リモートセンシング画像分類（教師付き分類、教師なし分類）
1.K手段クラスター分析（教師なし分類）
＃教師なし分類 ＃スタック機能ラスタバンド から OSGEO インポートGDAL インポートnumpyのAS NP DEF stack_bands（ファイル名）： バンドスクラップ = [] のためのFn におけるファイル名の： DS = gdal.Open（FN） のための I における範囲（1、DS。 。+ 1 .RasterCount ）： bands.append（ds.GetRasterBand（I）.ReadAsArray（）） 戻りnp.dstack（バンドスクラップ） ＃のK平均クラスタリング分析スペクトル インポートOS インポートnumpyのAS NP インポートスペクトル からOSGEO インポートGDAL インポートospybook AS鉛 フォルダ = R＆LT ' E：\ Desktopのファイルパス\ GDAL \ osgeopy-DATA \ osgeopy-DATA \ランドサット\ユタ' raster_fn = [ ' LE70380322000181EDC02_60m.tif '、' LE70380322000181EDC02_TIR_60m.tif ' ] out_fn = ' kmeans_prediction_60m2.tif ' os.chdir（フォルダ） データ = pb.stack_bands（raster_fn） ＃のデータスタックの クラス、センター= spectral.kmeans（データ）＃の実行モデル ＃デフォルトのクラスタ10、20回の反復 DS = gdal.Open（ raster_fn [0]） ＃以下投影取得するアフィン変換 out_ds = pb.make_raster（DS、out_fn、クラス、gdal.GDT_Byte） レベル = pb.compute_overview_levels（out_ds.GetRasterBandを（1 ）） out_ds.BuildOverviews（' NEAREST ' 、レベル） out_ds。 flushCacheに（） out_ds.GetRasterBand（ 1 ）.ComputeStatistics（偽） デル out_ds、DS
2.Sklearn実施CART決定木分類（教師付き分類）
＃使用CARTマップの分類（教師付き分類） のインポートCSV インポートのOS インポートnumpyのAS NP から sklearn インポートツリー から OSGEO インポートGDAL インポートPB AS ospybook フォルダ = R " E：\デスクトップファイルパス\ GDAL \ osgeopyデータ\ osgeopy -data \ランドサット\ユタ' raster_fn = [ ' LE70380322000181EDC02_60m.tif ' ' LE70380322000181EDC02_TIR_60m.tif ' ] ＃リモートセンシング画像バンドストレージ out_fn = R＆LT ' tree_prediction60.tif ' train_fnR＆LT = ' E：\ Desktopのファイルパス\ GDAL \ osgeopy-DATA \ osgeopy-DATA \ユタ\ training_data.csv ' ＃のCSVファイル、および座標データ gap_fn R＆LT = ' E：\ Desktopのファイルパス\ GDAL \ osgeopy-データ\ osgeopyデータ\ユタ\ landcover60.tif ' ＃のカラーテーブルデータ os.chdir（フォルダ） XYS = [] クラス = [] を開くと（train_fn）AS FP： リーダー = csv.reader（FP） ＃は、オブジェクトのリーダーを返します、行を 次に（リーダ）＃は、最初の行読み取り 用の行にリーダー：＃トラバースCSV各ライン xys.append（[フロート（N-）のための N- で行[2]]） ＃のフロント二つの座標の classes.append（INT（行[2]）） ＃3番目の列のカテゴリである DS = gdal.Open（raster_fn [0]） pixel_trans = gdal.Transformer（DS、なし、[]） ＃1 セットなし、画像座標に投影座標に変換する（すなわち、ピクセルオフセット） オフセット、pixel_trans.TransformPoints OK =（真、XYS） ＃はピクセルシフト算出 COLSを、行、Z = ZIP（ *オフセット） ＃は、値の読み取りのための列番号とZ、バンド計算 [INT（COL）COLSを= ため COL に COLS] ＃は整数ランク [INT（行）=行のための行に行] データ = pb.stack_bands（raster_fn ） ＃二つのバンドの積層アレイ サンプル = DATA [行、colsの,:] ＃サンプリングはサンプル点の画素値を読み出す（バンドリストがランクに対応する全ての読み出し値を選択） 