【笔记】GEE之python学习

已于 2023-02-15 20:40:39 修改
阅读量4.9k 收藏 46
点赞数 7
分类专栏： 笔记 文章标签： python 学习 开发语言
于 2022-03-10 14:35:32 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/awdwd233333/article/details/123394694
版权

GEE+python

GEE之python环境配置

首先需要vpn和注册GEE账号[参考]

  1. 安装python和pip（略）；安装Google的 python API的客户端，命令行如下：pip install google-api-python-client

  2. 安装鉴权验证依赖库：pip install pycryptodomex

  3. 安装GEE的python库：pip install earthengine-api

  4. 第一次运行GEE需要先验证GEE账户，命令行运行如下：earthengine authenticate或者ee.Authenticate()
    如果出现gcloud command not found的错误，该用earthengine authenticate --auth_mode=notebook进行验证（有效期1周）

  5. 运行、初始化GEE，检查本地环境是否搭建完成：python -c “import ee; ee.Initialize()”
    这一步因为开了VPN，要设置代理：

import ee,os
os.environ['HTTP_PROXY'] = 'http://127.0.0.1:41091'
os.environ['HTTPS_PROXY'] = 'http://127.0.0.1:41091'
ee.Initialize()

代理的地址在 “设置->网络和internet->代理” 查看地址和端口。

注：其中可能遇到 “[WinError 10060] 由于连接方在一段时间没有正确答复…” 问题。一方面检查注册账号是否授权，电脑用户名中文也有可能造成问题。另一方面，检查科学上网软件应该是全局模式。

  1. jupyter lab
    我原先用的sublimetext，不方便直观的看到数据，更不方便调用地图窗口了，故转而使用jupyter lab。
    在cmd输入：pip install jupyter,pip install jupyter lab

运行GEE时最好开全局代理

学习

数据格式

.getInfo()可以把gee的数据格式转为正常的格式，比如我想遍历遥感影像
在gee平台使用java语句或者在python api循环一个影像集或者一个list，需要获取尺寸size，col.size()，但是这样返回的默认是ee.Number数据格式，是没法用GEE文档中以外的其它的方法遍历的，大家一般推荐的是GEE里面的map()，iterate()，但是有时候这个方法仍然有局限性。所以使用col.size().getInfo()即可。

Task

将矢量导出到asset或者Google drive 的时候，需要使用task，在GEE的java里面使用task，需要在右侧边栏查看task执行情况。对于python的API执行task时，会在GEE中同时开启任务。

保存矢量shp

  1. 导入：本地shp到asset
    直接在GEE里面操作手动添加就好了

  2. 导出：roi到drive，再下载到本地

    在GEE中画出roi中会出现这个，在GEE执行下面的代码将roi导出到drive。
    在这里插入图片描述

var roi = /* color: #98ff00 */ee.FeatureCollection([geometry]); 
//导出的格式写为SHP
Export.table.toDrive({
  collection:roi,
  description: "341521",
  fileNamePrefix: "341521",
  fileFormat: "SHP",
  folder:'earthengine'
});
  1. GEEroi到asset
    Google drive通过谷歌账号可以直接获取15G免费存储空间，Assests是GEE资源存放位置，它里面的资源是可以直接在GEE工作空间中使用，每个用户空间限制是250G，显然选择导入到GEE容量更大。
Export.table.toAsset({
  collection:roi,
  description: "tth_brg",
  assetId:'users/2393251747/tth_brg'
});

保存img影像

  1. 保存img到asset
  2. 保存img到本地
    分为从asset到本地，或者pythonAPI直接到本地。

Map()

map()函数在GEE和在python里面的概念是一致的，即遍历一个序列里面的每一个元素，对这些元素进行操作，然后返回一个新的序列。
例下，完成对影像集里面每一幅图的裁剪，从而形成新的裁剪后的影像集：

def clip(image):
    return image.clip(aoi)
aoi_pnts=[[[114.09269762083298, 30.356153799649764],
           [114.09269762083298, 30.318818747475646],
           [114.12977647825485, 30.318818747475646],
           [114.12977647825485, 30.356153799649764]]]
aoi = ee.Geometry.Polygon(aoi_pnts)
roi=ee.FeatureCollection(aoi)

