clasificador

//debera ser cargada a google earth engine una capa vectorial que contenga, en este caso regiones fisiograficas. ademas otra 
//capa que contenga los centros urbanos del pais. y tambien otra capa vectorial de invernaderos  (preferiblemente una capa 
//por region fisiografica, el shapefilde de inevrnaderos se puede obtener en un link en el documento READ ME)
//leer tambien el ultimo parrafo de este codigo
//it must be previusly uploaded to google eart engine a vector layer, that contains, in this case phisiographis provinces. also 
//we upload another layer with the urban centers of the country. also a vector layer with the greenhouses (preferably, one layer
//per phisiographic province, it can be found on a link in the READ Me file)
//also read the last paragraph of this code


var fisio = ee.FeatureCollection('users/XXX/fisiografica')
     .filter(ee.Filter.or(ee.Filter.eq('id', 'l')));
var urban = ee.FeatureCollection('users/XXX/MEX_URBAN')
var invernaderos = ee.FeatureCollection('users/XXX/invernaderos')
     
//debera ser cargada a google earth engine la coleccion de imagenes nocturnas en el periodo de tiempo deseado, asi como
//una capa de un modelo de elevacion digital (DEM)
//it must be previusly uploaded to google eart engine the nigthime light image collection filtered by the desired dates,
//we also upload a layer with a digital elevation model (DEM)

var luz = ee.ImageCollection('NOAA/VIIRS/DNB/MONTHLY_V1/VCMSLCFG')
    .filterDate('2017-05-01', '2018-05-01')
    .filterBounds(fisio)
var dem = ee.Image("USGS/SRTMGL1_003")

//creamos una funcion para enmascarar las nubes, a partir de la informacion de la banda de nubes de las imegens sentinel-2
//we create a function to mask clouds, using the information in the cloud band of the sentinel 2 images 

function maskS2clouds(image) {
  var qa = image.select('QA60');
  var cloudBitMask = ee.Number(2).pow(10).int();
  var cirrusBitMask = ee.Number(2).pow(11).int();
  var mask = qa.bitwiseAnd(cloudBitMask).eq(0).and(
            qa.bitwiseAnd(cirrusBitMask).eq(0));
  return image.updateMask(mask);
}

//creamos una funcion para calcular diferentes indices, a partir de la informacion de las bandas espectrales de las imegens sentinel-2
//we create a function to calculate some indexes, based on the information in the spectral bands of the sentinel 2 images 

function indice(image){
var sw2_nir = image.normalizedDifference(['B12', 'B8']).rename('SW2_NIR');
var PL = image.normalizedDifference(['B11', 'B4']);
var PLU = PL.where(PL.lte(-0.2),1).where(PL.gt(0.13),1).rename('PLU');
 return image.addBands(sw2_nir).addBands(PLU);
}

//llamamos a la coleccion de imagenes sentinel-2, filtradas por las fechas deseadas, la region fisiografica y el porcentaje de pixeles 
//con nubes (metadato de la imagen), y ademas ejecutamos a todas esas imagenes la mascara de nubes y el calculo de indices
//we call the sentinel-2 image collection, and filter them by: dates, phisiographic region, cloud pixel percentage. And to those images
//we perform the cloud mask, and the indexes calcultaion

var collection = ee.ImageCollection('COPERNICUS/S2')
    .filterDate('2017-10-23', '2018-10-22')
    .filter(ee.Filter.lt('CLOUDY_PIXEL_PERCENTAGE', 5))
    .filterBounds(fisio)
    .map(maskS2clouds)
    .map(indice);
    
//creamos una imagen hiperespectral compuesta a partir de la mediana de toda la coleccion
//we create a composite image, using the median of the collection 
    
var im2 = collection.median();

//establecemos los parametros de visualizacion (puede omitirse)
//we establish the vizualisation parameters (can be omitted)

var vizParams = {bands: ['B4', 'B3', 'B2'],
  min: 600,
  max: 2000,
  gamma: 0.5,
};

//añadimos a la visualizacion la imagen compuesta (puede omitirse)
//we add to the visor the composite image (can be omitted)

Map.addLayer(im2, vizParams, 'compuesto')
var empty = ee.Image().byte()
var outline = empty.paint({
  featureCollection: fisio,
  color: 1,
  width: 2
});

//sobre la imagen compuesta creamos un indice de agua || sobre la imagenes nocturnas creamos una imagen de luz nocturna || y sobre el
//DEM creamos una capa de inclinacion de terreno
//using the composite image we calculte a water index || usin the nightime ligth, we create a composite of nocturla light || using the 
//DEm we create a layer of terrain slope

var ndwi = im2.normalizedDifference(['B3', 'B8']);
var noche = luz.select('avg_rad').sum();
var slope1= ee.Terrain.slope(dem);

