qq_31988139的博客

今天给大家推荐一款可以在线下载美国土地覆盖度、生物量、不透水层等数据的可视化下载工具，界面简单但是数据集有限，这个可视化下载界面是由美国俄勒冈大学制作的。具体的使用链接：OSU eMapR Lab | Data Vis首先说一下基础底图：分为三类，分别是真彩色、矢量图和地形接下来可以选择我们所需的数据集，第一个是加利福尼亚州的数据，第二个是全美的数据，第三数据集是加利福尼亚扰动变化的情况。其中土地分类数据为具体可以分为以下部分：开阔水域 多年生冰/雪 已开发，开放空间 已开发，中等.

今天给大家介绍数据集全球降水数据，每30分钟更新一次的数据集，适合全球大尺度计算，毕竟分辨率10Km有点太粗了。全球降水测量 (GPM) 是一项国际卫星任务，每三个小时提供一次全球雨雪观测。GPM 综合多卫星检索 (IMERG) 是一种统一算法，它结合来自 GPM 星座中所有无源微波仪器的数据提供降雨估计。该算法旨在在 TRMM 和 GPM 时代的精细时间和空间尺度上对所有卫星微波降水估计值以及微波校准红外 (IR) 卫星估计值、降水量规分析以及可能的其他降水估计量进行相互校准、合并和插值在全球范围

这次给大家推荐一篇文章，关于水稻识别：使用 GEE 平台中的无监督分类整合 Sentinel-1 和 2 时间序列数据来实现的。这项研究的结果将为绘制稻田及其生长阶段的地图提供一个有效的框架，这对于解决粮食安全问题和减少水稻种植产生的甲烷气体排放具有重要价值。摘要：水稻是世界一半以上人口的主要作物，但缺乏概述水稻产区及其生长阶段的高分辨率地图。大多数遥感研究绘制了水稻的范围：然而，在热带地区，水稻全年种植，种植日期和种植频率不同。因此，绘制水稻生长阶段比仅绘制范围更，有用。本研究通过开发一种基于物候

利用哨兵数据SR数据进行相关性分析，本文先通过降水数据和S2计算的NDVI植被覆盖度，然后分别进行筛选，通过影像合并得到逐月的影像集合合成，然后筛选出降水和ndvi影像，分别计算计算相关性ee.ImageCollection.fromImages(images)Returns the image collection containing the given images.Arguments:images(List):The images to include in the colle.

通过ERA5-Land数据文件中关于如何汇总潜在蒸发（pet）数据集（将pet值米转换为毫米）代码：var geometry = /* color: #d63000 */ee.Geometry.Point([21.021809833554478, -9.078844651504086]);var aPoint = /* color: #d63000 */geometry;//影像筛选var era5hourly = ee.ImageCollection("ECMWF/ERA5_LAND/H

今天给大家介绍一个简单的时间序列的计算APP，这个APP是俄勒冈大学开发的，可以获取众多指数和单波段影像的指数长达近40年的分析。本次的APP的链接网址在：LT-GEE Pixel Time Series整体的界面很简单，最左边是时间年份的选择也就是时间序列的起始值，期间范围可以定义月和日的时间。指数可以选择合成的波段也可以有单一波段的。值域像素点的定位你可以按照经纬度去定义即可，下面的一些参数大家可以根据自己的需求去定义。中间部分就是和MAP一样的内容，右侧就相当于console控制台，显示时间序

本篇主要实现Landsat5-9影像整体融合，查看某一区域的影像有多少的问题这里有个函数需要介绍一下：distinct(properties)Removes duplicates from a collection. Note that duplicates are determined using a strong hash over the serialized form of the selected properties.从一个集合中删除重复的属性。注意，重复的属性是通过对所选属性的

上一篇文章讲了关于单景影像的波段运算，并没有利用多景影像的波段循环计算，这次我们利用for循环进行多个影像的相关系数计算，上一篇的文章：(211条消息) Google Earth Engine（GEE）——利用Landsat8影像的其中两个波段进行皮尔逊相关性分析和斯皮尔曼相关性分析_此星光明2021年博客之星云计算Top3的博客-CSDN博客本次文章主要是利用多景前期计算的影像，然后利用cat合并成单景多波段影像，分别计算两两之间的相关系数，具体代码如下：合成后的多波段：代码：..

