In [1]:
%matplotlib inline
Применяется, в задачах, где нужно:
Сферы применения:
Пример: До вырубки, После вырубки. Дальний Восток, зимняя рубка. Распознать ее можно по более светлому пятну по сравнению с окружающим его участком. Сам участок помимо того, что поменял цвет, стал более "шершавый" на вид.
| Спектральный канал | Длины волн | Разрешение (размер 1 пикселя) |
|---|---|---|
| Канал 1 — Побережья и аэрозоли (Coastal / Aerosol, New Deep Blue) | 0.433 — 0.453 мкм | 30 м |
| Канал 2 — Синий (Blue) | 0.450 — 0.515 мкм | 30 м |
| Канал 3 — Зелёный (Green) | 0.525 — 0.600 мкм | 30 м |
| Канал 4 — Красный (Red) | 0.630 — 0.680 мкм | 30 м |
| Канал 5 — Ближний ИК (Near Infrared, NIR) | 0.845 — 0.885 мкм | 30 м |
| Канал 6 — Ближний ИК (Short Wavelength Infrared, SWIR 2) | 1.560 — 1.660 мкм | 30 м |
| Канал 7 — Ближний ИК (Short Wavelength Infrared, SWIR 3) | 2.100 — 2.300 мкм | 30 м |
| Канал 8 — Панхроматический (Panchromatic, PAN) | 0.500 — 0.680 мкм | 15 м |
| Канал 9 — Перистые облака (Cirrus, SWIR) | 1.360 — 1.390 мкм | 30 м |
| Канал 10 — Дальний ИК (Long Wavelength Infrared, TIR1) | 10.30 — 11.30 мкм | 100 м |
| Канал 11 — Дальний ИК (Long Wavelength Infrared, TIR2) | 11.50 — 12.50 мкм | 100 м |
In [2]:
import numpy as np
import pandas as pd
points = pd.read_csv('rand.txt')
points.tail()
Out[2]:
In [3]:
y = points["class"]
X = points[['r1', 'r2', 'r3', 'r4', 'r5', 'r6', 'r7', 'r8', 'r9', 'r10', 'r11']]
In [4]:
# Разбиваем на обучающее и тестовое множества:
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0)
# Нормируем входные данные:
from sklearn.preprocessing import StandardScaler
sc = StandardScaler()
sc.fit(X_train)
X_train_std = sc.transform(X_train)
X_test_std = sc.transform(X_test)
In [5]:
from sklearn.model_selection import cross_val_score
from sklearn.metrics import confusion_matrix
from sklearn.linear_model import LogisticRegression
# from sklearn.decomposition import PCA
from sklearn.pipeline import Pipeline
from sklearn.model_selection import GridSearchCV
# Подгоняем модель
pipe_lr = Pipeline([
# ('pca', PCA(n_components=10)),
('clf', LogisticRegression(random_state=1))])
param_range = [0.0001, 0.001, 0.01, 0.1, 1.0, 10.0, 100.0, 1000.0]
param_grid = [{'clf__C': param_range, 'clf__penalty': ['l1', 'l2']}]
gs = GridSearchCV(estimator=pipe_lr, param_grid=param_grid,
scoring='accuracy', cv=10)
gs = gs.fit(X, y)
print(gs.best_score_)
print(gs.best_params_)
clf = gs.best_estimator_
clf.fit(X_train, y_train)
print('Test accuracy: %.3f' % clf.score(X_test, y_test))
In [6]:
import matplotlib.pyplot as plt
from statsmodels.graphics.tsaplots import plot_acf
x = np.array(range(72))
y = 10 + 0.5*x + 10*np.sin(x)
plt.plot(x,y)
plot_acf(y);
NDVI (Normalized Difference Vegetation Index) простой количественный показатель количества фотосинтетически активной биомассы.
Пусть NIR - отражение в ближней инфракрасной области спектра, RED - отражение в красной области спектра, тогда: $$ NDVI = \frac{NIR - RED}{NIR + RED} $$
Примеры значений
| Тип объекта | Значение NDVI |
|---|---|
| Густая растительность | 0.7 |
| Разреженная растительность | 0.5 |
| Открытая почва | 0.025 |
| Облака | 0 |
| "Сырые" ряды | "Низкие частоты" |
|---|---|
| Выборка значений «сырых» рядов NDVI, извлеченных непосредственно из MOD13 для: 1 - залесенных березой болот; 2 - зарастающих березой гарей. | Пример кривых NDVI после удаления высокочастотных компонент для: 1 - залесенных березой болот; 2 - зарастающих березой гарей. |