L8_col = ee.ImageCollection('LANDSAT/LC08/C01/T1_SR').filterBounds(roi).filter(ee.Filter.calendarRange(2012,2013,'year')).filter(ee.Filter.calendarRange(3,11,'month'))
valid_Col = L8_col.map(clip)

属性查询

在python里面用x.get(’…’).getInfo()
'…'可以是的内容通过propertyNames查看
在这里插入图片描述

var list=ee.Dictionary(ee.Dictionary(ee.Algorithms.Describe(image)).get('properties'))
print(list)
print(list.get('REFLECTIVE_LINES'))
//pretty code
var bandList = ee.List(ee.Dictionary(ee.Algorithms.Describe(image)).get('bands'));
var b1 = ee.Dictionary(bandList.get(0));  
print(b1)
var dimensions = b1.get("dimensions");
dimensions = ee.List(dimensions);
print("dimensions", dimensions);
var sizex = ee.Number(dimensions.get(0));
var sizey = ee.Number(dimensions.get(1));
print("sizex", sizex);
print("sizey", sizey);
var crs_transform = b1.get("crs_transform");
print("crs_transform", crs_transform);
  1. 新建属性
  2. 设置属性值

制作GIF

有了裁剪过后的影像集，只需要调用getVideoThumbURL()函数就可以得到动图，点开打印的链接就可以看到了。

def mk_gif(collection):
    visParams = {'bands':['B4','B3','B2'],'min':0,'max':2000}
    url=collection.getVideoThumbURL(visParams)
    print(url)
    return url

请添加图片描述

这个是我做的一个gif，这里面的标签是怎么添加的呢？原本生成的动图里面是没有标签的，我在用影像集生成gif的时候同时把影像集的index保存到本地txt里面，就用下面这个代码：

indexList = collection.reduceColumns(ee.Reducer.toList(), ["system:index"]).get("list")
save_date=indexList.getInfo()
File = open(r"C:\Users\23932\Desktop\hello.txt", "w")
for date in save_date:
    File.write(str(date) + ";")
File.close()

有了标签index序列之后，我用了这位的代码（python给gif添加文本），他是用的PIL库做的。我在这里设置的帧率0.5(每2秒一幅图)，文本颜色白色。

可以看到这个位置的江心洲和心滩，5~10月的心滩都基本处于淹没状况，而江心洲出露面积基本无变化。

给影像集排序

按时间排序

col.sort(‘system:time_start’,True)
设置true的话是升序，false就是降序。

按裁剪区域的云量排序

首先制作裁剪后的数据集
然后写个函数用于计算一幅图的云量并同时设置为‘cloudcover’的值
最后排序

img.set(‘start_time’,date);
img.set({ ‘start_time’:date,‘end_time’:date.advance(1,‘month’)});
Img.setMulti({ ‘start_time’:date,‘end_time’:.advance(1,‘month’)});
img.propertyNames()

geemap

https://geemap.org/common/?h=ee_to_numpy#geemap.common.ee_to_numpy

ee_to_numpy

这个函数可以实现影像转numpy，这样很方便将数据放到本地来用python处理。
ee_to_numpy(ee_object, bands=None, region=None, properties=None, default_value=None)
使用它的过程中遇到许多困难

  1. region，它不是要素，而是geometry，这个geometry这样制造：
    首先在GEE中圈出你要的范围，然后在代码框中点击这个在这里插入图片描述
    就可以看见具体geometry的坐标了。
  2. 其次问题是它的region是你范围的最小外接矩形，所以这里还是推荐在GEE先处理成MNDWI再导出。或者直接在GEE完成选择影像，水体提取在python做。
  3. 输入的img包含的波段必须要有同样的空间分辨率
aoi = ee.Geometry.Polygon(
        [[[92.37187894329809, 34.23795235235915],
          [92.37187894329809, 34.22063708300215],
          [92.41633923992894, 34.22063708300215],
          [92.41633923992894, 34.23795235235915]]], None, False);
rgb_img = geemap.ee_to_numpy(img, region = aoi)
  1. 缺陷，这个函数有一个致命的缺陷，它每次导出的数组大小，即aoi最小外接矩形所包含的像元个数必须小于等于262144，下面我写了一个函数来把大的roi切分为若干满足条件的roi：

