Unsupervised Land Cover Classification Using K-Means | Google Earth Engine with Python [15]

في هذا الفيديو التعليمي , سنتعلم خطوة بخطوة كيفية إجراء تصنيف الغطاء الأرضي (Land Cover Classification) غير المراقب (Unsupervised) باستخدام خوارزمية K-Means وتطبيقها على بيانات Landsat-8 لإصدار خرائط دقيقة للبيئة والموارد الزراعية.

💡 ماذا ستتعلم في هذا الفيديو؟
سوف نغطي في هذا الفدي وتصنيف الغطاء الأرضي داخل بيئة Google Earth Engine

الخطوات الرئيسة :
تحديد منطقة الدراسة (Study Area): كيفية اختيار وتحميل الحدود الجغرافية.

تحميل وتصفية بيانات Landsat-8: اختيار صور الانعكاس السطحي (Surface Reflectance) المناسبة حسب التاريخ ونسبة الغيوم والنطاقات الطيفية المطلوبة.

المعالجة المسبقة (Preprocessing):

إزالة الغيوم (Cloud Masking): استخدام نطاق QA لإنشاء قناع سحابي فعال.

مركب الوسط (Median Composite): إنشاء صورة خالية من الغيوم لتقليل الضوضاء وتحسين جودة التصنيف.

تطبيق K-Means:

تهيئة وتدريب (Training) مُصنف K-Means.

تطبيق التصنيف على الصورة المركبة لتعيين كل بكسل إلى مجموعة (Cluster) معينة.

إنشاء الخريطة المُصنفة: تطبيق لوحة ألوان مناسبة وعرض النتائج.

التصور والتصدير (Visualization & Export): عرض الخريطة النهائية وتصديرها كملف GeoTIFF

هذا الدرس ضروري لأي باحث أو مهندس يعمل في مجالات الزراعة الدقيقة، رصد التغيرات البيئية، أو إدارة الموارد الطبيعية باستخدام الاستشعار عن بعد.

🔗 روابط هامة:
الكود على موقع GitHub :
https://shorturl.at/ZnANn

قائمة تشغيل Google Earth Engine للمبتدئين:
https://shorturl.at/pOvi6

Landsat8:
https://shorturl.at/5wqsI

#GoogleEarthEngine #GEE #PythonAPI #KMeans #LandCoverClassification #Landsat8 #UnsupervisedClassification #GIS #RemoteSensing #Geospatial #الاستشعار_عن_بعد #تصنيف_الغطاء_الأرضي #جي_اي_اس #الزراعة_الذكية #بايثون #تعلم_البرمجة #بيانات_فضائية