Nous allons apprendre à effectuer une classification de base de l'occupation des terres à l'aide d'échantillons d'entraînement recueillis de l'éditeur de code en utilisant l'imagerie de base à haute résolution fournie par Google Maps. Cette méthode ne nécessite aucune donnée d'entraînement préalable et est très efficace pour générer des échantillons de classification de haute qualité partout dans le monde. L'objectif est de classer chaque pixel source dans l'une des classes suivantes : urbain, nu, eau ou végétation. En utilisant les outils de dessin de l'éditeur de code, créez 4 nouvelles collections de formes avec des points représentant les pixels de chaque classe. Chaque collection d'éléments possède une propriété appelée couverture terrestre avec des valeurs de 0, 1, 2 ou 3 indiquant si la collection d'éléments représente respectivement une zone urbaine, une zone dénudée, de l'eau ou de la végétation. Nous entrainons ensuite un classificateur  Random Forest à l'aide de cette collection de formes d'apprentissage pour construire un modèle et l'appliquer à tous les pixels de l'image pour créer une image à quatre classes .

Fait amusant : les classificateurs de l'API d'Earth Engine ont des noms commençant par smile - tel que ee.Classifier.smileRandomForest(). La partie smile  fait référence à la bibliothèque Java Statistical Machine Intelligence et Learning Engine (SMILE) utilisée par Google Earth Engine pour mettre en œuvre ces algorithmes.

Veuillez regarder cette vidéo:


Vous trouverai le code de cet exercice dans le répositoire sous Module5/Exercise1

Votre tâche:
Appliquez une classification supervisée à votre propre zone d'étude.

Modifié le: lundi 19 juillet 2021, 16:33