我们在GEE上实现的深度学习模型用于水体分类别，可直接应用于不同年份和地区

已于 2024-04-01 15:06:56 修改
阅读量1.6k 收藏 23
点赞数 11
文章标签： 图像处理 python 云计算
于 2024-04-01 14:57:54 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/adhuahd/article/details/137233481
版权

大家都知道，Google Earth Engine的分类模型很少，而且如果想做不同年份和不同研究区的研究，如果下载影像的话又太麻烦了。因此，我们最近使用GEE训练了一些深度学习模型用于水体分类，并将其部署到GEE平台上可以直接应用于不同年份和不同地区的研究，去除了繁琐的影像下载，大大提高了实用性。

例如，我们将其应用于全中国不同的研究区，里面就可以得到不同的结果，如下所示：

图片

东北地区某地的水体识别结果图

图片

青海湖的水体识别结果图

图片

五大湖地区某地的水体识别结果


除了可以应用于局部地区，还可以直接应用于大尺度。例如可以直接应用于东北三省，里面就能够得到水体识别结

最低0.47元/天 解锁文章
GEE 土地分类——GEE 土地分类的深度学习教程（JavaScript数据处理和python模型构建和上传）模板
此星光明博客
11-22 393
GEE 土地分类——GEE 土地分类的深度学习教程（JavaScript数据处理和python模型构建和上传）模板。
GEE深度学习——使用Tensorflow进行神经网络DNN土地分类
此星光明博客
05-26 903
这是地球引擎和 TensorFlow 演示笔记本。具体来说，本笔记本展示了以 TFRecord 格式从 Earth Engine 导出训练/测试数据。准备用于 TensorFlow 模型的数据。在 TensorFlow 中训练和验证一个简单的模型。对从地球引擎导出的 TFRecord 格式图像数据进行预测。将分类图像数据以 TFRecord 格式输入地球引擎。这旨在演示一个完整的输入/输出。有关使用顶点人工智能平台托管模型进行交互式预测的工作流程，请参阅本示例笔记本。
Google Earth Engine（GEE）深度学习入门教程- GEE导出篇
weixin_41099712的博客
01-08 3378
例如：patchSize 为32，kernelSize为32，则导出的图像单个大小为64*64，中间的32*32为不重叠区域，边缘的16格像素为缓冲区大小。导出可以拆分为多个 TFRecord 文件，每个文件包含一个或多个 大小的 patches ，这是用户在导出中指定的。其中：crs为投影坐标系、doubleMatrix为地理仿射变换矩阵、patchDimensions为不重叠区域大小、patchesPerRow为裁剪区域内每行得到的样本数量、totalPatches为总的patch数量。
GEE深度学习——使用卷积神经网络（Convolutional Neural Network，CNN）进行土地分类（PyTorch模式）
此星光明博客
05-25 1212
""" 训练变量"""# 云存储桶中包含训练和测试数据集。# 训练参数""" 模型部署变量"""# 训练模型的输出桶。替换为可写的输出桶！# 模型部署的元数据现在，我们需要为模型指定一个处理程序。我们可以使用 Torchserve 的默认处理程序，也可以编写自定义处理程序。在这里，我们的模型会返回每个类别的概率，因此我们将编写一个自定义处理程序，在概率上调用 argmax，并将概率最高的类别值返回给地球引擎。
Google Earth Engine（GEE）深度学习入门教程-Python深度学习训练篇
weixin_41099712的博客
05-23 2596
前置条件：​ 数据集本篇文章主要涉及模型的构建、训练以及模型效果的评估。首先自定义遥感常用的评价函数： 定义网络 定义网络模型，以U-net为例： 训练模型 训练并保存日志，日志名称会根据网络名称和当前时间自动生成，保证同一网络多次训练结果不会同名，保存至./logs/文件夹下。同时保存训练过程中验证集上kappa_metrics最高的模型。日志通过tensorboard保存，在Jupyter Lab环境下还需要安装TensorBoard Pro插件：JupyterLab TensorBoard Pro，其
GEE深度学习——地代码作物分类（Vertex AI 机器学习MLPINGTAI ）
此星光明博客
05-25 610
AutoML 能以最小的技术投入创建和训练模型。本示例演示了使用 Vertex AI Python SDK 训练和部署一个 AutoML 表格式模型，然后从 Earth Engine 连接到该模型，对国家农业图像计划 (NAIP) 航空图像中的作物类型进行分类。本教程的主要流程是为了将选好的训练数据，进行GCS的问格式转换，然后进行数据集的创建，作为新格式的训练数据集，使用create()函数进行创建，这里可以进行数据名称和数据源的确定。
Google Earth Engine（GEE）深度学习入门教程- 环境搭建篇
weixin_41099712的博客
01-08 8999
本教程是使用GEE作为数据预处理工具，本地GPU进行模型训练，推理。本教程是使用的GEE JS客户端 。预计分为以下几个章节来撰写：1.环境搭建篇2. GEE导出篇3. GEE预处理篇4. Python数据读入篇5. Python深度学习训练篇6. 官方教程解析篇
GEE提取水体
热门推荐
Soul_taker的博客
09-01 1万+
GEE提取水体 老板需要提取2015-2019年，每年4、7、10月份的水体数据，一个月的卫片需要4张才能盖住研究区，我表示有点儿懵，看了大神的文章（https://blog.youkuaiyun.com/weixin_36396470/article/details/106899589），毅然入坑GEE！！！ 然而，坑入的并不顺利，科学上网、用户申请、环境搭建（到现在还没搭好本地的Python环境）一步一个坎儿，下回整理一下发出来吧，今天主要说水体的提取问题。 1.工作环境 由于时间短、任务急，我直接参考大神的代码，
