此星光明博客

DMSP OLS：夜间灯光时间序列第 4 版，国防气象计划运营线扫描系统数据集可用性数据集提供者集合片段数据集：国防气象计划 (DMSP) 业务线扫描系统 (OLS) 具有独特的能力，可在夜间检测可见光和近红外 (VNIR) 发射源。Version 4 of the DMSP-OLS Nighttime Lights Time Series consists of cloud-free composites made using all the available archived DMSP-OLS smo

定义一个矩形区域，参数为左下角和右上角的经纬度。：将地图中心设置为AOI，并设置缩放级别为8。：设置地图的底图为卫星图像。使用一个对象来存储城市名称及其对应的地理坐标。这段代码创建了一个交互式的用户界面，允许用户选择洪水监测的时间范围、阈值和感兴趣区域，并通过Sentinel-1影像分析洪水情况。用户可以通过滑块、下拉菜单和地图点击来调整参数，实时更新地图显示。

这段代码是使用 Google Earth Engine (GEE) 的 JavaScript API 来处理和可视化巴基斯坦俾路支省（Balochistan）地区的行政区划。此处我们可以提供一个其它多级的矢量边界的集合，这里我们就能实现指定区域矢量范围的可视化加载。这段代码的目的是在 Google Earth Engine 中加载、显示和交互式选择俾路支省的行政区。用户可以通过下拉菜单选择特定的区，并在地图上高亮显示该区的轮廓。

GEE UI：基于sentinel-1 SAR数据处理工具（交互式界面）

内陆水体在水文系统中发挥着重要作用，是满足人类多种需求的基本资源，例如灌溉农田和维持不同生态系统的生存。气候变化和人类干预正在全球范围内对水体造成巨大变化，这些变化将影响农业、工业、生态和人口。在没有测量仪器的偏远地区，绘制地表水体的需求在水资源管理中变得更加明显。最近，基于卫星的光学遥感器的进步为实时监测陆地表面水体提供了一种常规方法。我们提出了一种新颖的光谱指数，称为增强归一化差异水指数（ANDWI），通过分析Landsat 4、5、7和8表面反射影像中水体和非水体表面特征的反射特性来定义。

GEE 训练教程——基于landsat 8的地表温度LST计算和可视化。

好的，以下是对下的assets和animation这两个包在应用程序开发中扮演着不同但互补的角色。assets包确保所有必要的媒体得到妥善管理和访问，而animation包通过引人入胜的动画增强应用程序的视觉动态效果。如果您需要更具体的细节或示例，请随时询问！功能：定义一个地理点，表示经度为，纬度为的位置。类型：使用构造函数创建点几何对象，后续操作将基于这个点进行。这段代码的整体目的是获取特定地理位置在指定时间范围内的卫星影像，打印影像的波段信息，并通过动画展示这些影像的变化。

,] */geometry定义了一个多边形区域，用于后续的数据筛选。这里包含两个矩形区域的坐标。这段代码实现了从 Sentinel-2 数据集中获取特定区域的图像，去除云层，计算 NDVI，并在地图上可视化，同时允许用户通过点击获取 NDVI 值。

GEE ui应用——实现了一个用户界面（UI），用于火灾分析和可视化热像素（HotMap）数据。

GEE APP——通过点击地图任何区域获取指定区域的瓦片值WRS-1。

GEE App——基于Landsat 8 图像分类应用，用户可以通过图形界面选择日期和分类器，并查看分类结果和性能指标（如混淆矩阵和 Kappa 系数）

GEE APP：基于Landsat 8 影像的一个用于分析热图（HotMap）用于监测火灾的 JavaScript 代码。

树冠集聚指数（CI）是对叶片空间分布模式的测量。叶片通常具有非随机分布，在树冠、树枝和嫩枝尺度上聚集在一起。理论上，CI >0。当 CI < 1 时，叶片呈团块状分布。当 CI > 1 时，叶面呈规则分布。当 CI = 1 时，叶面呈随机分布。该软件由基于谷歌地球引擎（GEE）的 JavaScript 编写，利用 MODIS 数据集制作全球 CI 产品。

