机器学习和监督分类简介

监督分类可以说是遥感中最重要的经典机器学习技术。应用范围从生成土地利用/土地覆盖地图到变化检测。Google Earth Engine 是独一无二的，适合大规模进行监督分类。地球引擎开发的交互特性允许通过将许多不同的数据集组合到模型中来迭代开发监督分类工作流。该模块涵盖了基本的监督分类工作流程、准确性评估、超参数调整和变化检测。

对于许多应用来说，知道土地覆盖像素代表什么类型很重要。(如：水)
对于一个给定的土地覆盖，我们往往需要知道不同类型的土地利用（即农业与森林）。
我们还需要量化土地利用模式（即一个地区的农业面积有多少）。
为了检测变化，我们需要比较一个像素从A类到B类的变化情况
 

机器学习算法的2大类
无监督的学习
也被称为 "聚类 "算法
自动识别相似像素值的群体并创建集群
K-means聚类，SNIC等。
有监督的学习
算法从一组训练数据中学习
线性回归、随机森林等。

专家系统:确定不同土地覆盖物的光谱特征和特性，并将这些知识编码到一个程序中，以便为每个像素分配一个类别。
对少量的参数起作用,结果更容易解释
监督下的机器学习：根据地面事实或人类的评价，对像素的子集进行标记。程序使用训练数据并 "学习 "模式。可以扩展到大量的参数,需要标记的数据.

监督分类监测图：

文章来源: blog.csdn.net，作者：此星光明2021年博客之星云计算Top3，版权归原作者所有，如需转载，请联系作者。

原文链接：blog.csdn.net/qq_31988139/article/details/120449999