weixin_41099712的博客

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

num_rows 和 num_cols代表区块内patch的行列数，可以从GEE导出的json格式文件中获取，num_rows和num_cols不一致是因为GEE导出坐标系为默认EPSG：4326（地理坐标系），作者后来更改为EPSG：32650（投影坐标系），num_rows和num_cols就相同了（区块为矩形）。然后，将旋转的图像乘以 0.9 和 1.1 之间的随机值（波段间相同，时相间不同），以增加样本数据时间序列曲线的波动。编写训练集和验证机的加载函数，根据自己的需求加载指定路径的数据包。

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，

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。

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中为避免导出时的内存溢出错误，将研究区划分为多个区块，单次处理一个小区块，处理多次