赞
踩
近几十年来,机器学习模型已经成为GIS界的一种普遍的归纳建模模式。通过栖息地生物多样性建模(HBM),经验性的物种目击与生物气候数据相结合,推断出一个物种的潜在栖息地,并产生潜在的范围图。
本教程将使用的技术是一种被称为随机森林的监督分类形式,该模型通过物种观察进行训练,以生成潜在物种存在的输出地图。随机决策森林是分类树分析(CTA)的延伸,它最常被应用于遥感数据,对土地覆盖进行分类。在一个单一的分类树中,输入数据(像素)根据其与一组预测变量(光谱带)的关系被划分为越来越同质的组(类)。虽然这种方法对异常值很稳健,但它是不稳定的,允许输入的微小变化产生巨大的不同决策树。
作为回应,随机森林分类法应运而生,它使用随机的、但大小相同的数据子集生成多个决策树,由多数投票决定一个像素的最终类别。在本教程中,我们将使用谷歌地球引擎的随机森林算法来输出一个物种的栖息地的硬分类和软分类。GEE的随机森林分类器有许多参数可以修改,包括要创建的决策树的数量、每棵树的输入 "袋 "的部分(选择的随机子集),以及每棵树中的最大引导节点(类)的数量。由于能够在大型的、公开来源的数据集上轻松地调用和运行分类算法,GEE提供了大量的地理处理机会供探索。
本代码中添加了降水和气温数据集还有剩余的B*波段。所使用的机器学习模型为随机森林模型。
s
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。