GEE土地分类——Property ‘B1‘ of feature ‘LE07_066018_20220603‘ is missing.错误

news2024/11/18 1:22:06

简介：

我正在尝试使用我在研究区域中选择的训练点对图像集合中的每个图像进行分类。就背景而言，我正在进行的项目正在研究陆地卫星生命周期内冰川面积的变化以及随后的植被变化。这意味着自 1984 年以来，我正在处理大量图像，每年一到两张。因此，我真的很希望拥有可以映射集合的函数，而不必手动执行此操作。 
当我将分类器映射到 imageCollection 或采样图像后创建的 featureCollection 时，我在这篇文章的主题行中收到错误。 
这是一个简化的代码来向您展示我的问题： 
https://code.earthengine.google.com/0a7f4a322e18e8cb666acfef63b00d14

错误：

model

FeatureCollection (Error)

Property 'B1' of feature 'LE07_066018_20220603' is missing.

classifiedImages

ImageCollection (Error)

Property 'B1' of feature 'LE07_066018_20220603' is missing.

原始代码：

var wtrshd = ee.FeatureCollection("users/masonbull/nj_wtrshd_ocean"),
    classes = ee.FeatureCollection("projects/ee-masonbull/assets/allClasses");

//identify my classes for classification
var classes = ee.FeatureCollection('projects/ee-masonbull/assets/allClasses');
var wtrshd = ee.FeatureCollection('users/masonbull/nj_wtrshd_ocean');
//set start and end date to get imagery
var date_i = '1999-03-01'; // set initial date (YYYY-MM-DD)
var date_f = '2023-06-30'; // Set final date (YYY-MM-DD)

//grab landsat 7 data
var l7 = ee.ImageCollection("LANDSAT/LE07/C02/T1_RT")
  .filterDate(date_i, date_f)
  .filter(ee.Filter.calendarRange(5, 10, 'month'))
  .filterBounds(ee.Geometry.Point(-148.8904089876178,60.362297433254604))
  .select('B1', 'B2', 'B3', 'B4', 'B5', 'B7', 'B8')
  .filter(ee.Filter.lte('CLOUD_COVER_LAND', 25));

//create a function to clip all of the imagery to the watershed boundaries
var clipping = function(image) {
  return image.clip(wtrshd);
};

var l7_clip = l7.map(clipping);
print(l7_clip);

//define bands and a label for the sampling
var l7Bands = ['B1', 'B2', 'B3', 'B4', 'B5', 'B7', 'B8'];

var label = 'Class';

//create a funciton to sample each image in the imageCollection
var sampleCollectionFunc = function(image){
  var sampler =  image.sampleRegions({
  'collection': classes,
  'properties': [label],
  'scale': 30,
  'geometries': true
});
return sampler;
};

var sampleCollection = l7_clip.map(sampleCollectionFunc);
print('sampleCollection', sampleCollection);

//add random column to sampled images (now featureCollections)
var addRandomFunc = function(FeatureCollection){
  var random = ee.FeatureCollection(FeatureCollection).randomColumn({'seed': 0, 'distribution': 'uniform'});
  return ee.FeatureCollection(random).set('band_order', ['B1', 'B2', 'B3', 'B4', 'B5', 'B7', 'B8', 'NDSI', 'elevation']);
};


var randomCollection = sampleCollection.map(addRandomFunc);

//create training data from random column
var createTraining = function(in_FeatureCollection){
  var filter = ee.FeatureCollection(in_FeatureCollection).filter(ee.Filter.lt('random', 0.8));
  return filter;
};
var training = randomCollection.map(createTraining);

//train the classifier, in this case an SVM
var classifierSVM = ee.Classifier.libsvm({'decisionProcedure': 'Voting',
 'svmType': 'C_SVC', 
 'kernelType': 'RBF', 
 'shrinking': true,
 'gamma': 0.00125,
 'cost': null}).train({
 'features': training,
 'classProperty': label,
 'inputProperties': l7Bands,
 'subsamplingSeed':0
 });
 
//create a function to map over the feature and imageCollections to classify them 
var classSamp = function(FeatureCollection){
  return ee.FeatureCollection(FeatureCollection).classify(classifierSVM, 'predicted');
};
var model = ee.FeatureCollection(sampleCollection).map(classSamp);
print('model', model);


var imageClassifier = function(image){
  return image.classify(classifierSVM, 'predicted');
};
var classVisParams = {min: 0, max: 5, 'palette': ['062EF5', 'E8EAF5', 'E5330C', '0E5B07', '938507', '00EF12']};


var classifiedImages = l7_clip.map(imageClassifier);
print('classifiedImages', classifiedImages);