印刷（np.shape（サンプル）） ＃のCOLS行*行（578,4）バンドの数として CLF = tree.DecisionTreeClassifier（MAX_DEPTH = 5）＃1 モデル、ツリーの深さ5 CLF = clf.fit（サンプルクラス）＃フィットモデルCLFの ＃メモリがない十分に大きい、ラインによってリード線である場合取る ＃予測を= np.empty（data.shape [0：2]）*行＃0アレイ全体カラム ＃1 印刷（np.shape（予測））、＃（3631、3996）は、元のデータのランク数 ＃範囲におけるIため（ data.shape [0]）： ＃1 予測[I ,:] = clf.predict（データ[I、：、：]）＃元のデータがモデルに当てはめ、行ずつ読み出す 行を、COLS、バンドスクラップ = data.shape data2dNp.reshape =（データ、（行×COLS、バンドスクラップ）） ＃RESHAPEバンドアレイ、拡張する帯域の数に応じ。列の数は、バンドの数であり、ドットが行数、各行対応する画素点の値である 予測= clf.predict（data2d） 予測 = np.reshape（予測、（行、COLS）） ＃元にRESHAPEバック 予測[NPは。 SUM（データ、 2）== 0] = 0 ＃元のデータポイントと0にバンドの全ての場合和、軸= 2、それのNoDataであるべきである predict_ds = pb.make_raster（DS、out_fn、予測、gdal.GDT_Byte 、0） predict_ds.FlushCache（） ＃のフラッシュキャッシュ レベル= pb.compute_overview_levels（predict_ds.GetRasterBand（1）） ＃のような2 \ 4 \ 8 \ 16として出力適切なレベル（）、概要作成 プリント（レベル） predict_ds.BuildOverviews （' NEAREST '、レベル） gap_ds = gdal.Open（gap_fn） 色 = gap_ds.GetRasterBand（1）.GetRasterColorTable（） ＃は、図のサンプルカラーテーブル読み取る predict_ds.GetRasterBand（1）.SetRasterColorTable（色）＃カラーテーブルを設定 デル DSを
3.カッパ係数、混同行列の計算
＃混同行列係数およびκ統計 ＃は、予測画像の値にサンプル点を抽出し、係数カッパ一緒に混同行列の実際のサンプル値算出 インポートCSV インポートOS インポートnumpyのAS NP から sklearn インポートメトリック＃計算混同行列 インポート skll ＃の計算をカッパ係数、より小さいカッパ係数、分類劣る から OSGEO インポートGDAL フォルダ = '' accuracy_fn = R＆LT '' ＃のCSVファイル、サンプル点分類 matrix_fn R＆LT = '' ＃のストア混同行列 prediction_fn R＆LT = '' ＃の予測結果 OS .chdir（'' ） XYS = [] ＃は、点格納された投影座標 クラス= [] ：オープン（accuracy_fn）とFPとの リーダー = csv.reader（FP） 次に（リーダー） のための行におけるリーダー： xys.append（[フロート（N-）のためのN- 行[2 ]]） classes.append（INT（行[ 2 ]）） DS = gdal.Open（prediction_fn） ＃は、予測図開く pixel_trans = gdal.Transformer（DS、なし、[]） ＃は、投影座標を定義します画像変換器座標、抽出した画像座標 Qoffsets、OK = pixel_trans.TransformPoints（真、XYS） COLS、行、Z = ZIP（* Qoffsets） データ = ds.GetRasterBand（1 ）.ReadAsArray（） サンプル = DATA [行、colsの] ＃は、分類結果にサンプル点が図予想読み取る デルDSの 印刷（' ：カッパ'、skll.kappa（クラス、サンプル）） ＃のクラス、サンプル（サンプル値、予測値）は、係数カッパ計算するために使用される ラベル = np.unique（np.concatenate（（クラス、サンプル））） ＃のクラス\サンプルラインに加え、ユニークなすべてのカテゴリをスクリーニングは、表示されランクとして マトリックス= metrics.confusion_matrix（クラス、試料、標識）＃の計算混同行列 マトリックス = np.insert（行列、0、ラベル、0） ＃最初の行ラベルに挿入し、行座標として マトリックス= np.insert（行列を、 0、np.insert（ラベル、0、 0）、1）＃まず、出発点0に挿入され、次いでカラム座標としてラベルの最初の列に挿入 （matrix_fn、マトリックス、FMT = np.savetxt 「1.0F％」、区切り文字= 「」）