上表现最优，适合高精度要求的应用场景。
Google Satellite Embedding V1与随机森林遥感分类实战
卫星遥感数据分类是地理信息科学中的核心技术，其核心挑战在于如何高效处理多源异构数据并提取有效特征。Google Satellite Embedding V1通过深度学习模型将多源卫星数据压缩为64维特征向量，显著简化了传统遥感分类流程中的预处理环节。随机森林算法凭借其处理高维数据和非线性关系的能力，成为匹配这类嵌入向量的理想分类器。在Google Earth Engine平台上，这种组合方案已证明能提升40%的工作效率，并在宁夏土地覆盖分类中实现89.2%的总体精度。该技术方案特别适合需要快速获取分析就绪数
GEE实战指南|监督分类：从训练样本到精度评估全流程解析
本文详细解析了在Google Earth Engine（GEE）平台上进行监督分类的全流程，包括基础概念、训练样本采集、Landsat数据预处理、分类器选择与参数调优，以及精度评估与结果优化。通过实战案例和代码示例，帮助读者掌握从样本采集到分类结果优化的关键技术，提升遥感图像分类的准确性和效率。
GEE：随机森林模型及其决策树的可视化和复用
本文记录了在GoogleEarthEngine（GEE）平台上，导出随机森林模型的决策树列表到Assets中的方法和代码。导出的Asset文件将包含每个决策树的结构和特征重要性信息，可以用于可视化和复用。
Google Earth Engine（GEE）——不同决策树数量分类精度对比分析（随机森林分类为例）
使用 "正常 "分布，输出有μ=0，𝛔=1，但没有明确的限制。如果没有指定这个参数，则假定这些值是连续的，并且跨越了0到maxValue的范围。如果指定，则只使用与此列表相匹配的值，并且矩阵将具有与此列表相匹配的尺寸和顺序。如果指定了rightValue，则不应该指定。如果指定了rightValue，则不应该指定。如果指定了rightField，则不应该指定。如果指定了rightField，则不应该指定。如果指定了leftField，则不应该指定。如果指定了leftField，则不应该指定。
Google Earth Engine（GEE）——机器学习（监督分类）的精度评定——混淆矩阵！
要评估分类器的准确性，请使用ConfusionMatrix(Stehman 1997)。以下示例用于sample()从 MODIS 参考图像生成训练和验证数据，并比较表示训练和验证准确度的混淆矩阵： 函数： confusionMatrix() 根据其训练数据（即：重新代入误差）计算分类器的 2D 混淆矩阵。矩阵的轴 0 对应于输入类，轴 1 对应于输出类。行和列从类 0 开始并按顺序增加到最大类值，因此如果输入类不是基于 0 的或顺序的，则某些行或列可能为空。 Computes a 2D c...
GEE：CART 决策树分类教程（样本制作、特征添加、训练、精度、最优参数、统计面积）
优快云@_养乐多_本文将介绍 GEE 中进行 CART 决策树分类的代码。
GEE：随机森林分类教程（样本制作、特征添加、训练、精度、参数优化、贡献度、统计面积）
本文将介绍在Google Earth Engine （GEE）平台上进行随机森林分类的方法和代码，其中包括制作样本点教程（本地、在线和本地在线混合制作样本点，合并样本点等），加入特征变量，运行随机森林分类器教程，计算随机森林分类结果的精度，优化随机森林分类算法的参数，打印各个变量特征的贡献度等步骤的方法和代码。本教程可以应用于多种分类场景，包括土地利用分类、种植区提取（大蒜、小麦、玉米等）、局部气候区分类、植被分类等多种场景。
GEE：梯度提升树（Gradient Boosting Tree）分类教程（样本制作、特征添加、训练、精度、参数优化、贡献度、统计面积）
作者：优快云 @ _养乐多_本文将介绍在Google Earth Engine （GEE）平台上进行梯度提升树（Gradient Boosting Tree）分类的方法和代码，其中包括制作样本点教程（本地、在线和本地在线混合制作样本点，合并样本点等），加入特征变量(各种指数、纹理特征、时间序列特征、物候特征等)，运行梯度提升树分类器教程，并可将分类器模型应用于像素尺度或者超像素（对象/斑块）尺度数据，计算梯度提升树分类结果的精度（精度参数以csv格式下载到本地），优化梯度提升树分类算法的参数（绘制最优参数
GEE：kNN（k-最近邻）分类教程（样本制作、特征添加、训练、精度、最优参数、统计面积）
作者：优快云 @ _养乐多_本文将介绍在Google Earth Engine （GEE）平台上进行kNN（k-最近邻）分类的方法和代码，其中包括制作样本点教程（本地、在线和本地在线混合制作样本点，合并样本点等），加入特征变量(各种指数、纹理特征、时间序列特征、物候特征等)，运行kNN（k-最近邻）分类器教程，并可将分类器模型应用于像素尺度或者超像素（对象/斑块）尺度数据，计算kNN（k-最近邻）分类结果的精度（精度参数以csv格式下载到本地），kNN（k-最近邻）分类算法最优参数分析（绘制最优参数分布图
GEE：如何解决随机森林分类器的确定性伪随机性？使得每次运行结果（OA、Kappa和混淆矩阵等）不一样
优快云@_养乐多_本文将介绍如何在GEE中增加随机森林分类器的变异性，使得每次运行的结果都不同，从而更好地理解和优化土地利用分类的结果。
