Google Earth Engine重大更新：没有项目（projection）的脚本将被限制访问

最新推荐文章于 2024-08-25 09:30:17 发布
最新推荐文章于 2024-08-25 09:30:17 发布
阅读量904 收藏
点赞数 13
分类专栏： Google Earth Engine 文章标签： 人工智能 gee 云计算 Google 谷歌 更新
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/qq_31988139/article/details/140641110
版权

目录

GEE官方原邮件

What you need to know

We’re here to help

翻译后

你需要做的

申请延期界面

申请延期的链接

 网址推荐

0代码在线构建地图应用

机器学习

GEE官方原邮件

Hello Earth Engine User,

We are writing to let you know about key updates for Earth Engine's noncommercial offerings starting September 16, 2024. These updates are time-sensitive and may require you to change how you access Earth Engine.

Please note that Earth Engine will continue to remain free for noncommercial use.

We have provided additional details below to guide you through these changes.
了解本专栏 订阅专栏 解锁全文 超级会员免费看
此星光明
关注
  • 13
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
Google Earth Engine（GEE）——云端项目项目！
qq_31988139的博客
08-28 1786
云项目 通过代码编辑器、Python 客户端或REST API对 Earth Engine API 的调用与Cloud Project相关联。通过 Earth Engine API 请求的计算将使用所选项目的计算配额、资源和权限进行。在传统模式下运行时，调用与 Earth Engine 拥有的项目相关联。本指南展示了如何将来自客户端 API（JavaScript 或 Python）或 REST API 的调用与您拥有合适权限的任何云项目相关联。 选择项目 必须在所有项目上启用 Eart...
Google Earth Engine（GEE）——R 语言 Google 地球引擎20个基本案例分析
qq_31988139的博客
08-30 2830
基本 rgee - 最佳实践 改编自Google Earth Engine 文档。 本文档描述了旨在最大化复杂或昂贵的地球引擎计算成功机会的编码实践。 1. 避免将客户端函数和对象与服务器函数和对象混合 Earth Engine 服务器对象是具有以ee（例如ee$Image、ee$Reducer）开头的构造函数的对象，并且此类对象上的任何方法都是服务器函数。任何不是以这种方式构造的对象都是客户端对象。客户端对象可能来自 R Earth Engine 客户端（例如 Map）或 R 语言（例
Google Earth Engine ——带缓冲的随机样本选择
qq_31988139的博客
09-03 688
地球引擎示例 进行土地覆盖分类时的一个常见问题是采样数据中的空间自相关风险会扭曲预测结果或准确性评估。可以帮助解决此问题的一种方法是使用某种形式的缓冲确保训练和验证样本之间有足够的间隔。这个例子将演示一种方法来做到这一点。 使用缓冲区生成随机样本的一种蛮力方法可能是获取大量样本，并通过丢弃近邻将这些样本过滤到较小的数字。然而，选择从哪些点开始可能具有挑战性，并且计算点之间距离的叉积可能很昂贵，因此这种方法不太可能很好地扩展。Earth Engine 的一般规则是“在图像空间中可以完成的工作越多（...
吐血整理如何在Google Earth Engine上写循环 五个代码实例详细拆解
sdgfafg_25的博客
07-18 636
