最近接触Google Earth Engine,觉得很好玩, 也很有应用前景,最关键Google Earth Engine是免费的地理计算云平台。所以想认真学习下,学习过程中作些小的总结和记录,资料来源均为网络或Google Earth Engine API指南,今天先讲讲入门的知识。
之前有推送过关于GEE的文章,后台反馈的情况来看,很多人是想用,但是由于某些众所周知的原因无法使用GEE,还是那句话懂的人自然懂,想使用的人肯定想办法能用得上。就像中国第一封电子邮件富有深意的那句话:“Across the Great Wall we can reach every corner in the world.(越过长城,走向世界)”,今天推荐基于R语言的GEE”工具箱“!
rgee是不是像JavaScript或Python客户端本地地球引擎API。从头开始开发地球引擎 API 将很难维护,尤其是考虑到 API 正在积极开发中。那么,如何使用 R 运行 Earth Engine?答案是网状的。reticulate是一个 R 包,旨在实现 R 和 Python 之间的无缝互操作。当在 R 中创建Earth Engine请求时,reticulate会将这部分转换为 Python。一旦生成了 Python 代码,就会Earth Engine Python API将请求转换为一种JSON格式。最后,GEE 平台通过 Web REST API 接收请求。该反应将遵循同样的路径。
01.Gainers and losers of surface and terrestrial water resources in China during 1989-2016 (2020)
谷歌的地理引擎,通过一些简单的API我们就可以在几十PB大小的数据内进行弹性运算,以获得我们需要的结果。我们每个人都有权利平等的来享受这个美好的世界。
谷歌地球引擎是一个计算平台,允许用户在谷歌的基础设施上运行地理空间分析。与平台交互的方式有以下几种:
Google Earth Engine (GEE)是一个基于云计算的遥感大数据处理平台,能够在全球尺度下进行地理空间数据分析和交互免费的计算平台。GEE主要面向研究人员,GEE已广泛应用于各个学科,包括全球森林变化、全球地表水变化、作物产量估算、稻田制图、城市制图、洪水制图、火灾恢复和疟疾风险图谱等。它也已集成到许多第三方应用程序中,例如分析物种栖息地范围、监测气候和评估土地利用变化等。
Python API 包称为ee. 必须为每个新的 Python 会话和脚本导入和初始化它:
Google Earth Engine(GEE)是由Google开发的新一代基于云的地球科学数据和分析应用行星尺度平台,主要应用于地球科学数据,尤其是遥感影像,的可视化计算和分析。目前提供了大概600多种地球科学数据集。
TROPOspheric Monitoring Instrument(TROPOMI)是搭载在Copernicus Sentinel-5 Precursor(S5P)卫星上用于大气成分观测的仪器,于2017年10月13日发射,预计服役期为7年。
经过前面两个对谷歌地球引擎(GEE)介绍和简单入门的文章之后(下附文章链接)。终于想起来该更新一些内容了。这期就白嫖一份稍微靠谱一些的GEE_python的函数说明吧,毕竟GEE入门帖有了以后,如果没有一套完整的用户手册,是永远无法很好的使用GEE这套系统,更别提做很好的项目啦。
Remote Sensing 专刊“谷歌地球引擎:基于云的地球观测数据和分析平台"
谷歌地球引擎的厉害之处,在于它是一个云平台,集合了目前许多的遥感数据。我们可以不用再去各种平台搜集遥感数据,直接利用GEE就可以处理我们想要的数据。除了大量的卫星遥感数据,它还整合了一个API,这个API不仅能支持Javascript还支持Python,同时支持对遥感数据的处理。总而言之,它很强。。。而且很适合于一些不喜欢本地平台运作的人。依托GEE,如果你愿意付费,它完全可以成为一个在线运行的服务器,源源不断的产出你需要的结果。
谷歌地球引擎,在RSE(Remote Sensing of Environment)的热门版上有一篇文章有大致的介绍。
地球引擎有一个用户界面API,允许用户直接从JavaScript代码编辑器中构建和发布交互式Web应用。许多读者会在其他章节中遇到对ui.Chart的调用,但还有更多的界面功能可用。特别是,用户可以利用ui函数来为他们的地球引擎脚本构建整个图形用户界面(GUI)。GUI可以包括简单的部件(如标签、按钮、复选框、滑块、文本框)以及更复杂的部件(如图表、地图、面板)来控制GUI布局。关于ui部件的完整列表和关于面板的更多信息可以在下面的链接中找到。一旦GUI构建完成,用户可以通过点击代码编辑器中脚本面板上方的应用程序按钮,从JavaScript代码编辑器中发布应用程序。
The ISPRS Journal of Photogrammetry and Remote Sensing (P&RS) is the official journal of the International Society for Photogrammetry and Remote Sensing (ISPRS). The Journal provides a channel of communication for scientists and professionals in all countries working in the many disciplines that employ photogrammetry, remote sensing, spatial information systems, computer