//con estas 3 neuvas capas, creamos 3 mascaras: 1 para quitar cuerpos de agua, 2 para quitar centro urbanos iluminados, 3 para quitar
//terrenos con inclinacion mayor a 8°
//with the last 3 new layers, we create 3 mask: 1 to remove water bodies,2 to remove iluminated urban areas, 3 to remove terrain with 
//slope greater than 8°

var bare = (ndwi.lt(0));
var ma2 = noche.lt(59);
var ma3 = slope1.lt(8);

//usando uno de los indices calculados (para detectar plasticos), en la imagen compuesta creamoc una mascara adicional
//using one of the calculated index (for detecting plastics), in the composite image. we create an additional mask 

var ma4 = im2.select('PLU').lt(1);

//unimos todas nuestras mascaras, y ademas hacemos un clip usando la capa vectorial de areas urbanas, previamente cargada.
//y actualizamos nuestra imagen compuesta
//we fuse all the masks, and make a clip with the vector layer of urban areas, previously uploaded. And update the composite
//image

var ma5 = bare.multiply(ma3).multiply(ma4).multiply(ma2);
var im3 = im2.clip(urban);
var im4 = im3.updateMask(ma5);

//seleccionamos las bandas que nos interesan para usar en el clasificador
//we select the bands that we will use in the classifier

var bands = [ 'B2', 'B8', 'B11', 'B12', 'SW2_NIR'];

//creamos los puntos de entrenamiento (agriculutra protegida = 1 dentro de los poligonos de la capa de iveraderos;
//non protected agriculture = 0 dentro de la region fisiografica correspondiente) 
//we create the trainig points (in both classes: protected agriculture = 1 inside the polygons of the greenhouse layer;
//non protected agriculture = 0, inside the phisiogrhaphic province)

var clase_noinv = function(feature) {
 return feature.set({covertura: feature.geometry().area().add(0)});
 };
var clase_inv = function(feature) {
  return feature.set({covertura: feature.geometry().area().add(1)});
 };
var no_inv = ee.FeatureCollection.randomPoints(fisio, 5000);
var otros = no_inv.map(clase_noinv);
var pu_inv = ee.FeatureCollection.randomPoints(invernaderos, 1000);
var plasticos = pu_inv.map(clase_inv);
var newfc = plasticos.merge(otros);

//ya con todos los puntos creados, extraemos la informacion espectral (de las bandas de interes) de todos ellos
//we extract the spectral information (of each band of interest) from every training ponint

var training = im2.select(bands).sampleRegions({
   collection: newfc,
   properties: ['covertura'],
   scale: 10});

// con la infoncaion extraida, entrenamos el clasfificador
//we train the classifier with the extracted information

var classifieri = ee.Classifier.gmoMaxEnt().setOutputMode('PROBABILITY').train({
   features: training,
   classProperty: 'covertura',
   inputProperties: bands
});

//ejecutamos la clasificacion (dando un mapa de probabilidades)
//run the classification (resulting in a probability map)

var classified = im4.select(bands).classify(classifieri);

//creamos un umbral para determinar que es y no es aicultura protegida
//we create a threshold to determinate which pixel are or not protected agriculture

var umbral = classified.where(classified.gte(0.8), 1).where(classified.lt(0.8), 0);

//para exportar los resultados (al google drive)
//to export the results (to google drive)

Export.image.toDrive({
     //la imagen a exportar
     image: umbral,
     region: fisio.geometry().bounds(), 
     folder: 'agricultura',
     // una descripcion 
     description: 'region_sierra_sur',
     //colocar el mayor numero de pixeles, para evitar que el servidor marque error
     maxPixels:10000000000000,
     //que cada imagen tenga su nombre correspondiente
     fileNamePrefix: 'sierra_sur',
     //la escala de la imagen
     scale: 10
});
  
//una ve exportado, se deberia repetir el codigo para cada una de las regiones fisiograficas, se recomienda dividir el pais en regiones
//para facilitar el procesamiento, ademas se logran mejores resultados para cada region (pues tienen coberturas diferentes)
//los datos exprotados son raster, que seberan ser vectorizados
//se puede dividir el pais de distintas formas, depronto dividido por estados arroje aun mejores resultados
//once exported, ypu must repeat the process for each region, is recommended to divide the country in regions, to facilitate the
//process, also it have better results for each region (because each one has differente covers), the exported data are raster, that 
//must be vectorized later.