Clasificación, parte dos
¡Bienvenido al módulo de entrenamiento de conjunto de datos, de nuevo!
Así es, una secuela.
Debido a la demanda popular, hemos decidido extender este módulo, así que hicimos lo que haría cualquier empresa de producción de Hollywood respetable: reducir el presupuesto, acortar el plazo y aumentar la publicidad. ¡Este módulo amplía el análisis de clasificación que se realizó en el Entrenamiento 5! En el ejercicio anterior, creamos un mapa de cobertura terrestre, donde el algoritmo de aprendizaje automático de GEE categorizó la superficie terrestre en clases distintas basadas en vegetación, infraestructura urbana, cuerpos de agua y áreas agrícolas. Esto es increíblemente útil para proporcionar información sobre la distribución espacial de diversos usos del suelo y tipos de cobertura superficial. Sin embargo, a veces las imágenes no son suficientes. A veces solo necesitamos datos duros. Y eso es lo que proporcionará este entrenamiento de bajo presupuesto: nada sofisticado, sin efectos especiales, solo números.
Video no disponible para la secuela de bajo presupuesto.
“I only want to be in sequels. No. 2 of whatever.”
Clasificación avanzada (la secuela)
Bienvenido a nuestro éxito de taquilla: "Cuando los mapas simplemente no son suficientes: El arte de convertir bonitas imágenes en números concretos". Claro, los mapas son geniales. Pero son como el Instagram de la información geográfica, mostrándonos la superficie de la Tierra con todos los filtros de cobertura terrestre, expansión urbana y esas adorables zonas forestales. Pero aquí está el truco: a veces, lucir bonito simplemente no es suficiente.
Este módulo te guiará a través del proceso de convertir esos pintorescos mapas satelitales en kilómetros cuadrados, para que puedas cuantificar el cambio, calcular porcentajes y, lo más importante, lanzar algunas estadísticas impresionantes en el estreno de alfombra roja de tu próxima película: ¡los datos cuantitativos que los formuladores de políticas babean por obtener!
El éxito del Entrenamiento 5 será difícil de seguir, así que mantén tus expectativas bajas. Lo que estamos haciendo en este módulo es algo obligatorio y poco probable que deslumbre, pero hará el trabajo. Así que, en el espíritu de las secuelas directas a video, prepárate para algo que podría no ser innovador, pero es necesario y funcional.
Ejercicio
Añadiremos el siguiente código al ejercicio de entrenamiento del Entrenamiento 5, donde clasificamos la tierra alrededor de Río de Janeiro, Brasil.
var histogram = ui.Chart.image.histogram({
image: classified,
region: classified.geometry(), // Use the whole image
scale: 30, // Scale in meters
maxPixels: 1e8 // Adjust this value if the computation fails due to too many pixels
});
La forma más sencilla en Google Earth Engine de transformar una imagen clasificada en datos cuantitativos utiliza la función histograma. El código anterior utiliza la función ui.Chart.image.histogram para contar el número de píxeles que pertenecen a cada una de tus cuatro categorías, para refrescar la memoria consulta la tabla a continuación. Utiliza la imagen completa (la variable "clasificada") para esto.
Luego pasamos varios parámetros a la función histograma:
imagen: esta es la imagen clasificada
región: clasificada.geometry() indica al ordenador que examine toda el área de tu imagen categorizada
escala: este parámetro amplía a un nivel de detalle específico. (Aquí, es de 30 metros, lo que significa que cada píxel representa un cuadrado de 30 metros por 30 metros en el suelo).
maxPixels: 1e8 es un límite establecido para evitar sobrecargar al ordenador con demasiados datos. Si tu imagen es demasiado grande, es posible que tengas que ajustar este número.
Ahora, en la gran tradición de esas secuelas de películas de terror de segunda categoría que apenas se sostienen con la gloria original, esta sección de código es el equivalente del minimalismo cinematográfico. Lo que estamos creando es un histograma esquelético, sin adornos, principalmente porque Google Earth Engine tiene un método muy rudimentario de generación de gráficos. Así es, prepárate para hacer lo absoluto mínimo, pero de alguna manera aún así entregar algo por lo que el público esté dispuesto a pagar.
// Set histogram options
histogram.setOptions({
title: 'Histogram of Classified Image',
fontSize: 12,
hAxis: {title: 'Class Value'},
vAxis: {title: 'Count'},
});Aquí, en el segundo acto, te presentamos el histograma mínimo viable. Hay limitaciones en la personalización para la función ui.Chart.image.histogram, y eso se debe a cómo están diseñados los componentes de interfaz de usuario de Google Earth Engine para interactuar con datos de imágenes. Están optimizados para manejar y mostrar datos geoespaciales a gran escala en lugar de para la personalización detallada de la estética del gráfico.
Las etiquetas en el eje horizontal (hAxis) representan cada valor de clase, correspondiente a una categoría específica de cobertura terrestre dentro de la imagen. Los valores en el eje vertical (vAxis) representan el recuento, o el número total de píxeles que caen en cada una de las categorías de clase. Estas etiquetas de ejes se realizan por razones prácticas, cualquier otra opción se vuelve demasiado complicada. La biblioteca ui.Chart espera principalmente datos numéricos y no maneja parámetros categóricos directamente en los histogramas.
En esencia, no estamos tratando de ganar ningún premio de visualización de datos aquí. Simplemente estamos en una misión para exportar nuestros datos.
// Print the histogram to the console print(histogram);
Y para el gran final, imprimimos nuestro histograma en la consola.
Pero espera... ¿qué es esto?
¡Los últimos cinco minutos de la película, la gran revelación, la pièce de résistance, el final sorpresa!
Escondido sin pretensiones en la esquina superior derecha de nuestro gráfico de histograma, hay un botón gris. Al hacer clic en este botón se abre el histograma en modo de pantalla completa, y luego aparece una caja mágica en la versión de pantalla completa donde puedes exportar tu histograma a Excel. Y luego en Excel, puedes personalizarlo a tu antojo.
Fin.
Recap
Aquí está lo que aprendimos en este entrenamiento:
Discutimos la importancia de convertir datos visuales del mapa en datos cuantitativos para el análisis.
Introdujimos la idea de usar una función de histograma en Google Earth Engine (GEE) para cuantificar imágenes clasificadas.
Aprendimos a exportar ese histograma a Excel para personalización adicional.