Картирование землепользования и растительного покрова с помощью одномерной сверточной нейронной с...

Описание: В этом руководстве вы узнаете, как создать карту землепользования и растительного покрова (LULC) с помощью одномерной сверточной нейронной сети (CNN), основанной на спутниковых снимках Sentinel-2 и Google Earth Engine (GEE).

Мы начнем с подготовки набора данных временных рядов Sentinel-2 в Google Earth Engine, его экспорта для машинного обучения, а затем обучим одномерную модель CNN на Python для эффективной классификации типов землепользования. Этот рабочий процесс особенно полезен для классификации данных дистанционного зондирования на основе временных рядов, где спектральные закономерности во времени имеют большее значение, чем пространственная текстура.

🔍 Что вы узнаете:
Предварительная обработка данных Sentinel-2 в Google Earth Engine
Создание готовых к машинному обучению наборов данных из GEE
Понимание того, почему одномерная сверточная нейронная сеть (1D CNN) хорошо работает для дистанционного зондирования временных рядов
Обучение и оценка модели классификации землепользования и растительного покрова (LULC) на Python
Создание итоговой карты LULC на основе данных Sentinel-2

📌 Код и ресурсы для урока:
Подготовка набора данных GEE:
https://github.com/iamtekson/earth-ob...
Классификация LULC с помощью 1D CNN Блокнот:
https://github.com/iamtekson/earth-ob...

Если вы работаете над ИИ для наблюдения за Землей, классификацией данных дистанционного зондирования или глубоким обучением со спутниковыми данными, этот урок предоставит вам практический, комплексный рабочий процесс.

👉 Не забудьте поставить лайк, подписаться и поделиться, если это вам полезно!

📺 Больше уроков по геопространственным данным:    / @geodev  

Код урока: https://github.com/iamtekson/earth-ob...

Присоединяйтесь к этому каналу, чтобы получить доступ к бонусам:
   / @geodev  

Временные метки:
0:00 Вступление
1:08 Входной набор данных
1:37 Подготовка обучающего/тестового набора данных
10:03 Обучение модели 1D CNN
23:42 Прогнозирование и оценка точности
30:12 Визуализация результатов в QGIS

#1dcnn #lulc #googleearthengine
--------------------------------------------------------------------------------------------------------------
Ознакомьтесь с моими курсами со скидкой по следующей ссылке:
--------------------------------------------------------------------------------------------------------------
1. «Анализ геопространственных данных с помощью Python»: https://www.udemy.com/course/geospati...
2. «Разработка веб-ГИС 2021»: https://www.udemy.com/course/web-gis-...
3. «Веб-картография и веб-ГИС от разработки до развертывания 2021: GeoDjango» https://www.udemy.com/course/web-mapp...
4. «Введение в веб-картографирование и веб-ГИС 2020: GeoDjango»: https://www.udemy.com/course/introduc...
5. Применение глубокого обучения для наблюдения за Землей: https://www.udemy.com/course/deep-lea...
6. Геопространственный анализ данных с помощью Python: https://www.udemy.com/course/geospati...

---------------------------------------------------------------------------------------------------
Подписывайтесь на меня в GitHub: https://github.com/iamtekson
Подписывайтесь на меня в Twitter:   / iamtekson  
Подписывайтесь на меня в Instagram:   / iamtekson  
Присоединяйтесь к группе в Facebook:   / 1049524025731229  
-----------------------------------------------------------------------------------------------------