vision, and related fields. The Journal is designed to serve as a source reference and archive of advancements in these disciplines. The P&RS objective is to publish high quality, peer-reviewed, preferably previously unpublished papers of a scientific/research, technological development or application/practical nature. P&RS will publish papers, including those based on ISPRS meeting presentations*, which are regarded as significant contributions in the above-mentioned fields. We especially encourage papers: of broad scientific interest; on innovative applications, particularly in new fields; of an interdisciplinary nature; on topics that have not been dealt with (or to a small degree) by P&RS or related journals; and on topics related to new possible scientific/professional directions. Preferably, theoretical papers should include applications, and papers dealing with systems and applications should include theoretical background. The scope of the journal is extensive and covers sensors, theory and algorithms, systems, experiments, developments and applications. Topics of interest include but are not limited to: Sensors: • Airborne and spaceborne multispectral and hyperspectral imaging systems • Airborne and terrestrial cameras • Airborne, terrestrial and mobile laser scanning • Range imaging • Active and passive imaging sensor characterisation • Sensor calibration and standardisation • Geosensor networks • Internet of Things Methods and procedures: • Spatial data handling technologies • Integrated sensor calibration and orientation • Surface and object reconstruction, modelling and interpretation • GIS data modelling, representation and structur
利用遥感卫星影像来研究边缘变化是环境过程和地球表面驱动因素的定量化指标,例如冰川边缘消退或海平面上升导致的沿海变化。这里介绍了三种新的、可免费使用的工具,它们可以一起用于处理和可视化,Landsat 4-8和Sentinel 1-2卫星存档数据,能够在很短的时间内实现高效的绘图(通过手动数字化)和自动量化边缘变化。这些工具对各种遥感专家的用户都是高度可访问的,在访问方面几乎没有计算、许可和知识方面的障碍。谷歌地球引擎数字化工具(GEEDiT)允许用户定义地球上任何地方的一个点,并通过一个简单的图形用户界面(GUI)对每个卫星的数据进行过滤,以获得用户定义的时间框架、最大可接受的云量,以及预定义或自定义图像波段组合的选项。GEEDiT允许从每个图像快速地绘制地理参考向量,图像元数据和用户注释自动追加到每个向量,然后可以导出用于后续分析。GEEDiT Reviewer工具允许用户对自己/他人的数据进行质量控制,并根据其特定研究问题的空间/时间要求过滤现有的数据集。边缘变化量化工具(MaQiT)是GEEDiT和GEEDiT Reviewer的补充,允许通过使用两种已建立的方法(以前用于测量冰川边缘变化)和两种新的方法,通过类似的简单GUI快速量化这些边缘变化。MaQiT的开发初衷是量化潮汐冰川末端的变化,尽管工具中包含的方法有可能广泛应用于地球表面科学的多个领域(例如,沿海和植被范围的变化)。这些工具将使地球科学领域的广泛研究人员和学生能够有效地绘制、分析和访问大量数据。
如果有基础请参考GEE官方文档:https://developers.google.com/earth-engine/guides/getstarted
之前也推送过地球科学领域的Python工具合集 工具推荐|大气科学领域最常使用的工具集合,也单独推送过一些优秀的Python工具。今天在搜索资料的时候发现了这个涉及到空间分析和制图、水文、气象、气候和地震学方面的Python工具合集。
