Vairāk

Meklējam izlases meža apmācības piemēru, lai novērtētu telpisko izplatību

Meklējam izlases meža apmācības piemēru, lai novērtētu telpisko izplatību


Vai kāds varētu norādīt uz izlases meža apmācību telpiskā nejaušā mainīgā prognozēšanai? Vai arī vienkārša datu kopa, kuru mēģināt izmantot.

Lēmumu kokiem un nejaušiem mežiem es šeit, šeit un šeit atradu dažas ļoti labas apmācības no Trevor Stephens, Kaggle un Datacamp. Bet es gribētu apskatīt telpisku piemēru - esmu saskāries ar daudz literatūras par šo tēmu, bet nekas nav tik skaidrs kā iepriekš minētās saites. Tuvākais, iespējams, būtu Džefrija Evana kods, taču šķiet, ka tas ir nepabeigts.


Šeit ir piemērs, izmantojot R un Kenedija kosmosa centra hiperspektrālo AVIRIS attēlu, kas paredzēts telpisko klasifikāciju pārbaudei.

## nepieciešamajām telpisko datu pakotnēm nejaušai meža analīzei ir nepieciešams (rastrs) nepieciešama (rgdal) install.packages ("randomForest") nepieciešama (randomForest) ## lejupielādējiet aviris datu lejupielādes failu ("http: //www.csr.utexas .edu/hyperspectral/data/KSC/KSC_data.bin "," KSC_data.bin ") download.file (" http://www.csr.utexas.edu/hyperspectral/data/KSC/KSC_data.bin.hdr ", "KSC_data.bin.hdr") ## lejupielādēt zemes patiesības datu lejupielādes failu ("http://www.csr.utexas.edu/hyperspectral/data/KSC/KSC_classes.bin", "KSC_classes.bin") lejupielādēt .file ("http://www.csr.utexas.edu/hyperspectral/data/KSC/KSC_classes.bin.hdr", "KSC_classes.bin.hdr") bild <- kaudze ("KSC_data.bin") #create rastra kaudze ## diagramma, lai redzētu, ar ko strādājat plotRGB (bild, 25, 15, 5, stretch = "lin") #patiesas krāsas salikts gabalsRGB (bild, 40, 25, 15, stretch = "lin") #NIR /R/G-nepatiesu krāsu salikto klašu <- kaudze ("KSC_classes.bin") #importēt patiesības datus gt <- rasterToPolygons (klases) gt.class <- kā.faktors (t ([email protected])) #read klases etiķetes gt.ref <- izvilkums (bild, gt) #lasiet atstarošanas vērtības no attēla ## izlases meža klasifikācija rfmod <- randomForest (gt.ref, gt.class) #izveidot RF modeļa karti <- paredzēt (bild, rfmod) #paredzēt klases ar rf modelis cl <- colorRampPalette (krāsas () [c (81, 152, 142, 493, 24, 652, 620, 254, 102, 624, 417, 498, 26)]) #viena krāsa vienā grafikā (karte, kol. = cl (13), leģenda = F) #plotējiet klasifikācijas rezultātu writeRaster (karte, "KSC_RandomForest.tif", format = "GTiff") #klasificētā attēla eksports

Avots: Šis piemērs ir pielāgots Hannes Feilhauer lekcijai, un to var atrast arī FAU GISwiki (vācu valodā).


Skatīties video: Notiek otrā zemessargu pamatapmācības nometne