面积最大来切分

def cut_poly_by_maxarea(pnts,maxarea):
	#pnts=[[x],[y]]
	#1.首先划分aoi
	poly1=Polygon(zip(pnts[0],pnts[1]))
	area=poly1.area
	x,y=list(pnts[0]),list(pnts[1])
	if area>=maxarea:
		#需要切分
		ids=area//maxarea
		cut=(max(x)-min(x))/ids
		sub_aoi,cut_X=[],[]
		cut_x1,cut_x2=min(x),min(x)+cut
		for i in range(int(ids)):
			poly2=Polygon([[cut_x1,max(y)],[cut_x2,max(y)],[cut_x2,min(y)],[cut_x1,min(y)]])
			if not poly1.intersects(poly2):
				cut_X.append(max(x))
				break
			elif poly1.intersection(poly2).area>maxarea:
				small_cut=cut
				while poly1.intersection(poly2).area>maxarea:
					small_cut/=2
					cut_x2=cut_x1+small_cut
					poly2=Polygon([[cut_x1,max(y)],[cut_x2,max(y)],[cut_x2,min(y)],[cut_x1,min(y)]])
				cut_X.append(cut_x2)
			else:
				cut_X.append(cut_x2)
			cut_x1,cut_x2=cut_x2,cut_x2+cut#换到下一个切分区域
	else:pass
	#return aoi,[0,0]
	return cut_X

按最小外接矩形面积最大来切分


def cut_by_max_rectarea(pnts,maxarea):
    def get_pnts(poly):
        #poly是shapely的multipoly或者polygon
        if poly.type=='MultiPolygon':
            xy=[]
            for i in poly:
                xy+=list(zip(*i.exterior.coords.xy))
        else:
            xy=list(zip(*poly.exterior.coords.xy))

        return list(zip(*xy))


    def get_geometries(poly):
        #poly是shapely的multipoly或者polygon
        xy=[]
        if poly.type=='MultiPolygon':
            for i in poly:
                xy.append(list(zip(*i.exterior.coords.xy)))
        else:
            xy.append(list(zip(*poly.exterior.coords.xy)))

        return xy
    #pnts=[[x],[y]]
    #1.首先划分aoi
    poly1=Polygon(zip(pnts[0],pnts[1]))
    [x,y]=get_pnts(poly1)
    area=(max(x)-min(x))*(max(y)-min(y))
    if area>=maxarea:
        #需要切分
        sub_aoi,rel_coor=[],[]
        cut=(max(x)-min(x))/(area//maxarea)
        cut_x1,cut_x2=min(x),min(x)+cut#初始切分区域
        while cut_x1<max(x):
            poly2=Polygon([[cut_x1,max(y)],[cut_x2,max(y)],[cut_x2,min(y)],[cut_x1,min(y)]])
            poly_insec=poly1.intersection(poly2)
            #计算满足条件的最小外接矩形
            [sub_x,sub_y]=get_pnts(poly_insec)
            sub_area=(max(sub_x)-min(sub_x))*(max(sub_y)-min(sub_y))
            if sub_area>maxarea:
                small_cut=cut/sub_area*maxarea*0.9
                while sub_area>maxarea:
                    cut_x2=cut_x1+small_cut
                    poly2=Polygon([[cut_x1,max(y)],[cut_x2,max(y)],[cut_x2,min(y)],[cut_x1,min(y)]])
                    poly_insec=poly1.intersection(poly2)
                    [sub_x,sub_y]=get_pnts(poly_insec)
                    sub_area=(max(sub_x)-min(sub_x))*(max(sub_y)-min(sub_y))
                    small_cut=small_cut*0.9
                else:
                    cut=small_cut/0.9#定下该次的cut
                    sub_aoi.append(get_geometries(poly_insec))
            else:
                large_cut=cut
                while sub_area<=maxarea and cut_x2<max(x):
                    large_cut=large_cut*1.1
                    cut_x2=cut_x1+large_cut
                    poly2=Polygon([[cut_x1,max(y)],[cut_x2,max(y)],[cut_x2,min(y)],[cut_x1,min(y)]])
                    poly_insec=poly1.intersection(poly2)
                    [sub_x,sub_y]=get_pnts(poly_insec)
                    sub_area=(max(sub_x)-min(sub_x))*(max(sub_y)-min(sub_y))
                else:
                    large_cut=large_cut/1.1
                    cut_x2=cut_x1+large_cut
                    poly2=Polygon([[cut_x1,max(y)],[cut_x2,max(y)],[cut_x2,min(y)],[cut_x1,min(y)]])
                    poly_insec=poly1.intersection(poly2)
                    [sub_x,sub_y]=get_pnts(poly_insec)
                    cut=large_cut#定下该次的cut
                    sub_aoi.append(get_geometries(poly_insec))