Google Earth Engine是Google提供的对大量全球尺度地球科学资料(尤其是卫星数据)进行在线可视化计算和分析处理的云平台。该平台能够存取卫星图像和其他地球观测数据数据库中的资料,并具有足够的运算能力对这些数据进行处理。
TensorFlow是一个开源机器学习平台,支持深度学习等高级机器学习方法。本页面介绍了 Earth Engine 中的 TensorFlow 特定功能。尽管 TensorFlow 模型是在 Earth Engine 之外开发和训练的,但 Earth Engine API 提供了以 TFRecord 格式导出训练和测试数据以及以 TFRecord 格式导入/导出图像的方法。有关如何开发管道以将 TensorFlow 与 Earth Engine 中的数据结合使用的更多信息,请参阅 TensorFlow 示例页面。请参阅 TFRecord 页面以了解有关 Earth Engine 如何将数据写入 TFRecord 文件的更多信息。
Development of a global 30m impervious surface map using multisource and multitemporal remote sensing datasets with the Google Earth Engine platform (2020)
Planet公司是世界上在轨卫星最多的公司,共有近200颗在轨卫星,使全球对地观测进入“每日”时代,有着其他公司无法比拟每天覆盖全球一次的超高频时间分辨率。PlanetScope小卫星星座现有在轨卫星共170余颗,是全球最大的卫星星座,可实现每天监测全球一次。PlanetScope遥感影像PlanetScope( PS)数据是由Planet公司发射的PlanetScope(PS)小卫星星座的卫星数据产品,PS现有在轨卫星共132颗,是全球最大的卫星星座,可实现每天监测全球1次。在Planet官网(https://www.planet.com)注册申请可免费下载L1B的Analytic级别产品数据。相较于当下众多高空间分辨率卫星数据,PS卫星数据有高频次重访的独特优势。PS卫星产品有4个多光谱波段,波段范围为455-860nm,空间分辨率达3 m。Planet数据3B影像处理级别为:经过传感器、辐射定标和正射校正的正射级产品,文件说明如下:
在这个过程中发现一个好用的轻量级的出版级地图可视化图表绘制工具-「cartoee」,下面就给大家介绍一下:
本次我们讲一下如何利用Google的colab使用GEE。colab是Google推出的云端的jupyter notebook,使用Google的算力,甚至可以白嫖Google的GPU,简直美滋滋。
本文主要对GEE的网页界面式应用程序接口Google Earth Engine Explorer加以详细介绍与地物监督分类这一具体应用。本文是谷歌地球引擎(Google Earth Engine,GEE)系列教学文章的第一篇,更多GEE文章请参考专栏:GEE学习与应用[1](https://blog.csdn.net/zhebushibiaoshifu/category_11081040.html)。
本文主要对GEE中的ee.Image格式数据图层基本处理操作加以介绍。本文是谷歌地球引擎(Google Earth Engine,GEE)系列教学文章的第十篇,更多GEE文章请参考专栏:GEE学习与应用(https://blog.csdn.net/zhebushibiaoshifu/category_11081040.html)。
本期分享如何Google Earth Engine实现地区年度最大NDVI值的影像合成,相比于传统方法,GEE方法简单、高效且对电脑硬件要求较低!
This dataset is a China terrace map at 30 m resolution in 2018. It was developed through supervised pixel-based classification using multisource and multi-temporal data based on the Google Earth Engine platform. The overall accuracy and kappa coefficient achieved 94% and 0.72, respectively. This first 30 m China terrace map can be used for studies on soil erosion, food security, biogeochemical cycle, biodiversity, and ecosystem service assessments.
本文主要对GEE中的栅格代数与波段计算操作加以介绍。本文是谷歌地球引擎(Google Earth Engine,GEE)系列教学文章的第六篇,更多GEE文章请参考专栏:GEE学习与应用(https://blog.csdn.net/zhebushibiaoshifu/category_11081040.html)。
栅格数据在 Earth Engine中表示为Image对象。图像由一个或多个波段组成,每个波段都有自己的名称、数据类型、比例、遮罩和投影。每个图像都将元数据存储为一组属性。
