Application du modèle ML sur nouvelles zones
Classification par blocs | Cartes de probabilité | Export thématique
Cet algorithme applique un modèle de machine learning entraîné à de nouvelles images satellites pour produire une carte de classification des cultures. Il gère efficacement les grandes images par traitement par blocs et génère des cartes de probabilité pour évaluer la confiance des prédictions.
Gestion mémoire optimisée pour les grandes images satellitaires
Génération de cartes de confiance pour chaque prédiction
Création automatique de visualisations professionnelles
Ajout automatique des couches au projet courant
Image contenant les bandes spectrales pour la classification
Format : GeoTIFF ou autre format raster supporté
Important : Mêmes bandes que lors de l'entraînement
Fichier du modèle machine learning préalablement entraîné
Format : .pkl (Pickle)
Généré par : Algorithme d'entraînement ML
Fichier de normalisation utilisé lors de l'entraînement
Format : .pkl (Pickle)
Important : Doit correspondre au modèle
Fichier d'encodage des labels utilisé lors de l'entraînement
Format : .pkl (Pickle)
Important : Doit correspondre au modèle
Option pour créer une visualisation cartographique
Options : Oui/Non
Défaut : Oui
Désactiver pour un traitement plus rapide
Raster avec les classes de cultures prédites
Format : GeoTIFF
Valeurs : Codes numériques correspondant aux classes
Raster avec les probabilités de prédiction (optionnel)
Format : GeoTIFF
Valeurs : Probabilités entre 0 et 1
Visualisation cartographique des résultats (optionnel)
Format : PNG ou PDF
Contenu : Carte avec légende et classes colorées
Lecture du modèle, scaler et label encoder
Application du scaler et préparation des données
Application du modèle par blocs pour gestion mémoire
Création des rasters de classification et probabilités
Génération de la visualisation cartographique
Ajout automatique des couches au projet
Problème : Images avec bandes différentes de l'entraînement
Solution : Utiliser les mêmes bandes et même ordre
Problème : Résolution différente de l'entraînement
Solution : Rééchantillonner à la même résolution
Problème : Conditions phénologiques différentes
Solution : Utiliser des images de la même période
Problème : Images trop grandes pour la mémoire
Solution : Découper l'image en plus petites parties
Always validate classification results with ground truth data
Use probability maps to identify uncertain predictions
Refine your model with additional training data if needed
For large areas, process by tiles and mosaic results