Home › Roadmap › GeoAI › Part 2

ML on Satellite Imagery

📘 Random Forest/XGBoost দিয়ে পিক্সেল শ্রেণিবিন্যাস।

🌐 Pixel classification with RF/XGBoost.

🌏 জিওএআই🎚 Beginner📍 Part 2 / 12🧩 3 সাব-টপিক

🌏

ধারণা · Concept

কী এবং কেন

📘 বাংলা ব্যাখ্যা:
Random Forest/XGBoost দিয়ে পিক্সেল শ্রেণিবিন্যাস।

🌐 English:
Pixel classification with RF/XGBoost.

🗂 কোথায় পড়ে

৫. জিওএআই → জিওএআই → ML on Satellite Imagery

🎯 এই শাখার লক্ষ্য

Apply ML/DL to imagery and spatio-temporal data

🧰 টুলস

TorchGeo, segment-geospatial, geoai

🪜

ধাপে ধাপে শিখুন · Step-by-step

কেন শিখবেন → কীভাবে শিখবেন → উদাহরণ → সাধারণ ভুল

💡 কেন গুরুত্বপূর্ণ?

ক্লাসিক্যাল ML দিয়ে দ্রুত ও নির্ভরযোগ্য ভূমি/ফসল মানচিত্র।

ধাপ 1
প্রতিটি পিক্সেল/পলিগন = একটি নমুনা; ফিচার = ব্যান্ড, সূচক, টেক্সচার, সময় সিরিজ পরিসংখ্যান
ধাপ 2
লেবেল: মাঠ জরিপ বা বিশেষজ্ঞ চিহ্নিতকরণ
ধাপ 3
Random Forest/XGBoost প্রশিক্ষণ; feature importance দেখুন
ধাপ 4
পুরো ছবিতে পূর্বাভাস → মানচিত্র; স্বাধীন নমুনায় যাচাই

🧪 বাস্তব উদাহরণ

Sentinel-2-এর বহু-তারিখ NDVI ফিচার দিয়ে আমন/বোরো/পাট ধান আলাদা।

⚠️ সাধারণ ভুল

পাশাপাশি পিক্সেল train ও test-এ—অটোকোরিলেশনে অতিরঞ্জিত নির্ভুলতা।

🔑 মূল শব্দ (Key terms)

pixel classificationfeature stackrandom forestcrop mapping

সাব-টপিক ও বিস্তারিত · Sub-topics

টপিক → সাব-টপিক → সাব-সাব টপিক

2.1 ব্যান্ড ও সূচক ফিচার হিসেবে

2.2 Random Forest/XGBoost প্রশিক্ষণ

2.3 স্পেশিয়াল ক্রস-ভ্যালিডেশন

🎬

ভিডিও · Videos (বাংলা ও English)

ক্লিক করলে সাইটের ভেতরেই ফ্লোটিং প্লেয়ারে চলবে · ভিডিও MySQL-এ সংরক্ষিত

📺 আরও খুঁজুন

🇧🇩 Bangla GeoAI ↗
🌐 Qiusheng Wu ↗Spatial Thoughts ↗

💻

হাতে-কলমে · Try it (GeoAI)

এডিট করে Run চাপুন · Ctrl+Enter

import numpy as np
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import classification_report
# Pixel classification with spectral features (synthetic Sentinel-2 like bands)
rng=np.random.default_rng(7)
def sample(n,mu): return rng.normal(mu,0.03,(n,4))   # blue, green, red, nir
X=np.vstack([sample(300,[.05,.06,.04,.02]),sample(300,[.04,.08,.05,.40]),sample(300,[.12,.13,.15,.20])]); y=np.repeat([0,1,2],300)
ndvi=((X[:,3]-X[:,2])/(X[:,3]+X[:,2]))[:,None]; X=np.hstack([X,ndvi])
idx=rng.permutation(900); tr,te=idx[:600],idx[600:]
m=RandomForestClassifier(200,random_state=0).fit(X[tr],y[tr])
print(classification_report(y[te],m.predict(X[te]),target_names=["water","vegetation","urban"]))

❓

সেল্ফ-চেক · Self check

🔗

সংযুক্ত কনসেপ্ট · Connected concepts