在基于 Web 的 IDE 上的代码编辑器中编写的脚本必须使用 JavaScript 编写。JavaScript 是一种使用/学习的相当直接的编程语言。JavaScript 数据类型由字符串、数字、布尔值、数组和对象组成。支持所有基本运算符,例如 +(添加/连接)、=(赋值)、===(相等)、! (否定)、!==(不等于)等。由于 JavaScript 是一种面向对象的编程语言,因此基本上 Javascript 中的所有内容(例如变量或函数)都是对象。一个简单的“Hello World!” 用 JavaScript 编写的程序如下。可以在此处找到有关 JavaScript 基础知识的更多文档。
本文主要对GEE中地理坐标系与投影坐标系的转换、重投影等操作加以介绍;本文是谷歌地球引擎(Google Earth Engine,GEE)系列教学文章的第十三篇。
除了瀏覽器業者、遊戲業者大力支援WebAssembly外,許多需要加速效能表現的大型網頁應用或線上工具,也都能得利於WebAssembly的超快執行速度。目前WebAssembly已經開始應用在哪些場景呢?從這8個WebAssembly應用可以一探究竟,其中,有些專案更在GitHub上釋出了原始程式碼,可供開發者參考,來打造出自己的WebAssembly應用。
本文主要对GEE中依据矢量数据裁剪栅格数据的操作加以介绍。本文是谷歌地球引擎(Google Earth Engine,GEE)系列教学文章的第三篇,更多GEE文章请参考专栏:GEE学习与应用(https://blog.csdn.net/zhebushibiaoshifu/category_11081040.html)。
发布者数据目录 发布者数据目录由数据集发布者策划,供更大范围的 Google 地球引擎社区使用,并作为地球引擎资产集公开共享。这些目录并非由 Google 编制。这里是GEE团队简政放权的一个过程,也就是说这些数据集的后续更新和维护并不由GEE团队负责。也就是后续这个数据集是否更新和运营都不和GEE有什么瓜葛。前言 – 人工智能教程
来源:专知本文为书籍介绍,建议阅读5分钟第4版,专注于开发和实现统计驱动的、数据驱动的技术,用于遥感图像的数字图像分析。 遥感图像分析、分类和变化检测:With Algorithms for Python,第4版,专注于开发和实现统计驱动的、数据驱动的技术,用于遥感图像的数字图像分析,它的特点是算法的统计和机器学习理论与计算机代码紧密交织。它开发了用于光学/红外和合成孔径雷达(SAR)图像分析的统计方法,包括小波变换、非线性分类的核方法,以及前馈神经网络背景下的深度学习介绍。 https://www.ro
本文主要对GEE中的依据栅格图像绘制直方图与时间序列图并调整图像可视化参数操作加以介绍。本文是谷歌地球引擎(Google Earth Engine,GEE)系列教学文章的第八篇,更多GEE文章请参考专栏:GEE学习与应用(https://blog.csdn.net/zhebushibiaoshifu/category_11081040.html)。
秘鲁和厄瓜多尔流域的高分辨率网格化降水数据集(1981-2015) RAIN4PE是一个新型的日网格降水数据集,它通过随机森林回归法将多源降水数据(基于卫星的气候灾害组红外降水,CHIRP(Funk等人,2015),再分析ERA5(Hersbach等人,2020),以及地面降水)与地形高程合并而获得。此外,RAIN4PE通过逆向水文,在降水低估的集水区使用溪流数据进行水文校正。因此,RAIN4PE是秘鲁和厄瓜多尔唯一的网格化降水产品,它得益于最大限度的现有原地观测、多种降水来源、高程数据,并辅以溪流数据来校正帕拉莫斯和山地流域的降水低估。前言 – 床长人工智能教程
我们都知道,Python不仅在数据分析、人工智能方面有着广泛的应用,在网站开发、游戏开发方面更是一枝独秀。
恭喜吴秋生老师,吴秋生开发的geemap开源软件包和Google Earth Engine学习资源(Awesome-GEE)已经被GEE官网收录。欢迎对GEE感兴趣的朋友们转发学习看看。
本文主要对GEE中的投影信息与参考坐标系及其空间转换参数获取加以介绍;本文是谷歌地球引擎(Google Earth Engine,GEE)系列教学文章的第十二篇。
本文主要对GEE中的各类外部数据导入、下载与管理以及数据与代码分享等操作加以介绍。本文是谷歌地球引擎(Google Earth Engine,GEE)系列教学文章的第七篇,更多GEE文章请参考专栏:GEE学习与应用(https://blog.csdn.net/zhebushibiaoshifu/category_11081040.html)。
LANDFIRE (LF),即 "地貌火灾和资源管理规划工具",是美国农业部森林服务局、美国内政部地质调查局和大自然保护协会的野地火灾管理项目之间的共享项目。前言 – 人工智能教程
其实,从那么多的大企业的实际应用就可以看出python已经在各个领域被广泛应用了。
title: GEE python本地环境配置"[WinError 10060]"错误 date: 2018-12-10 categories: GEE tags: python
python的创始人为吉多·范罗苏姆(Guido van Rossum)。1989年的圣诞节期间,吉多·范罗苏姆为了在阿姆斯特丹打发时间,决心开发一个新的脚本解释程序,作为ABC语言的一种继承。
我可以提供一个基本的森林生物量估算脚本,请使用Google Earth Engine (GEE) 平台。
本文主要对GEE中的ee.ImageCollection格式数据图层基本处理操作加以介绍。本文是谷歌地球引擎(Google Earth Engine,GEE)系列教学文章的第十一篇,更多GEE文章请参考专栏:GEE学习与应用(https://blog.csdn.net/zhebushibiaoshifu/category_11081040.html)。
领取专属 10元无门槛券
手把手带您无忧上云