Puedes ir a Python (perspectiva de programación). Unas simples 10-15 líneas pueden darte un buen resultado de clasificación.
Procedimiento paso a paso (Clasificación supervisada):
1: recopile los datos de entrenamiento de su imagen de satélite. Puede tomar la ayuda de multiespec para ver los datos en varias bandas y seleccionar el área de entrenamiento.
- ¿Qué está haciendo Wavii con el aprendizaje automático para redefinir cómo se realiza la búsqueda en la web?
- ¿Cuánto del aprendizaje automático es en realidad solo optimización?
- ¿Es el cerebro humano una gran red neuronal o está formado por muchas redes neuronales más pequeñas?
- ¿Es posible que AI / ML aprenda el patrón subyacente en los siguientes problemas y prediga la respuesta?
- Cómo aplicar en la práctica PCA a la agrupación de trayectorias
2. Convierta los valores de DN a reflectancia y realice la corrección atmosférica (consulte la guía LANDSAT).
3: Crear un clasificador usando el área de entrenamiento. Los algoritmos que puede usar son SVM, vecinos, guasianos, etc. en Python en la biblioteca de scikit puede obtener todos estos algo. Simplemente 1-4 líneas para ejecutarlo. En general, mi experiencia de clasificación dice que normalmente SVM da un buen resultado. Pero siempre puede verificar la precisión de la clasificación haciendo una matriz de confusión y verificar la precisión de los productores y usuarios
3) trazar la imagen clasificada.
Bibliotecas para importar (Python):
de scipy import misc
importar scipy
importar numpy como np
de sklearn.metrics import confusion_matrix
de sklearn.naive_bayes import GaussianNB
de sklearn import svm
de sklearn importan vecinos
importar matplotlib.pyplot como plt
importar matplotlib como mpl
importar os
desde compiler.ast importar TryExcept
de sklearn.metrics import precision_score
de sklearn.metrics import remember_score
importar matplotlib.cm como cm
matemáticas de importación
from scipy.stats import itemfreq
Espero que esto ayude.