GEE中的机器学习：如何用GEE构建遥感图像分类模型
[GEE中的机器学习：如何用GEE构建遥感图像分类模型](https://geohackweek.github.io/GoogleEarthEngine/fig/01_What%20is%20Google%20Earth%20Engine_.png) 参考资源链接：[Google Earth Engine中文教程：遥感...
GEE云平台深度解读：大规模地理数据分析的终极武器
![GEE云平台深度解读：大规模地理数据分析的终极武器]...Google Earth Engine（GEE）是一个功能强大的云计算平台，专注于处理地理空间信息
【GEE云平台扩展应用】
[GEE中文学习教程](https://geohackweek.github.io/GoogleEarthEngine/fig/01_datasets.png) 参考资源链接：[Google Earth Engine中文教程：遥感大数据平台入门指南]...
GEE数据集操作深度解析：带你从新手到专业分析者的全流程
本文详细介绍了Google Earth Engine（GEE）平台的入门知识、基础数据集操作、高级分析技术、编程实践以及应用案例研究。首先，入门章节帮助读者快速掌握GEE平台的使用方法；随后，基础数据集操作章节涉及数据集的...
GEE分类回归树逐月提取水体（含去云、去阴影、叠加坡度）
海亲王府
04-28 4169
var geometry=table.geometry(); var terrain = ee.Algorithms.Terrain(ee.Image('CGIAR/SRTM90_V4')).clip(geometry); Map.addLayer(terrain,{bands:['slope'],min:0,max:1},'terrain'); Map.centerObject(table); //-------------------------------去云 ---------------...
Google Earth Engine（GEE）深度学习入门教程-GEE预处理篇-哨兵2时间序列影像
weixin_41099712的博客
05-23 1518
采用时间窗口卷积的方式会导致时间序列两端出现不可避免的误差，为了消除这种影响，本文相应延长了插值时间序列和滤波时间序列的长度，并在滤波后截断多余的序列。综合考虑研究区的影像缺失情况，本文对去云后的时间序列影像进行线性插值，以补全云污染的区域，插值的时间单边窗口为。数据集的在GEE平台导出已经在上篇文章讲过了，本篇文章主要介绍哨兵2时间序列的影像的预处理方法，每个人的预处理方法不同，仅供参考。即缺失像素在分别向前后30天时间窗口中寻找最近高质量的观测值，采用线性插值填补当前的缺失值。研究区阴雨天气较多，
吴恩达深度学习 2.1 二分分类
萌新瑟瑟发抖
03-07 1551
二分分类的目的：训练出一个分类器，以图片的特征向量x作为输入，预测输出结果标签y是1还是0 (x,y)是一个单独的样本 x是nx维的特征向量 y是标签，值为0或1 m是训练集的训练样本个数。 （x^(1),） (x(1))表示样本一的输入和输出。(x(2),y(2))表示样本二，(x(m),y^(m))表示最后一个样本m。这些一起就表示整个训练集。用小写的字母m，来表示训练样本的个数。有时候为了强...
太方便了，在Google Earth Engine上可直接跑的深度学习模型用于不透水面分类
adhuahd的博客
04-01 909
GEE学习室的老师们最近使用GEE训练了深度学习模型用于不透水面分类，可以直接应用于不同年份和不同地区的研究，去除了繁琐的影像下载，大大提高了实用性。以北京市为例，使用Sentinel-2影像数据，然后利用深度学习模型，可以很快就得到不透水面的分类专题图，如下所示：放大结果图看，如下所示，可以发现细节保持的很好。而且，如果对比其他的土地利用分类产品，就会发现使用深度学习得到的结果会好很多。最后，我们给出代码，方便有需要的同学直接调用查看。
基于Google Earth Engine和深度学习的城市建筑提取与土地利用分类（其一）
adhuahd的博客
12-28 1242
GEE学习室是一群由认真学习和使用GEE等遥感大数据平台的高校博士生（含在读和已毕业）组建的团队，致力于GEE等大数据原创和优质算法开发，希冀通过团队的努力为遥感大数据智能处理普及和广大学子科研之路提供。，比如能够清晰地看清道路等细长等信息，这一结果是CLCD等使用RF等传统模型所不具备的，而且整个过程在GEE中完全实现，去掉了繁琐的影像下载。如果是早些年，作为第一批吃螃蟹的人，使用这些简单的分类器是可以做研究的，例如，假如你是武汉大学的土地利用分类方向的研究生，则可以备注“
GEE案例——利用谷歌地球引擎的深度学习方法绘制哨兵 1 号地表水地图
此星光明博客
04-16 625
卫星遥感在测绘地表水的位置和范围方面发挥着重要作用。绘制地表水地图有多种方法，但深度学习方法并不常见，因为它们 "数据饥渴"，需要大量计算资源。不过，随着各种卫星传感器的出现和云计算的快速发展，遥感科学界正在采用现代深度学习方法。基于云计算的谷歌人工智能平台和谷歌地球引擎的新整合使用户能够大规模部署计算。在本文中，我们研究了两种自动数据标注方法：1. 联合研究中心（JRC）地表水地图；2. Edge-Otsu 动态阈值方法。
GEE代码实例教程详解：湖泊水位变化监测
最新发布
TwcatL_tree
07-08 926
本篇博客将介绍如何使用Google Earth Engine (GEE) 对湖泊水位变化进行监测。通过MODIS数据集，我们可以识别2001年和2023年的湖泊范围，并计算湖泊的高程变化。创建一个多边形区域roi，用于限定分析的地理范围，并设置地图中心。
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值