我用5个实例展示了一些GEE上常见的循环的用法。.map()2个，.iterate()2个，本地循环1个。它们当然不可能覆盖全部的场景，不过我想也足够提供一定的技术性参考了。写这些主要是为了方便新手查阅，毕竟初学GEE时实在是有着相当陡峭的学习曲线。次要一点的动力就是，希望我的技术分享能给这个逐渐走向内容凋敝的中文互联网环境一点新鲜血液吧。写循环可能是衡量GEE用户是否是熟练工的标准。祝GEE初学者们尽快走过新手期，掌握这个必要技巧。不过，我有必要在结尾重复一下引言中的那句话，
Google Earth Engine 阶段1—代码—初识
wokaowokaowokao12345的专栏
12-06 1305
简介 这里的例子都来自官网脚本demos，因为主要用到的是Modis数据，所以就罗列了一些Modis有关的脚本。根据下面脚本可以组合出适合于自己需求的脚本。 Image 1 From Name // Display an image given its ID. var image = ee.Image('CGIAR/SRTM90_V4'); // Center the Map. Map.setCenter(-110, 40, 5); // Display the image. Map.addLayer(i
Google Earth Engine——Landsat 4/5/7/8/9 +Sentinel-1数据融合分析（逐年数据融合导出）
qq_31988139的博客
06-07 557
Landsat和Sentinel-1是两种不同的遥感数据源，分别提供了不同的信息。Landsat是一种光学传感器，提供高分辨率的可见光和红外波段图像，适用于地表覆盖分类、土地利用变化监测等应用。Sentinel-1是一种合成孔径雷达（SAR）传感器，可以提供全天候、全天时、高分辨率的雷达图像，适用于地表形变监测、水体变化检测等应用。将Landsat和Sentinel-1的数据进行融合可以获得更全面、准确的地表信息。
Google Earth Engine（GEE）——NOAA海平面上升数字高程模型（DEMs）
qq_31988139的博客
02-26 1439
绘图查看器的目的是为沿海管理人员和科学家提供一个关于海平面上升（slr）和沿海洪水影响的初步看法。所提供的数据和地图可以在几个尺度上使用，以帮助衡量趋势和确定不同情况下行动的优先次序。虽然这些数据集是由NOAA收集并提供的，但不同的收集品确实有不同的名义分辨率、不同的CRS和不同的无数据值。NOAA沿海服务中心已经开发了高分辨率的数字高程模型（DEMs），用于该中心的海平面上升和沿海洪水影响的互联网地图应用。这些DEMs作为源数据集，用于导出数据，以可视化美国沿海及其领土上的海平面上升造成的淹没影响。
Google earth engine——Landsat 7/8 co2数据之间计算NDVI之间的差异是多少
qq_31988139的博客
05-06 530
Landsat 7和Landsat 8是美国国家航空航天局（NASA）和美国地质调查局（USGS）联合运营的一对卫星。它们是Landsat卫星系列的最新成员，旨在提供高分辨率，全球范围内的地球观测数据。这两颗卫星的数据在地理信息系统（GIS），环境监测，土地利用规划，农业和自然资源管理等领域具有广泛应用。Landsat 7卫星于1999年4月15日发射升空，它搭载的传感器是能够捕捉可见光和红外线波段的白天云区域遥感传感器（ETM +）。
Google Earth Engine （GEE）——reduceRegion函数降低分辨率中出现错误计算的reducer.min从0变成了1
qq_31988139的博客
01-30 723
问题：我目前正试图用reduceRegion函数找到一个二进制频段的最小值，也就是说，我想知道这个频段是否有0值。这个波段的空间细节非常粗糙，所以我想在降低的分辨率下运行（50米而不是原来的10米），以使它更有效率。然而，在50米的分辨率下，往往找不到正确的最小值。在10米的分辨率下，它可以正常工作，但这太耗费计算了。在此脚本中，我们尝试检测低 S1 反向散射的簇，并创建一个这些集群的缓冲 (fastDistanceTransform) 掩码。我们添加这个mask到原始 S1 图像。
GEE python登录重大更新—— ee.Initialize()初始验证过程更新
qq_31988139的博客
01-09 1032
最近GEE python进行了更新，因此原始的登录代码将无法使用，所以这里我们看一下通常会报出的错误，这里需要我们将我们运行的projection具体的名称写入进去，也就是GEE中你再JavaScript界面中运行的项目名称，相较与之前我们需要进行验证码的copy，这里直接可以通过项目的写入来代替原有的验证码的验证，整体上更加方便了。