            cut_x1,cut_x2=cut_x2,cut_x2+cut#换到下一个切分区域
    else:
        #不需要切分
        sub_aoi=[zip(pnts[0],pnts[1])]
    #return aoi,[0,0]
    return sub_aoi

sub_aois=cut_by_max_rectarea(aoi_proj,262144*30**2)

请添加图片描述
上图便是按最小外接矩形面积不大于262144*30**2（分辨率是30m）来切分的结果，之后只需要遍历sub_aois分别来使用ee_to_numpy。

roi的调用

1 可以直接在gee里面画roi，然后代码里面创建geometry，geometry=ee.Geometry.Polygon(pnts)
roi=ee.FeatureCollection(geometry)
2 在gee里面画的roi导入到asset里面，这样代码直接调用
roi=ee.FeatureCollection(”users/xxxxx/xxxxxx”)
geometry=roi.geometry()

根据坐标获取数组

根据遍历multipolygon坐标来提取多个波段数组，可以被用来制作数据集。

工作流

  1. ROI：在GEE里面画roi，导出到GEE的asset，同时取得aoi的坐标放到程序中。
  2. 选择影像：在pythonAPI中筛选计算每幅裁剪影像的云量，并按云量从小到大将影像排序。再依次遍历影像并显示，人工判断是否需要该幅影像。需要的影像img，以txt格式保存影像信息到本地。
  3. 保存影像：把裁剪的影像以npy格式保存到本地，其中aoi比较大的先用我的算法切分为若干个sub_aoi，依次转numpy数组后再组合为完整数组，导出本地为npy文件，命名就是上面的txt命名，同时保存对应的geotrans和proj。不同分辨率的波段影像放在不同的子文件夹下。
  4. 融合：pan_sharpen提高分辨率
  5. 计算MNDWI得到mask
  6. 在本地python直接处理mask.npy。