GEE UI——基于Landsat 系列和Sentinel-2多指数计算的交互式界面。

在Google Earth Engine中，全球计算特定时间的太阳位置。太阳天顶角和方位角的计算基于以下方程。角度是根据自然地球时区数据集相对于当前时区计算的特定地方时间。

GEE APP——SnowCloudMetrics应用程序，用于分析和可视化雪的覆盖频率（SCF）和雪的消失日期（SDD）

GEEClimT - 谷歌地球引擎气候工具 如果您使用该工具，请注明 Lea 等人（2024 年）以及使用该工具提取的数据中的任何引文。© Copyright, Dr James Lea, University of Liverpool 2023. All Rights Reserved. 谷歌地球引擎气候工具（GEEClimT）是一个易于使用的点击式界面，可提取气候再分析数据用于学术研究、教育和推广。有关该工具的更多详情及其使用案例研究，请参阅相关论文（Lea 等人，2024 年）。

PumpIT - 泵影响工具 点击泵的位置，查看对农业生产率的影响：比较泵安装前后的情况。在所选文本中，主要内容涉及一个名为“PumpIT”的泵灌溉工具的实现，该工具是2018年GEE用户峰会黑客马拉松的成果。以下是对文本的详细分析：1. **项目背景**：- **PumpIT**：这是一个用于泵灌溉的工具，旨在帮助用户更好地管理和利用水资源。- **创建者**：该工具由Ankan De、Jonna van Opstal和Kersten Clauss三位开发者创建。

这是一个 Google Earth Engine 应用程序，旨在寻找特定子区域内无云的 Sentinel-2 图像。这在赤道地区尤其有用，因为厚厚的云层意味着所有图像可能都有较高的云覆盖。然而，这些图像中可能有一些在特定感兴趣区域上方有晴朗的天空。这个应用程序有助于找到这些图像。可以直接作为 Google Earth Engine 应用程序访问。单击地图以搜索周围的图像。单击右下角出现的缩略图以将该图像添加到 Google Earth Engine 地图中。

MultiRS洪水制图器是一个云应用程序，旨在从Sentinel-1 SAR、Sentinel-2和Landsat 8图像中提取水域范围。有两种方法可以定义由水利结构控制的范围。在界面上手动绘制。上传 GEE 资产 ID 以使范围文件可供 MultiRS Flood Mapper 访问。无论哪种方式定义的范围都将由两个面板共享，因此您只需使用左侧面板定义一次范围。

在收集和导出步骤后将查找表应用于年度参考数据在“导出解释点”脚本中。该脚本可用于获取适合稳定地图精度评估的分层标签并更改地层。

创建分层随机样本。这个脚本本质上是一个GUI来提供支持对于 GEE 中的 stratifiedSample() 函数。此外，还提供了方程 计算符合“良好实践”的样本量。土地分类的样本点可以包括以下几种：农田：用于种植农作物的土地，如稻田、麦田、果园等。林地：用于生长树木的土地，包括天然林、人工林等。建设用地：用于建设房屋、工厂、商业设施等的土地，如住宅用地、工业用地、商业用地等。水域：包括河流、湖泊、水库等水体及其周边的土地。草地：用于放牧、草原生态保护等的土地，如草原、牧场等。