解决方案：

这里主要的问题在于我们给svm分类器的训练数据传参的时候出现了一个问题，也就是，训练数据需要的是一个矢量集合，而这里我们可以看到经过下面代码处理后的并不是一个矢量集合，而是集合中嵌套的集合

var training = randomCollection.map(createTraining)

这里我们使用flatten（）函数来减少一个嵌套就可以分析了

函数：

train(features, classProperty, inputProperties, subsampling, subsamplingSeed)

Trains the classifier on a collection of features, using the specified numeric properties of each feature as training data. The geometry of the features is ignored.

Arguments:

this:classifier (Classifier):

An input classifier.

features (FeatureCollection):

The collection to train on.

classProperty (String):

The name of the property containing the class value. Each feature must have this property, and its value must be numeric.

inputProperties (List, default: null):

The list of property names to include as training data. Each feature must have all these properties, and their values must be numeric. This argument is optional if the input collection contains a 'band_order' property, (as produced by Image.sample).

subsampling (Float, default: 1):

An optional subsampling factor, within (0, 1].

subsamplingSeed (Integer, default: 0):

A randomization seed to use for subsampling.

Returns: Classifier

flatten()

Flattens collections of collections.

Arguments:

this:collection (FeatureCollection):

The input collection of collections.

Returns: FeatureCollection

修改后的代码：

var wtrshd = ee.FeatureCollection("users/masonbull/nj_wtrshd_ocean"),
    classes = ee.FeatureCollection("projects/ee-masonbull/assets/allClasses");
//identify my classes for classification
var classes = ee.FeatureCollection('projects/ee-masonbull/assets/allClasses');
var wtrshd = ee.FeatureCollection('users/masonbull/nj_wtrshd_ocean');
//set start and end date to get imagery
var date_i = '1999-03-01'; // set initial date (YYYY-MM-DD)
var date_f = '2023-06-30'; // Set final date (YYY-MM-DD)

//grab landsat 7 data
var l7 = ee.ImageCollection("LANDSAT/LE07/C02/T1_RT")
  .filterDate(date_i, date_f)
  .filter(ee.Filter.calendarRange(5, 10, 'month'))
  .filterBounds(ee.Geometry.Point(-148.8904089876178,60.362297433254604))
  .select('B1', 'B2', 'B3', 'B4', 'B5', 'B7', 'B8')
  .filter(ee.Filter.lte('CLOUD_COVER_LAND', 25));

//create a function to clip all of the imagery to the watershed boundaries
var clipping = function(image) {
  return image.clip(wtrshd);
};

var l7_clip = l7.map(clipping);
print(l7_clip);

//define bands and a label for the sampling
var l7Bands = ['B1', 'B2', 'B3', 'B4', 'B5', 'B7', 'B8'];

var label = 'Class';

//create a funciton to sample each image in the imageCollection
var sampleCollectionFunc = function(image){
  var sampler =  image.sampleRegions({
  'collection': classes,
  'properties': [label],
  'scale': 30,
  'geometries': true
});
return sampler;
};

var sampleCollection = l7_clip.map(sampleCollectionFunc);
print('sampleCollection', sampleCollection);

//add random column to sampled images (now featureCollections)
var addRandomFunc = function(FeatureCollection){
  var random = ee.FeatureCollection(FeatureCollection).randomColumn({'seed': 0, 'distribution': 'uniform'});
  return ee.FeatureCollection(random).set('band_order', ['B1', 'B2', 'B3', 'B4', 'B5', 'B7', 'B8', 'NDSI', 'elevation']);
};


var randomCollection = sampleCollection.map(addRandomFunc);

//create training data from random column
var createTraining = function(in_FeatureCollection){
  var filter = ee.FeatureCollection(in_FeatureCollection).filter(ee.Filter.lt('random', 0.8));
  return filter;
};
var training = randomCollection.map(createTraining).flatten();

//train the classifier, in this case an SVM
var classifierSVM = ee.Classifier.libsvm({'decisionProcedure': 'Voting',
 'svmType': 'C_SVC', 
 'kernelType': 'RBF', 
 'shrinking': true,
 'gamma': 0.00125,
 'cost': null}).train({
 'features': training,
 'classProperty': label,
 'inputProperties': l7Bands,
 'subsamplingSeed':0
 });
 