GEE：随机森林分类特征重要性的排序（散点图、柱状图）
在Google Earth Engine (GEE)中使用随机森林分类器（Random Forest Classifier）来获取特征重要性的排序，可以通过以下步骤实现：导入需要分类的数据，这可以是一些遥感影像或其他地理数据。定义一个包含分类标签的属性。在Earth Engine中，通常将这个属性称为“class”。定义一组用于分类的特征。这些特征可以是遥感影像的不同波段、地形指数等等。创建一个随机森林分类器模型。这可以通过ee.Classifier.smileRandomForest()方法实现。
LangChain实战：用FAISS搭建本地文档问答系统（含Word文件处理避坑指南）
本文详细介绍了如何利用LangChain框架和FAISS向量数据库构建本地化智能文档问答系统，特别针对Word文档处理中的技术难点提供实用解决方案。通过模块化设计、本地化支持和多格式兼容，实现高效文档处理与精准问答，满足企业对数据隐私和安全的需求。
Navicat Premium 12 永久激活保姆级教程（附最新补丁下载）
本文详细介绍了Navicat Premium 12的高效使用方法，从安装配置到高级功能应用，帮助用户充分发挥这款数据库管理工具的全部潜力。内容包括数据库连接管理、数据查询与编辑、数据同步与结构对比等核心功能，以及性能优化和最佳实践建议，提升数据库管理效率。
LMK04821时钟芯片SPI配置避坑指南：从寄存器读写到频率校准全流程
本文详细解析了LMK04821时钟芯片的SPI配置全流程，涵盖寄存器读写、频率校准及JESD204B系统设计中的关键技巧。通过实战案例和避坑指南，帮助工程师高效解决时钟输出异常、同步失败等常见问题，提升高速数据采集系统的时钟稳定性。
电气比例阀采用外置传感器和PID控制器实现化学机械抛光（CMP）的超高精度压力控制
摘要：为大幅度提高现有CMP工艺设备中压力控制的稳定性，在现有电气比例阀这种单回路PID压力调节技术的基础上，本文提出了升级改造方案，即采用串级控制法（双回路PID控制，也称级联控制），通过在现有电气比例阀回路中增加更高精度的压力传感器和PID控制器，可以将研磨抛光压力的稳定性提高一个数量级，从1~2%的稳定性提升到0.1~0.2%。
用Python和NumPy可视化理解波函数：从概率密度到薛定谔方程的可视化教程
本文通过Python和NumPy实现量子力学波函数的可视化，从概率密度到薛定谔方程的动态演化，帮助读者直观理解量子态的特性。教程涵盖无限深势阱、量子谐振子等模型，结合代码示例展示时间演化和期望值计算，为量子力学学习提供实用工具。
华硕笔记本全硬盘恢复原厂状态 实机操作，MYASUS IN WINRE恢复，ASUS RECOVERY恢复
本教程的前提的在之前就备份了原厂的RECOVERY分区，RESTORE分区，MYASUS分区 如果这些分区都没有的话那就只能找同型号笔记本的朋友要一份了，或者去售后，告诉他这三个分区都要恢复。一般售后为了节约硬盘空间，不会给你恢复restore分区，这个分区有将近20G。 我机器撒天选2 i7-11800H，3060，32G，512GB，型号FX506HM 这篇教程先说全格式化怎么做，下次有空再说免格式化怎么弄。下面开始。 首先首先你的先做给优盘或者移动硬盘做一个PE。网上做PE启动盘的教程很多，这
Utrust4701F与Utrust2700R读写器在银河麒麟系统的安装及测试步骤说明
Utrust4701F与Utrust2700R读写器支持银河麒麟系统，广泛应用会员管理、支付管理等领域。本文将重点介绍Utrust4701F与Utrust2700R读写器在银河麒麟系统的安装及测试步骤说明。以上方法适用于主流国产操作系统，如 优麒麟（UbuntuKylin）/ 中标麒麟（NeoKylin） / UOS（统信操作系统）/ 中兴新支点 / 红旗 linux（redflag linux）/ 普华 Linux（I-soft OS） / 威科乐恩 Linux（WiOS）等
基于RK3588与FPGA的SDI视频处理系统：从MIPI CSI-2输入到DSI输出的全链路解析
本文深入解析了基于RK3588与FPGA的SDI视频处理系统全链路。系统利用FPGA作为高速接口转换与流管理核心，将SDI信号转换为MIPI CSI-2数据流送入RK3588进行智能图像处理与AI分析，处理结果再通过MIPI DSI回传，最终由FPGA控制编码为SDI输出，实现了专业视频接口与强大算力的高效协同。
OV9734 DATASHEET，完整规格书
OV9734完整规格书，包括电气参数，尺寸规格，寄存器配置表等
jre9下载 jdk9
(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】
LinePhone3.2.7(android端最新版本) sip客户端
SIP客户端For android：LinePhone3.2.7(最新版本)，官网地址：http://www.linphone.org/
VB摄像头监控
该VB模块可对摄像头捕获的画面进行录像等，可在创建的窗口进行控制
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
订阅专栏 解锁全文
174
扫一扫