对于gee初学者来说，我们经常会用到gee去计算各类矢量的面积，其实这两种面积计算相对比较简单，矢量的化可以直接通过内置的函数来进行分析也就是.area()area(maxError, proj)返回该特征的默认几何体的面积。点和线串的面积为0，多几何体的面积为其组成部分的面积之和（相交面积被多次计算）。参数。this:feature（元素）。取自几何图形的特征。maxError（ErrorMargin，默认为空）。在执行任何必要的重新投影时，可以容忍的最大误差量。proj（投影，默

本文主要是利用Landsat5和8去填充Landsat7造成的条带色差的问题,本文的整体思路就是奖原有的Landsat7条带去除，然后进行分析，最后分别计算Landsat5 和8影像进行填充，最后叠加填充后的效果是可以的focalMin(radius, kernelType, units, iterations, kernel)使用命名的或自定义的内核，对图像的每个波段应用形态学还原（）过滤器。参数。this:image (图像)。要应用这些操作的图像。radius (Float, def

今天有一个振奋人心的好消息，就是我们用GEE打开矢量集合后，我们可以不同瓦片加载的方式，而是直接缩放大小，就像我们利用arcgis不受到放大和缩小的困扰，没有延时和画面缺失的效果，今天收到的邮件翻译后结果：开发人员：令人兴奋的消息：我们推出了一种名为 FeatureView 的新资产类型！FeatureView 是 FeatureCollection 的仅查看、加速可视化，可以更好地控制样式和呈现特征。不像 FeatureCollection，其栅格地图切片是动态生成的，FeatureView 栅格

有粉丝还问到关于Landsat8如何计算，上一次的文章提到了关于各类植被指数的下载和加载：Google Earth Engine（GEE）——计算NDVI\EVI\RVI\DVI\SAVI归一化植被指数、比值植被指数、差值植被指数、土壤调节植被指数、增强型植被指数和绿度植被指数计算并下载同样的道理 对下面指数分别建立函数，只是不同波段需要建立函数归一化植被指数NDVI=(NIR-R)/ (NIR+R) 比值植被指数RVI=NIR/R 差值植被指数DVI=NIR-R 土壤调节植被指数SAVI=(

本次教程主要的目的就是实现6大指数的计算并按照逐月进行下载用于长时间序列的研究和分析归一化植被指数NDVI=(NIR-R)/ (NIR+R) 比值植被指数RVI=NIR/R 差值植被指数DVI=NIR-R 土壤调节植被指数SAVI=(NIR-R)*(1+0.5)/(NIR+R+0.5) 增强型植被指数EVI = 2.5* (NIR - Red) / (NIR + 6*Red - 7.5*Blue + 1) 绿度植被指数 GNDVI = (NIR - Green)/(NIR + Green)通

本次教程主要是利用python进行LandTrendr时序分析，产看影像的变化，颜色的变化显示变化的程度，为变化的影像为灰色的影像。代码：from google.colab import authauth.authenticate_user()import googleSCOPES = ['https://www.googleapis.com/auth/cloud-platform', 'https://www.googleapis.com/auth/earthengine']CREDE

本次的目的就是实现两个单波段影像的相关性分析，这里用到的函数主要是gee中的：ee.Reducer.pearsonsCorrelation()Creates a two-input reducer that computes Pearson's product-moment correlation coefficient and the 2-sided p-value test for correlation = 0.创建一个双输入的还原器，计算Pearson的积点相关系数和相关=0的2边P值检

之前我们只知道要去除影像中的云和阴影，但是我们并不清楚如何查看详细的云和阴影，此次，我们就通过加载影像的云和阴影来查看具体的效果，这里我们所建立的函数有点像去云的函数一样。代码：// 对Landsat Collection 2 SR图像进行缩放，并将云层掩码添加为带状。function prepSrL8(image) { // 为不需要的像素掩膜（填充、云、云影）。 var qaMask1 = image.select('QA_PIXEL').bitwiseAnd(parseIn

关于交叉相关性的研究，这里GEE提供了一个函数就是关于两景影像的相关性的研究，本次实验通过NDWI和MNDWI进行分析，看两者的相关性如何，具体函数如下：ee.Algorithms.CrossCorrelation(imageA, imageB, maxGap, windowSize, maxMaskedFrac)提供两个（理论上）共同注册的图像之间的图像注册质量信息。输入是两幅具有相同带数的图像。该函数输出一个由四段信息组成的图像。前三个是距离：deltaX，deltaY，以及图像A中每个像素与图像