GEE：面对对象土地利用分类（结合SNIC、GLCM 和机器学习算法）
养乐多的博客
04-09 3538
本文将介绍在Google Earth Engine中结合SNIC、GLCM和机器学习算法的的土地利用/土地覆盖（LULC）分类方法。结果如下图所示，
Google Earth Engine（GEE） ——在谷歌地球引擎中使用随机森林分类进行生境适宜性建模（加入气温和其它波段分类）
qq_31988139的博客
02-04 1320
近几十年来，机器学习模型已经成为GIS界的一种普遍的归纳建模模式。通过栖息地生物多样性建模（HBM），经验性的物种目击与生物气候数据相结合，推断出一个物种的潜在栖息地，并产生潜在的范围图。本教程将使用的技术是一种被称为随机森林的监督分类形式，该模型通过物种观察进行训练，以生成潜在物种存在的输出地图。随机决策森林是分类树分析（CTA）的延伸，它最常被应用于遥感数据，对土地覆盖进行分类。在一个单一的分类树中，输入数据（像素）根据其与一组预测变量（光谱带）的关系被划分为越来越同质的组（类）。
【小迪安全笔记V2022】信息打6~8
最新发布
2202_75354817的博客
08-25 506
小迪安全学习笔记
零基础学习人工智能—Python—Pytorch学习（六）
kiba518的博客
08-21 960
前言 本文主要讲神经网络的上半部分。 这篇文章开始有很多公式了，这些公式都很简单，但是如果是不经常在脑海里思考公式的人，那可能需要多花点时间做一下自我训练，个人感觉，也就几天时间，就能把自己感觉给调整出来。 习惯了公式看下面内容就会轻松很多，另外如果要深入学习人工智能，熟练的认知公式也是个必须的事情。 另外，我发现我前面文章写的有歧义的地方还是挺多，虽然，已经改了一部分，但，可能还有没发现的，大...
透明性和解释性AI：概念与应用
weixin_49007164的博客
08-25 684
透明性AI指的是AI系统的操作过程、决策机制、数据流动和模型行为是可理解和可追踪的。换句话说，透明性AI使得人们可以清楚地看到AI系统是如何做出决策的，这一过程包括输入数据的处理方式、模型的内部计算过程、以及最终决策的产生机制。解释性AI是指AI系统不仅能够给出决策结果，还能够提供关于该决策如何产生的解释。解释性AI的目标是帮助用户理解AI的行为，尤其是当AI的决策与预期不符时，提供合理的解释来消除用户的疑虑。
yolov8 出现loss 为nan
zhaoluruoyan89的博客
08-21 332
这篇博客警示读者在购买用于深度学习的显卡时要避开那些导致RuntimeWarning: All-NaN slice encountered的问题。作者强调这些Tensor核心存在严重缺陷，不适宜进行深度学习任务，建议大家在选购时务必谨慎。方法二：将混合精度训练AMP 设置为False。方法一：降低cuda和pytorch 版本号。
基于Python星载气溶胶数据处理与反演分析
lwjnlqiqi的博客
08-21 1196
Python星载气溶胶数据处理与反演分析
gee下载的evi数据没有归一化
11-02
GEE（Google Earth Engine）是一个基于云端的地理信息处理平台，它提供了丰富的卫星遥感数据和分析工具。其中，EVI（Enhanced Vegetation Index）即增强型植被指数，用于反映植被的生长状况和覆盖程度。 在GEE中下载的EVI数据并没有进行归一化处理。归一化是将数据通过一定的转换方式将其范围限制在特定的区间内，以便更好地进行比较和分析。而EVI的值通常在-1到1之间，可以认为范围已经比较合理，因此在GEE中下载的EVI数据通常不需要再进行归一化。 另外，GEE在数据处理的过程中，也提供了一系列的数据处理和分析工具，可以对EVI数据进行进一步的处理和计算。例如，可以使用GEE中的统计函数、图表、特定植被指标的计算等工具，对EVI数据进行分析和展示。 总而言之，GEE下载的EVI数据通常不需要归一化处理，而且在GEE平台上还提供了更多的数据处理和分析工具，可以进一步对EVI数据进行处理和分析。
评论
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

打赏作者

此星光明

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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