注：融合在GEE里面我只找到了HSV sharpen，之后可以在本地合成tiff后再用gdal_sharpe

应用

画水系

如果不在线画的话，会需要很多遥感影像来对比着话水系，所以最方便的是在GEE里面直接画roi，然后把roi导入Google Drive再下载到本地。

awdwd233333
关注
  • 7
    点赞
  • 踩
  • 46
    收藏
    觉得还不错? 一键收藏
  • 6
    评论
专栏目录
Python版本机访问GEE，CoLab配置
灵感
11-21 554
GEE python版本地化访问；Colab访问本地的notebook资源
【GEE学习】（一）搭建本地python环境
weixin_44787324的博客
03-13 3211
# 前言 地信遥感小白一枚~，本次学习GEE，全程根据吴秋生老师的课程来做的，这里记录一下自己的python环境搭建过程。 （如果还没有注册GEE，要先去注册GEE，要保证你能在浏览器中访问使用才行） --- # 一、Anaconda安装 吴老师教程中是miniconda，由于我之前是大数据专业，做过一些深度学习项目，电脑中有anaconda，所以就不用再安装了，如果想做深度学习的一些大项目，建议使用anaconda，
GEE配置python环境-conda
Button2018的博客
11-04 521
geemap使用conda配置本地环境
Google Earth Engine（GEE）深度学习入门教程-Python深度学习训练篇
最新发布
weixin_41099712的博客
05-23 1012
前置条件：​ 数据集本篇文章主要涉及模型的构建、训练以及模型效果的评估。首先自定义遥感常用的评价函数： 定义网络 定义网络模型，以U-net为例： 训练模型 训练并保存日志，日志名称会根据网络名称和当前时间自动生成，保证同一网络多次训练结果不会同名，保存至./logs/文件夹下。同时保存训练过程中验证集上kappa_metrics最高的模型。日志通过tensorboard保存，在Jupyter Lab环境下还需要安装TensorBoard Pro插件：JupyterLab TensorBoard Pro，其
关于在python中配置GEE（ee）踩过的坑
weixin_46310855的博客
11-11 258
conda install mamba -c conda-forge 通过使用-c conda-forge渠道安装 Mamba。3.输入conda install -c gee earthengine-api 安装Google的python API客户端。conda create -n gee python=3.8 自定义环境名 python=python版本。1.基于吴秋生老师的GEE入门教程在miniconda中下载python3.8版本；5.测试本地环境是否搭建完成。这里输入自己电脑的端口。
GEE本地python环境配置学习
weixin_42478960的博客
06-15 1858
【GEE】本地Python环境配置
GEE（python）将图像转为numpy，并通过gdal重新输出为图像
alley51775的博客
12-08 5677
为了实现这个功能，真的找了很多很多的资料。这里感谢吴秋生老师在github和YouTube上的分享。 接下来分享我的代码（ps：使用的编译器是jupyter lab，使用的数据是上一篇博文GEE（Python）逐像元线性拟合的结果）： 文章目录1.将image类型的图像转为numpy2.通过gdal重新输出为tif图像 1.将image类型的图像转为numpy 这里用到了geemap的ee_to_numpy的函数 #Edited by Xinglu Cheng 2021.12.8 import ee imp
GEE中文学习教程.pdf
05-22
Google Earth Engine(GEE)是⾕歌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分析处理的平台，利⽤GEE ，可以实现以前需要跑⼀天的实验，⼏分钟...本文档为大家提供GEE的中文学习教程文档。
GEE python-将GEE ASSETS中存储的影像或者矢量转化为数据格式.pdf
10-30
通过指定兼容的文件格式，这些方法可以返回 Python 原生格式的数据，如用于栅格的结构化 NumPy 数组和用于矢量的 Pandas DataFrames 或 GeoPandas GeoDataFrames。对于矢量，listFeatures 和 computeFeatures 方法将...
EEwPython：一系列Jupyter笔记本，可通过Python学习Google Earth Engine
02-05
"EEwPython：一系列Jupyter笔记本，可通过Python学习Google Earth Engine" 这个标题表明，这是一个关于使用Python编程语言通过Jupyter Notebook来学习Google Earth Engine（GEE）的教程集合。Google Earth Engine是...
Google Earth Engine自制学习笔记
08-12
GEE学习笔记
小编学习过程中整理的GEE学习笔记，希望对零基础入门的伙伴有帮助
02-19
该资源为GEE学习笔记，主要包括GEE的数据类型，GEE的初步应用，主要参考书籍为《遥感云计算和科学分析》。通过查看笔记，初学者能够了解GEE的基本知识，进而方便后续深入了解GEE平台。该笔记主要面向对象为学习遥感...
干货“python基础之变量“
lyw5200的博客
09-06 560
今天内容不多，无水分纯干货 一起了解下python基础之变量： 变量定义 变量按字面来理解就是可以变化的量，赋予不同的值，会有不同的量；每创建一个变量，就会在计算机内存中开辟一个空间，用于存储规定范围内所赋予的值。 message = "Hello world" 其中message就是一个变量，而引号内的 Hello world 就是变量message的值 变量命名规范 在python中变量并不是随意命名的，要遵循以下规则： 1. 变量名仅且只能包含字母、数字下划线。注意 变量名..
GEE申请流程
weixin_43985514的博客
03-31 2684
GEE申请、谷歌账号申请电话号码无法验证问题解决、教育邮箱申请
Google Earth Engine-06（GEE操作方法）
damadashen的博客
11-03 3754
GEE中的操作方法（过滤、计算、联合、循环遍历、数据导出、图标展示）
GEE Python API环境配置——解决Jupyter Notebook：KeyError: ‘client_id‘、‘gcloud‘ （超详细内附：如何快速找到ip地址和端口号）
LLLJSJKD的博客
06-01 4055
GEE Python API环境配置——解决Jupyter Notebook：KeyError: 'client_id'、'gcloud' （超详细内附：如何快速找到ip地址和端口号）