//create a function to map over the feature and imageCollections to classify them 
var classSamp = function(FeatureCollection){
  return ee.FeatureCollection(FeatureCollection).classify(classifierSVM, 'predicted');
};
var model = ee.FeatureCollection(sampleCollection).map(classSamp);
print('model', model.first());


var imageClassifier = function(image){
  return image.classify(classifierSVM, 'predicted');
};
var classVisParams = {min: 0, max: 5, 'palette': ['062EF5', 'E8EAF5', 'E5330C', '0E5B07', '938507', '00EF12']};


var classifiedImages = l7_clip.map(imageClassifier);
print('classifiedImages', classifiedImages.first());

额外问题

除了上面的问题外，还会出现超限的问题：

model

FeatureCollection (Error)

User memory limit exceeded.

classifiedImages

ImageCollection (Error)

User memory limit exceeded.

 出现上面问题的时候我们就不要在云端通过打印的方式来进行了，直接可以通过导出数据的方式来实现影像分类后的结果。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/1063058.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

C语言qsort函数

C语言qsort函数

排序qsort int int cmp(const void *a, const void *b) {return *(int *)a - *(int *)b;//先强转成int型，后解引用取值比较大小 }字符串数组 char a[] “hello world” //字符串数组，存放的是字符 int cmp(const void *a, const void *b) {return *(…
阅读更多...
【linux进程(二)】如何创建子进程?--fork函数深度剖析

【linux进程(二)】如何创建子进程?--fork函数深度剖析

💓博主CSDN主页:杭电码农-NEO💓   ⏩专栏分类:Linux从入门到精通⏪   🚚代码仓库:NEO的学习日记🚚   🌹关注我🫵带你学更多操作系统知识   🔝🔝 进程状态管理 1. 前言2. 查看…
阅读更多...
Nacos单机配置集群配置

Nacos单机配置集群配置

大家好我是苏麟今天带来Nacos单机配置和集群配置 Nacos报错 理论上启动nacos，只需要双击startup.cmd文件（win下），就可以直接启动，但是从GitHub上下载当前最新版Nocas(下载地址)，下载后进入bin目录双击sta…
阅读更多...
生成Release版本的.pdb文件

生成Release版本的.pdb文件

软件分为Debug版本、Release版本这2种版本，其中Debug版本是带有.pdb调试信息文件，而Release版本不带.pdb调试信息文件。软件发布时，一般采用Release版本，若因内存泄漏、数组访问越界、除零错误、磁盘读写错误等异常，造…
阅读更多...
PLL锁相环倍频原理

PLL锁相环倍频原理

晶振8MHz，但是处理器输入可以达到72MHz，是因为PLL锁相环提供了72MHz。 锁相环由PD（鉴相器）、LP（滤波器）、VCO（压控振荡器）组成。 处理器获得的72MHz并非晶振提供，而是锁…
阅读更多...
中国1km分辨率月最低温和最高温度数据集（1901-2020）

中国1km分辨率月最低温和最高温度数据集（1901-2020）

简介： 中国1km分辨率月最低温度数据集（1901-2020）是根据CRU发布的全球0.5气候数据集以及WorldClim发布的全球高分辨率气候数据集，通过Delta空间降尺度方案在中国地区降尺度生成的。使用了496个独立气象观测点数据进行验证&#x…
阅读更多...
纪念在CSDN的2048天

纪念在CSDN的2048天

时间真快～
阅读更多...
深度学习基础 2D卷积（1）

深度学习基础 2D卷积（1）

什么是2D卷积 2D参数量怎么计算 以pytorch为例子，2D卷积在设置的时候具有以下参数，具有输入通道的多少（这个决定了卷积核的通道数量），滤波器数量，这个是有多少个滤波器，越多提取的特征就越有用…
阅读更多...
如何使用 LeiaPix 让照片动起来

如何使用 LeiaPix 让照片动起来

在过去，想要让照片动起来，需要使用专业的软件和技巧。但是，随着科技的发展，现在只需使用一个简单的工具，就可以轻松地让照片动起来。 LeiaPix 是一个免费的在线工具，可以将静态照片转换为动画。该工具使用…
阅读更多...
六、【常用工具组】