在以下文本框中输入目标位置的经纬度，或点击地图获取坐标。然后在相应的文本框中输入年、月、日和小时。点击 "计算 "得出结果。

GEE 土地分类——通过两阶段抽样设计对制定区域的影像进行样本点抽样。

GEE app:基于Landsat的NDVI和光谱波段的时序图表的交互式界面。

GEE app:在地图上构建一个可以查看局部的小窗这里比较难得的地方在于如何确定我们点击地图后这个点击后的点的周边的坐标。

该存储库提供了用于估计 Google Earth Engine 上地图准确性和面积的工具和指导。该存储库中提供的工具应被视为非详尽的，并尽可能依赖现有工具（如 TimeSync 或 Collect Earth）。这是一个正在进行的项目，欢迎社区参与。遥感分析最常见的结果之一是对地表的各种现象进行量化，如森林砍伐、农田扩张、城市化、土地利用模式等。遥感技术的优点是能以极低的成本或免费提供对相关区域的全方位覆盖，但其结果从来都不是完美的！

GEE app:使用 ui.root.onResize() 演示移动友好型用户界面。

GEE APP：为土地分类图数据在地图上添加一个可视化图例MODIS/051/MCD12Q1数据是由美国国家航空航天局（NASA）的卫星MODIS（Moderate Resolution Imaging Spectroradiometer）获取的遥感数据。这些数据主要用于研究全球陆地覆盖的动态变化和类型。MCD12Q1数据包含了地表类型的分类信息，其空间分辨率为500米。数据以每年一张全球覆盖的栅格图像的形式提供，覆盖了2001年至今的时间范围。

GEE APP:加载Landsat TOA数据可视化界面，实现点击提取ndvi值。

GEE app：全球油棕，橡胶，其他树木，灌木，裸地，水的可视化界面。

GEE app:全球保护区2001-2021年森林损失量可视化应用。

GEE APP：全球油棕，橡胶，其他树木，灌木，裸地，水的可视化界面（饼状图面积统计）

2021-2023汉森全球森林损失交互式界面。

生成以下卫星图像集合的可用性图表： 1. 哨兵-1 2. 哨兵-2 3. Landsat-8 4. Landsat-9。

谷歌地球引擎实现BioNet 算法，用于估算生物物理参数及其不确定性利用机器学习量化高分辨率生物物理变量检索中的不确定性 生物物理变量的估算是遥感科学的核心，可以对作物和森林进行密切监测。对相关参数进行时间分辨和空间明晰地图的绘制一直是研究的热点。然而，从光学传感器获取产品通常会受到云污染以及空间分辨率和时间分辨率之间权衡的影响。

对棕榈油需求的增加导致热带地区油棕特许经营权的扩大，并因此砍伐了丰富的森林。然而，特许经营地通常不同程度地种植不完全，导致许多土地未被使用。此类特许权内剩余的森林面临森林砍伐的高风险，因为砍伐森林通常没有法律障碍，因此使它们成为保护的绝佳目标。我们调查了缅甸南部油棕种植园和其他主要农作物橡胶种植园的位置，并将其与特许经营权边界进行了比较。我们的结果显示，该地区橡胶种植园覆盖的面积比油棕大得多，这表明橡胶是该地区的首选作物。

start。

谷歌地球引擎应用程序，用于最佳可用像素合成计算、可视化、校准和下载。在本指南中，我们将总结如何在 Google 地球引擎 (GEE) 中使用最佳可用像素 (BAP) 图像合成应用程序： GEE-BAP。该 GEE 应用程序可结合多个 Landsat 传感器和图像生成大面积的年度 BAP 图像合成。在此，我们将介绍像素评分函数和调整参数，以及数据输出选项。

Landsat系列影像云是指由美国地质调查局 (USGS) 发布的Landsat卫星拍摄的影像中所包含的云覆盖的比例。这个数据对于使用Landsat影像进行地表覆盖分类、植被指数计算、水文模型构建等应用非常重要。影像中的云覆盖会对地表覆盖的识别和分类造成影响，使得收集到的数据不准确和可靠。在一些应用中，云覆盖的存在会导致无法对特定地区进行分析和监测。因此，云覆盖率的高低对于影像的可用性和适用性具有重要影响。云覆盖率会受到多个因素的影响，包括季节性变化、气候条件、地理位置等。