GEE之基于python的线上colaboratory的学习一:如何在colaboratory中调出command line?以及如何进行earthengine authenticate
weixin_43809770的博客
07-30 434
note: 1.这些章节用于记录自己的学习过程和遇到的问题。 2.主要遇到了两个问题 text： 1.不知道如何在colaboratory上调出command line？ 答：与之前使用的不同的是，在colaboratory中使用command line进行相关命令的撰写，需要使用！，直接在colaboratory编辑器中写就可以了。 例如： 2.在colaboratory上进行import ee和ee.Initialize时总是提示需要进行在command line上运行earthengine auth
基于GEE平台提取水体
puzige的博客
05-21 9812
本文主要介绍如何利用GEE平台与哨兵2号影像提取水体。水体的提取主要是基于NDWI指数进行，当然，通过改变波段运算，也可以根据MNDWI进行提取。主要代码如下： 下面展示一些 内联代码片。 //首先对数据进行去云处理 var s2_rmcloud = function(image) { var quality = image.select("QA60").unmask(); return image.updateMask(quality.eq(0)); }; //NDWI var s2_ndwi
运行项目报错 proxy error: could not proxy request...
热门推荐
m0_64398772的博客
05-16 5万+
运行项目报错 proxy error: could not proxy request...
gee与geemap实例教程
03-29
GEE（Google Earth Engine）和geemap是一个用于地理空间数据处理和可视化的强大工具。下面是一个简单的教程，介绍如何使用GEE和geemap创建一个简单的交互式地图应用程序。 1. 安装geemap geemap可以通过pip进行安装。在终端或命令行中输入以下命令即可安装geemap: ``` pip install geemap ``` 2. 连接到GEE 在Python中使用GEE之前，需要连接到GEE。可以使用以下代码进行连接： ```python import ee ee.Authenticate() ee.Initialize() ``` 3. 创建交互式地图 使用geemap可以很容易地创建交互式地图。以下代码将创建一个交互式地图，其中显示了全球的高程数据： ```python import geemap Map = geemap.Map() Map.add_basemap('HYBRID') dem = ee.Image('USGS/SRTMGL1_003') Map.addLayer(dem, {}, 'DEM') Map.addLayerControl() Map ``` 这将创建一个交互式地图，其中显示了全球的高程数据，并允许用户使用控件在不同的地图图层之间切换。 4. 添加交互式控件 geemap还提供了很多交互式控件，使用户可以更轻松地探索地理空间数据。以下代码将在地图上添加一个滑块控件，允许用户在不同的时间段之间切换： ```python import geemap Map = geemap.Map() Map.add_basemap('HYBRID') Map.setCenter(0, 0, 2) # Add time slider widget Map.add_time_slider(start_time='1984-01-01', end_time='2020-12-31', layer_name='Landsat 8') # Add Landsat 8 surface reflectance data collection = ee.ImageCollection('LANDSAT/LC08/C01/T1_SR') \ .filterBounds(ee.Geometry.Point([-122.262, 37.8719])) \ .filterDate('1984-01-01', '2020-12-31') \ .sort('CLOUD_COVER') vis_params = { 'min': 0, 'max': 3000, 'gamma': 1.4, 'bands': ['B5', 'B4', 'B3'], } image = ee.Image(collection.first()) Map.addLayer(image, vis_params, 'Landsat 8') Map.addLayerControl() Map ``` 这将创建一个交互式地图，其中包含一个滑块控件，允许用户在不同的时间段之间切换，并显示了Landsat 8表面反射数据。 5. 导出地图 geemap还提供了导出地图的功能。以下代码将导出地图为HTML文件： ```python import geemap Map = geemap.Map() Map.add_basemap('HYBRID') Map.setCenter(0, 0, 2) # Add time slider widget Map.add_time_slider(start_time='1984-01-01', end_time='2020-12-31', layer_name='Landsat 8') # Add Landsat 8 surface reflectance data collection = ee.ImageCollection('LANDSAT/LC08/C01/T1_SR') \ .filterBounds(ee.Geometry.Point([-122.262, 37.8719])) \ .filterDate('1984-01-01', '2020-12-31') \ .sort('CLOUD_COVER') vis_params = { 'min': 0, 'max': 3000, 'gamma': 1.4, 'bands': ['B5', 'B4', 'B3'], } image = ee.Image(collection.first()) Map.addLayer(image, vis_params, 'Landsat 8') Map.addLayerControl() # Export the map as an HTML file Map.to_html('my_map.html') ``` 这将导出地图为HTML文件，用户可以在浏览器中打开该HTML文件，并与地图交互。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 6
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值