六、【常用工具组】

文章目录 移动工具组移动工具画板工具： 路径选择工具组抓手工具组 移动工具组 移动工具 在不同图层中选择时，先点击对应图层，然后按住control键，再使用鼠标拖拽即可移动图层 按CtrlT选中图层，然后右键即可进行置入、…
阅读更多...
好工具分享：阿里云价格计算器_一键计算精准报价

好工具分享：阿里云价格计算器_一键计算精准报价

阿里云服务器价格计算器，鼠标选择云服务器ECS实例规格、地域、系统盘、带宽及购买时长即可一键计算出精准报价，阿里云服务器网分享阿里云服务器价格计算器链接地址： 阿里云服务器价格计算器 先打开阿里云服务器ECS页面 aliyunfuwuqi.com/go…
阅读更多...
阿里云服务器IP地址查询方法（公网IP和私网IP）

阿里云服务器IP地址查询方法（公网IP和私网IP）

阿里云服务器IP地址在哪查看？在云服务器ECS管理控制台即可查看，阿里云服务器IP地址包括公网IP和私有IP地址，阿里云百科分享阿里云服务器IP地址查询方法： 目录 阿里云服务器IP地址查询 阿里云服务器IP地址查询 1、登录到阿里云服…
阅读更多...
常见的软件脱壳思路

常见的软件脱壳思路

单步跟踪法 1.本方法采用OD载入。 2.跟踪F8，实现向下的跳。 3.遇到程序回跳按F4。 4.绿色线条表示跳转没实现，不用理会，红色线条表示跳转已经实现！ 5.刚载入程序有一个CALL的，我们就F7跟进去，不然程序很容…
阅读更多...
【C++】一文带你走入vector

【C++】一文带你走入vector

文章目录 一、vector的介绍二、vector的常用接口说明2.1 vector的使用2.2 vector iterator的使用2.3 vector空间增长问题2.4 vector 增删查改 三、总结 ヾ(๑╹◡╹)ﾉ" 人总要为过去的懒惰而付出代价ヾ(๑╹◡╹)ﾉ" 一、vector的介绍 vector…
阅读更多...
selenium自动化测试环境安装教程

selenium自动化测试环境安装教程

0X00前言： Selenium是一个广泛应用于Web应用程序测试的工具。它提供了一组功能强大的API，用于模拟用户与Web浏览器的交互。以下是对Selenium的简要介绍： 功能：Selenium能够自动化执行各种Web浏览器上的操作，如点击、输…
阅读更多...
qml保姆级教程五:视图组件

qml保姆级教程五:视图组件

💂 个人主页:pp不会算法v 🤟 版权: 本文由【pp不会算法v】原创、在CSDN首发、需要转载请联系博主 💬 如果文章对你有帮助、欢迎关注、点赞、收藏(一键三连)和订阅专栏哦 QML系列教程 QML教程一：布局组件 文章目录 列表视图ListVi…
阅读更多...
API基础————包

API基础————包

什么是包，package实际上就是一个文件夹，便于程序员更好的管理维护自己的代码。它可以使得一个项目结构更加清晰明了。 Java也有20年历史了，这么多年有这么多程序员写了无数行代码，其中有大量重复的，为了更加便捷省时地…
阅读更多...
十天学完基础数据结构-第九天（堆（Heap））

十天学完基础数据结构-第九天（堆（Heap））

堆的基本概念 堆是一种特殊的树形数据结构，通常用于实现优先级队列。堆具有以下两个主要特点： 父节点的值始终大于或等于其子节点的值（最大堆），或者父节点的值始终小于或等于其子节点的值（最小堆&#xff…
阅读更多...
【2023年11月第四版教材】第18章《项目绩效域》(合集篇)

【2023年11月第四版教材】第18章《项目绩效域》(合集篇)

第18章《项目绩效域》（合集篇） 1 章节内容2 干系人绩效域2.1 绩效要点2.2 执行效果检查2.3 与其他绩效域的相互作用 3 团队绩效域3.1 绩效要点3.2 与其他绩效域的相互作用3.3 执行效果检查3.4 开发方法和生命周期绩效域 4 绩效要点4.1 与其他绩效域的相互…
阅读更多...
深入了解 PostgreSQL：功能、特性和部署

深入了解 PostgreSQL：功能、特性和部署

PostgreSQL，通常简称为Postgres，是一款强大且开源的关系型数据库管理系统（RDBMS），它在数据存储和处理方面提供了广泛的功能和灵活性。本文将详细介绍 PostgreSQL 的功能、特性以及如何部署和使用它。 什么是 PostgreSQ…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023